python爬虫入门篇了解

1. 爬虫分类:

1.1 通用爬虫:例如搜索引擎:无差别的收集数据;提取存储关键字;构建索引库;给用户提供搜索接口。

1.2 聚焦爬虫:有针对性的编写特定领域数据的爬取程序。

 

2. Robots协议:

指定一个robots.txt文件,告诉爬虫引擎什么可以爬取,什么不可以爬取。君子协议,不受法律保障。

例如:http://www.taobao.com/robots.txt

 

3. Http请求与响应:

爬取网页就是通过http协议访问网页,通过浏览器是人的行为,将这种行为变成程序行为,就是爬虫。

python里提供了urllib包来处理url,访问网页:

urllib.request  # 打开和读写url

urllib.error  # 由urllib.request引起的异常

urllib.parse  # 解析url

urllib.robotparser  # 分析robots.txt文件

(python2里提供了urllib和urllib2:urllib提供较为底层的接口,urllib2对urllib进行了进一步的封装;python3中将urllib和urllib2合并,并只提供了标准库urllib包。)

 

3.1 urllib.request模块

身份验证、重定向、cookies等应用中打开url(主要是http)的函数和类。

urlopen方法:建立http连接,获取数据。

urlopen(url, data=None) 

# url是链接地址字符串或请求对象;data是提交的数据。如果data为None则发起GET请求,如果为非None,发起POST请求;返回http.client.HTTPResponse类的响应对象,是一个类文件对象。

#GET方法:数据通过URL传递,放在HTTP报文的header部分;POST方法:数据放在HTTP报文的body中提交。数据都是键值对形式,多个参数之间通过'&'连接,url和数据之间通过'?'连接。

 

from urllib.request import urlopen

# 打开url返回一个响应对象,类文件对象
response = urlopen('http://www.bing.com')  # data为None,所以是get方法
print(response.closed)  # False。类似于文件对象,不会自动关闭

with response:
     print(type(response))  # <class 'http.client.HTTPResponse'>
     print(response.status)  # 状态码200,表示成功。
     print(response.reason)  # OK
     print(response._method)  # 请求方法:get。_method表示是内部方法
     print(response.geturl())  # http://cn.bing.com/?setmkt=zh-CN&setmkt=zh-CN。'http://www.bing.com'链接跳转至的真正url
     print(response.info())  # 返回headers的信息
     print(response.read())  # 读取返回的网页内容;字节类型

print(response.closed)  # True。说明with方法同文件对象一样会自动关闭。

 简述上述过程:通过urllib.request.urlopen方法,发起一个HTTP的GET请求,WEB服务器返回网页内容。响应的数据被封装到类文件对象(response)中。可以通过read、readline、deadlines等方法获取数据,status和reason属性表示返回的状态,info方法返回头信息等。

 

上述代码可以获得网站的响应数据,但是urlopen方法只能传递url和data参数,不能构造http请求。在python的源码中,User-agent值为Python-urllib/3.6(3.6为对应的python版本号),因此就能被一些反爬虫的网站识别出来。于是需要更改User-agent值来伪装成浏览器:赋值浏览器的UA值。

Request方法:构建request请求对象,可以修改请求头信息。

Request(url, data=None, headers={})

from urllib.request import Request, urlopen
import random

url = 'http://www.bing.com/'  # 要访问的url;实际上是自动跳转 301 302
# 不同浏览器的User-Agent值。切换浏览器的不同的用户代理,查看网络下标头里user-agent值
ua_list = ['Mozilla/5.0 (Macintosh; Intel Mac OS X 10_14_0) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/71.0.3578.98 Safari/537.36',
           'Mozilla/5.0 (compatible; MSIE 10.0; Windows NT 6.2; Win64; x64; Trident/6.0)',
           'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_14) AppleWebKit/605.1.15 (KHTML, like Gecko) Version/12.0 Safari/605.1.15',
           'Mozilla/5.0 (Windows NT 10.0; Win64; x64; rv:59.0) Gecko/20100101 Firefox/59.0',
           'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/66.0.3359.139 Safari/537.36',
           'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/58.0.3029.110 Safari/537.36 Edge/16.16299'
]
# ua要添加到请求头中
ua = random.choice(ua_list)

# request = Request(url, headers={'User-agent': ua})  # 实现的功能跟下面两行代码是一样的
request = Request(url)
request.add_header('User-Agent', ua)

print(type(request))  # <class 'urllib.request.Request'>

response = urlopen(request, timeout=20)  # urlopen传入的参数可以是url对象,也可以是request对象
print(type(response))  # <class 'http.client.HTTPResponse'>

with response:
     print(response.status)  # 200
     print(response.getcode())  # 200
     print(response.reason)  # OK
     print(response.geturl())  # http://cn.bing.com/
     print(response.info())  # header里的信息:包含Cache-Control,Content-Length,Set-Cookies,Connection等字段信息
     print(response.read())  # 网页html内容

print(request.get_header('User-agent'))  # Mozilla/5.0 (compatible; MSIE 10.0; Windows NT 6.2; Win64; x64; Trident/6.0);伪装的浏览器ua值
print('user-agent'.capitalize())  # User-agent;User-agent首字母要大些

