Python爬虫基本库
3 基本库的使用
1)使用 urllib
- 是python内置的HTTP请求库,包含request、error、parse、robotparser
- urlopen()
- urllib.request.urlopen(url, data=None, [timeout, ]*, cafile=None, capath=None, cadefault=False, context=None)
- url:url 地址。
- data:发送到服务器的其他数据对象,默认为 None。
- timeout:设置访问超时时间。
- cafile 和 capath:cafile 为 CA 证书, capath 为 CA 证书的路径,使用 HTTPS 需要用到。
- cadefault:已经被弃用。
- context:ssl.SSLContext类型,用来指定 SSL 设置。
- 例子
- urllib.request.urlopen(url, data=None, [timeout, ]*, cafile=None, capath=None, cadefault=False, context=None)
import urllib.request response=urllib.request.urlopen('https://www.python.org') # urlopen 完成最基本的简单网页的GET请求抓取 # print(response.read().decode('utf-8')) # read 返回网页内容 # print(type(response)) print(response.status) # 返回网站状态码 print(response.getheaders()) # 返回响应的头 print(response.getheader('Server')) # 返回响应头中的 server
- Request()
- urllib.request.Request(url, data=None, headers={}, origin_req_host=None, unverifiable=False, method=None)
- url 要请求的url
- data data必须是bytes(字节流)类型,如果是字典
- headers headers是一个字典类型,是请求头。
- origin_req_host 指定请求方的host名称或者ip地址
- unverifiable 设置网页是否需要验证,默认是False,这个参数一般也不用设置。
- method method用来指定请求使用的方法,GET、POST、PUT
- 例子一:
- urllib.request.Request(url, data=None, headers={}, origin_req_host=None, unverifiable=False, method=None)
import urllib.request request=urllib.request.Request('https://www.python.org') # urlopen 完成最基本的简单网页的GET请求抓取 response=urllib.request.urlopen(request) print(response.read().decode('utf-8')) # read 返回网页内容
- 例子二:
from urllib import request,parse url='http://httpbin.org/post' headers={ 'User-Agent':'Mozilla/4.0 (compatible;MSIE 5.5;Windows NT)', 'Host':'httpbin.org' } dict={ 'name':'Germey' } data=bytes(parse.urlencode(dict),encoding='utf-8') req=request.Request(url=url,data=data,headers=headers,method='POST') response=request.urlopen(req) print(response.read().decode('utf-8'))
- 高级用法
- 主要是Handler 和 Opener HTTPCookieProcessro处理Cookies等等,urlopen是一个Opener。
- 验证,打开网站出现提示窗输入用户名和密码:
from urllib.request import HTTPPasswordMgrWithDefaultRealm, HTTPBasicAuthHandler, build_opener from urllib.error import URLError username = '11459' password = '114590' url = 'https://zhxg.whut.edu.cn//yqtj/#/login' p = HTTPPasswordMgrWithDefaultRealm() p.add_password(None, url, username, password) auth_handler = HTTPBasicAuthHandler(p) #实例化对象 opener = build_opener(auth_handler) #构建OPener try: result = opener.open(url) html = result.read().decode('utf-8') print(html) except URLError as e: print(e.reason)
- 代理:
from urllib.error import URLError from urllib.request import ProxyHandler,build_opener proxy_handler=ProxyHandler({ 'http':'http://127.0.0.1:9743', 'https':'https://127.0.0.1:9743' }) opener=build_opener(proxy_handler) # 本地搭了一个代理,运行在9743端口 try: response=opener.open('https://www.whut.edu.cn/') print(response.read().decod('utf-8')) except URLError as e: print(e.reason)
- Cookies
