python爬虫第六天
今天继续学习一些实战爬虫
链接爬虫实战
要求：把一个网页里所有的链接地址提取出来
思路：（1）确定爬取的入口链接
（2）构建提取链接的正则表达式
（3）模拟浏览器爬取网页
（4）根据正则表达式提取链接
（5）过滤掉重复的链接
（6）后续操作
比如我们来获取 http://blog.csdn.net/下的链接
import re
import urllib.request
import urllib.error
def getlink(url):
#模拟浏览器访问
headers=('User-Agent','Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/63.0.3239.132 Safari/537.36')
opener=urllib.request.build_opener()
opener.addheaders=[headers]
#将opener安装成全局
urllib.request.install_opener(opener)
file=urllib.request.urlopen(url)
data=str(file.read())
#构建正则表达式
pat='(https?://[^\s)";]+\.(\w|/)*)'
#
link=re.compile(pat).findall(data)
#去除重复元素，只需要将link设为set集合再转为list就可以了
link=list(set(link))
return link
#要爬取得网页
url="http://blog.csdn.net/"
linklist=getlink(url)
for link in linklist:
print(link[0])
获取成功，这里需要弄懂的是链接的正则表达式，很多地方都有用：(https?://[^\s)";]+\.(\w|/)*)
糗事百科爬虫实战
我们先来分析各个网页的网址规律，构造网址变量，通过for循环爬取多页的内容
实现一个自定义函数专门用来爬取某网页的段子，这里和我们上次爬取图片差不多
import re
import urllib.request
import urllib.error
def getcontent(url,page):
#--------
# 模拟浏览器访问
headers = ('User-Agent',
'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/63.0.3239.132 Safari/537.36')
opener = urllib.request.build_opener()
opener.addheaders = [headers]
# 将opener安装成全局
urllib.request.install_opener(opener)
#---------
data=urllib.request.urlopen(url).read().decode("utf-8")
#构建对应用户提取的正则表示
userpat='alt="(.*?)">'
#构建段子内容提取的正则表达式
contentpat='<div class="content">(.*?)</div>'
#寻找所有的用户
userlist=re.compile(userpat,re.S).findall(data)
#寻找所有的内容
contentlist=re.compile(contentpat,re.S).findall(data)
x=1
#循环遍历段子内容并赋值
for content in contentlist:
#去除换行
content=content.replace("\n","")
content = content.replace("<span>", "")
content = content.replace("<br/>", "")
content = content.replace("</span>", "")
#用字符串作为变量名，先将对应的字符串赋值给一个变量
name="content"+str(x)
#exec函数实现用字符串作为变量名并且赋值
exec(name+'=content')
x+=1
y=1
#遍历用户，输出用户对应内容
for user in userlist:
name="content"+str(y)
print("用户"+str(page)+str(y)+"是："+user)
print("内容是：")
exec("print("+name+")")
print("\n")
y+=1
#执行循环获取
for i in range(1,10):
url="http://www.qiushibaike.com/text/page/"+str(i)
getcontent(url,i)
现在这个网站改版了，爬取的内容好像显示不全。网站代码改版，我们就要更换url和正则表达式，否则爬不到，自己分析网页结构，做到灵活运用。
现在知道如何爬取网页范围内的文字，并且自己能给出一些修饰删减就好了。
微信文章爬虫实战
我们在爬取微信的时候会比较麻烦，因为我们的ip会经常被封杀。那么我们就要解决这个问题。
首先我们人工进行查阅，再用爬虫自动化。我们先进入搜狗的搜索平台：http://weixin.sougou.com
我们分析一下发现如果没有type字段则搜索的不是文章。query是我们请求关键词的信息，我输入的关键词是物联网。
我们点击下一页发现
page字段出现了为2，所以是控制页数的字段。接下来我们构造网址
我们接着再观察源代码：
<div class="txt-box">
<h3>
<a target="_blank" href="http://mp.weixin.qq.com/s?src=11&timestamp=1548826683&ver=1397&signature=DUmrUskDf4kb9Th4olLcy2F2Li51-*RrCB6cXU2XWjTxiekW6y5qX4MCG9xKlcv5ezvo8vylV5ku9hqEs7H0MraeRAE8n9LEJU4C-IK6C1N4MS-PqLaUKZvd-3H-b9K2&new=1" id="sogou_vr_11002601_title_0" uigs="article_title_0" data-share="http://weixin.sogou.com/api/share?timestamp=1548826683&signature=qIbwY*nI6KU9tBso4VCd8lYSesxOYgLcHX5tlbqlMR8N6flDHs4LLcFgRw7FjTAONa2V-2x1W7AuuzD-vidXm3GvlytfD8sJy6-UegQq2dXx0gPni92wd2H9cr4shLXudn7EEa0mG*bje1CgQ1SR-P8d6sgbQ1VL0s2tJAntd0Vk-pwsL-vVvo1Uywe4YR*hx*PHSUyQNaBBUB185MtR9P4yramVOBzGCkA2Z2uWLZo=">[<em><!--red_beg-->物联网<!--red_end--></em>]是中国的!<em><!--red_beg-->物联网<!--red_end--></em>时代,且看中国!</a>
得到正则表达式: '<div class="tex-box">.*?(http://.*?)"'