 

3.2 urllib.parse模块

对url进行编码和解码。

urlencode方法:url编码:主要是对post或get方法请求传递的参数编码,与原url结合,使其成为能够被访问的url格式。

urlencode(data)  # 传入的data参数需要是字典或者二元组序列

from urllib.parse import urlencode

u1 = urlencode({'name': 'danni', 'age': 23})
print(u1)  # name=danni&age=23;get方法下u的值是以?连接放在url后,post方法下u的值是放在body里

u2 = urlencode({'test': 'http://www.taobao.com?name=danni&age=23'})
print(u2)  # test=http%3A%2F%2Fwww.taobao.com%3Fname%3Ddanni%26age%3D23

 

从的运行结果我们可以发现:

1.斜杠、&、冒号、等号、问号等都被全部编码了(%之后实际上是单字节十六进制表示的值)。 因为提交的数据中,可能会像上述情况一样有斜杠、等号、问号等特殊符号,但这些字符表示数据,不表示元字符。直接发给服务器端会导致接收方无法判断谁是元字符谁是数据了。因此,将这部分特殊的字符数据也要进行url编码,这样就不会有歧义。

2.中文同样也会被编码,一般先按照字符集的encoding要求将其转换成字节序列,每一个字节对应的十六进制字符串前面加上百分号即可。

 

unquote方法:url解码

在百度上搜索汉字“中”:网页上呈现出来的url:https://www.baidu.com/s?wd=中;复制粘贴后呈现出的url:https://www.baidu.com/s?wd=%E4%D8%AD

from urllib.parse import urlencode, unquote

u = urlencode({'wd': ''})  # urlencode对中文的编码
print(u)  # wd=%E4%B8%AD

url = 'https://www.baidu.com/s?{}'.format(u)
print(url)  # https://www.baidu.com/s?wd=%E4%B8%AD

print(''.encode('utf-8'))  # b'\xe4\xb8\xad' utf-8对中文的编码

print(unquote(u))  # wd=中 unquote解码
print(unquote(url))  # https://www.baidu.com/s?wd=中

 

 

参与到实际:假设一个场景需求:连接必应搜索引擎,获取一个搜索的URL:http://cn.bing.com/search?q=马哥教育。通过程序代码完成对关键字“马哥教育”的bing搜索,并将返回的结果保存为网页文件。

from urllib.parse import urlencode, unquote

base_url = 'http://cn.bing.com/search'  # 是http而不是https
d = {'q': '马哥教育'}  # 注意必应浏览器下是'q'

u = urlencode(d)  # q=%E9%A9%AC%E5%93%A5%E6%95%99%E8%82%B2;编码
url = '{}?{}'.format(base_url, u)  # ?连接url和关键字参数
print(url)  # http://cn.bing.com/search?q=%E9%A9%AC%E5%93%A5%E6%95%99%E8%82%B2
print(unquote(url))  # http://cn.bing.com/search?q=马哥教育;解码可以比对看一下是否有错误

from urllib.request import urlopen, Request

# 伪装成浏览器
ua = 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_14_0) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/71.0.3578.98 Safari/537.36'
req = Request(url, headers={'User-agent': ua})  # 构建http请求对象
res = urlopen(req)  # 传入请求对象,建立http连接,获取数据

with res:
     with open('test_python.html', 'wb') as f:
          f.write(res.read())  # 将返回的网页内容写入新文件中

print('success')

 

上述需求讲的是测试get方法的应用,我们可以用http://httpbin.org/这个测试网站,来测试自己post出去的数据是否能正确返回。

from urllib.request import Request, urlopen
from urllib.parse import urlencode
import simplejson

request = Request('http://httpbin.org/post')  # post
request.add_header('User-agent', 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_14_0) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/71.0.3578.98 Safari/537.36')
data = urlencode({'name': '张三!@#$%^&*(,.)', 'age': '6'})  # post的dataurl编码,放在body里。不做url编码有风险
print(data)
print(type(data))
d = data.encode()  # POST方法传入的需为json格式的Form表单数据
res = urlopen(request, data=d)
with res:
    text = res.read()
    print(text)  # 包含args,data,files,form,headers等字段的信息;form字段里是post出去的data数据
    d = simplejson.loads(text)  # bytes转dict
    print(d) 

  

到这里,python爬虫的‘伪装成浏览器的请求对象->建立http连接->发起post或get请求->查看响应内容 ’理解和简单应用算是成功告一段落啦~

接下来在下一篇里我们就可以开始简单的豆瓣网站爬虫啦~

posted @ 2019-03-06 20:02  DoubleFishes  阅读(336)  评论(0编辑  收藏  举报