from urllib.error import URLError import http.cookiejar,urllib.request """直接打印""" # cookie=http.cookiejar.CookieJar() # handler=urllib.request.HTTPCookieProcessor(cookie) # opener=urllib.request.build_opener(handler) # response=opener.open('https://baidu.com') # for item in cookie: # print(item.name+" = "+item.value) """文件保存""" # filename='cookies.txt' # cookie=http.cookiejar.MozillaCookieJar(filename) #保存为文件 可以使用MozillaCookieJar 和 LWPCookieJar # handler=urllib.request.HTTPCookieProcessor(cookie) # opener=urllib.request.build_opener(handler) # response=opener.open('https://baidu.com') # cookie.save(ignore_discard=True,ignore_expires=True) """读取文件并利用Cookies""" cookie=http.cookiejar.MozillaCookieJar() cookie.load('cookies.txt',ignore_discard=True,ignore_expires=True) handler=urllib.request.HTTPCookieProcessor(cookie) opener=urllib.request.build_opener(handler) response=opener.open('https://baidu.com') print(response.read().decode('utf-8')) for item in cookie: print(item.name+" = "+item.value)
- 处理异常
- URLError:
- HTTPError:(属性:code,reason,headers),是URLError的子类
- 解析链接
- urlparse() 解析URL字符串
- 参数,urllib.parse.urlparse(urlstring,scheme ='',allow_fragments = True );分别是url字符串、协议类型、是否忽略fragments
- 可以实现URl的识别和分段
- 例子:
- urlparse() 解析URL字符串
from urllib.parse import urlparse result=urlparse('https://www.baidu.com/index.html;user?id=5#comment') print(type(result),result)
- urlunparse() 构造url字符串
- 例子:
from urllib.parse import urlunparse data=['http','www.baidu.com','index.html','user','a=6','comment'] print(urlunparse(data))
- urlsplit()和urlunsplit() 类似于urlparse/urlunparse,但是返回类型不一样,返回的元素有5个,parse是6个
- 例子:
from urllib.parse import urlsplit from urllib.parse import urlunsplit # urlsplit result=urlsplit('http://www.baidu.com/index.html;user?a=6#comment') print("解析URL:") print(result) # 长度为5 print(result.scheme,result[0]) # urlunsplit data=['http','www.baidu.com','index.html','a=6','comment'] # 长度为5 print("构造URL:") print(urlunsplit(data))
- urljoin()
- 对两个连接自动分析其scheme、netloc等对缺失部分进行补充,最后返回结果,如果前后都有相同部分,后面覆盖前面
- 例子:
from urllib.parse import urljoin print(urljoin('http://www.baidu.com','fal.html'))
- urlencode()
- 将字典数据序列化成url的GET请求参数
- 例子:
from urllib.parse import urlencode params={ 'name':'germey', 'age':22 } base_url='http://www.baidu.com?' url=base_url+urlencode(params) print(url)
- parse_qs()
- 是urlencode函数的反序列化函数,将GET请求参数转换为字典类型
- 例子:
from urllib.parse import parse_qs query='name=germey&age=22' print(parse_qs(query))
- parse_qsl()
- 将参数转化为元组组成的列表
- 例子:
from urllib.parse import parse_qsl query='name=germey&age=22' print(parse_qsl(query))
- quote/unquote
- quote() 将内容转化为URl编码格式,主要转化中文编码;unquote() 对URL进行解码
- 例子
from urllib.parse import quote,unquote keyword='壁纸' url='https://www.baidu.com/s?wd='+quote(keyword) print(url) print(unquote(url))
- 分析Robots协议
- Robots协议:爬虫协议/机器人协议,全名叫网络爬虫排除标准协议,用来告诉爬虫和搜索引擎哪些页面可以抓取,哪些不可以,通常是一个robots.txt文件放在根目录下。User-agent:* 表示所有爬虫可以爬取;Disallow:/所有目录不可爬取;Allow:/public/ 只允许爬取public目录;
- robotparser 分析robots.txt
from urllib.robotparser import RobotFileParser import time rp=RobotFileParser() # 创建一个对象 rp.set_url('http://www.jianshu.com/robots.txt') # 设置robots.txt连接 rp.read() # 读取robots.txt文件 print(rp.can_fetch('*','httpd//www.jianshu.com/p/b/b67554025d7d')) # can_fetch判断*爬虫能不能爬后面网页 print(rp.mtime()) #mtime() 返回上次抓取和分析robots.txt的市价, rp.modified() # 将当前时间设置为上次抓取和分析robots.txt的时间 print(rp.mtime()) # 这种打印出来的是数字,需要转换成时间 tupTime = time.localtime(rp.mtime()) stadardTime = time.strftime("%Y-%m-%d %H:%M:%S", tupTime) print(stadardTime)
2)使用Requests
- Get请求
- 基本用法,例子
import requests data={ 'name':'germey', 'age':22 } r=requests.get('https://www.httpbin.org/get',params=data) # get请求 print(type(r)) print(r.status_code) # 返回状态码 print(r.cookies) # 返回cookies print(type(r.text)) # 返回文本类型 print(r.text) print(r.json()) # 直接调用json返回一个字典 print(type(r.json()))
- 抓取网页
import requests import re headers={ 'User-Agent':'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/91.0.4472.164 Safari/537.36' } r=requests.get('https://www.zhihu.com/explore',headers=headers) # headers中得User-Agent是浏览器标识信息,如果无这个知乎会禁止抓取 print(r.text) pattern=re.compile('explore-feed.*?question_link.*?>(.*?)',re.S) titles=re.findall(pattern,r.text) print(titles)
- 抓取二进制数据
import requests r=requests.get('https://www.baidu.com/favicon.ico') # print(r.text) # print(r.content) # bytes类型,打印前面有个b # 下面的方法将文件保存下来,运行完你会发现桌面多了一个图像文件 with open('favicon.ico','wb') as f: f.write(r.content)
- POST请求
import requests data={'name':'germey','age':22} r=requests.post("https://httpbin.org/post",data=data) print(type(r.status_code),r.status_code) print(type(r.headers),r.headers) print(type(r.cookies),r.cookies) print(type(r.url),r.url) print(type(r.history),r.history) print(r.text) if r.status_code==requests.codes.ok: # 这里的ok代表200,还有多种代表各种状态码,可查 print("Request Successfully!")
- 高级用法
- 文件上传:
import requests files={'file':open('favicon.ico','rb')} r=requests.post("https://httpbin.org/post",files=files) print(r.text)
- Cookies:可以通过 r.cookies获得,可以通过headers设置
- 会话维持:Session
- 测试:
import requests s=requests.Session() s.get('http://httpbin.org/cookies/set/number/123456789') r=s.get('http://httpbin.org/cookies') print(r.text)
- SSL证书验证:
- requests的verify参数默认为True检查CA证书,访问没有SSL证书的网站,需要设置为False
import requests r=requests.get('https://www.12306.cn',verify=False) # 这个测试失败 12306已经有CA认证了 print(r.status_code)
- 代理设置:
import requests proxies={ "http":"http://10.10.1.10:3128", "https:":"https://10.10.1.10:3128" } # 若代理需要使用 HTTP Basic Auth # proxies={ # "http":"http://user:password@10.10.1.10:3128/", # } # request支持SOCKS代理,需要下载 pip install 'requests[socks]' # proxies={ # "http":"socks5://user:passwprd@host:port", # "https:":"socks5://user:passwprd@host:port" # } requests.get("https://www.taobao.com",proxies=proxies)
- 超时设置
import requests r=requests.get("https://www.github.com/",timeout=1) #1秒内没有响应就抛出异常 print(r.status_code)
- 身份认证
import requests from requests.auth import HTTPBasicAuth r=requests.get("https://www.github.com/",auth=HTTPBasicAuth('username','password')) # 或者 不要引入HTTPBasicAuth 直接 # r=requests.get("https://www.github.com/",auth=('username','password')) # 还有一种叫 OAuth 认证 需要安装requests_oauthlib print(r.status_code)
- Prepared Request
- 这是一种数据结构可以表示参数
from requests import Request,Session url='http://httpbin.org/post' data={ 'name':'germey' } headers={ 'User-Agent':'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/91.0.4472.164 Safari/537.36' } s=Session() req=Request('POST',url,data=data,headers=headers) preped=s.prepare_request(req) r=s.send(preped) print(r.text)
3)正则表达式
- match(regex_str,content,re.S)
#其中re.S表示.可以匹配换行符,还有多个类似的参数,可查
importre content='Hello1234567World_ThisisaRegexDemo' print(len(content)) result=re.match('^Hello\s\d{3}\s\d{4}\s\w{10}',content) print(result)#返回结果 print(result.group())#匹配到的内容 print(result.span())#匹配结果在原字符串中的位置
- search()
- match 如果开头不匹配就直接返回失败,search会扫描整个内容找到与regex匹配的第一个内容
- findall()
- 扫描整个内容找到与regex匹配的所有内容
- sub()
- 去除内容中所有匹配的字符串 第一个参数是regex_str,第二个参数是替换后的字符串,第三个参数是原字符串
- compile()
- 将正则字符串变异成正则表达式对象,把它传入match等作为regex_str使用
pattern=re.compile('\d{2}:\d{2}')