这样我们可以使用相关函数提取出指定页数的文章网址出来
但是我们访问的时候发现网址参数错误，这时我们直接通过列表打开网址。发现提取出来的网址比真实的网址的多了&
我们可以使用replace将其代替为""即可，关于封ip的情况就要用到我们之前学习的代理ip
规划一下：我们要实现三个函数
一个是使用代理服务器爬取指定的网址并返回数据，一个是获取多个页面文章链接的功能，最后一个根据文章链接爬取指定标题和内容。
代码中如果发生异常，我们就要进行延时处理：使用time.sleep(7）方法延时7秒
import re
import time
import urllib.request
import urllib.error
# 1模拟浏览器访问
headers = ('User-Agent',
'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/63.0.3239.132 Safari/537.36')
opener = urllib.request.build_opener()
opener.addheaders = [headers]
# 将opener安装成全局
urllib.request.install_opener(opener)
# ---------
listurl=[]
def use_proxy(proxy_addr,url):
try:
import urllib.request
proxy = urllib.request.ProxyHandler({'http': proxy_addr})
opener = urllib.request.build_opener(proxy, urllib.request.HTTPHandler)
urllib.request.install_opener(opener)
data = urllib.request.urlopen(url).read().decode('utf-8')
return data
except urllib.error.URLError as e:
if hasattr(e,"code"):
print(e.code)
if hasattr(e,"reason"):
print(e.reason)
time.sleep(10)
except Exception as e:
print("exception:"+str(e))
time.sleep(1)
def getlisturl(key,pagestart,pageend,proxy):
try:
page=pagestart
keycode=urllib.request.quote(key)
pagecode=urllib.request.quote("&page")
for page in range(pagestart,pageend+1):
url="http://weixin.sogou.com/weixin?type=2&query="+keycode+pagecode+str(page)
#print("下面出不来"+url)#这里的url有点问题好像
#pagecode=urllib.request.quote("&page")我不太清楚这里为什么要编码
#我想改成不编码
#pagecode=urllib.request.quote("page")
#url="http://weixin.sogou.com/weixin?type=2&query="+keycode+"&"+pagecode+"="+str(page)
#但是这里ip有点问题，看下面
data1=use_proxy(proxy,url)
#这里data1输出为None，不知是不是IP不能用的问题
print(data1)
listurlpat='<div class="txt-box">.*?(http://.*?)"'
#print("哎呀前面没错哦")
listurl.append(re.compile(listurlpat,re.S).findall(data1))
print("获取到："+str(len(listurl))+"页")
return listurl
except urllib.error.URLError as e:
if hasattr(e, "code"):
print(e.code)
if hasattr(e, "reason"):
print(e.reason)
time.sleep(7)
except Exception as e:
print("exception:" + str(e))
time.sleep(1)
def getcontent(listurl,proxy):
i=0
html1='''<!DOCTYPE html PUBLIC "-//W3C//DTD XHTML 1.0 Transitional//EN" "http://www.w3.org/TR/xhtml1/DTD/xhtml1-transitional.dtd">
<html xmlns="http://www.w3.org/1999/xhtml">
<head>
<title> 微信文章页面</title>
<meta http-equiv="Content-Type" content="text/html;charset=utf-8" />
</head>
<body>'''
fh=open("D:/crawler/weixin/1.html","wb")
fh.write(html1.encode("utf-8"))
fh.close()
fh=open("D:/crawler/weixin/1.html","ab")
for i in range(0,len(listurl)):
for j in range(0,len(listurl[i])):
try:
url=listurl[i][j]
url=url.replace("amp;","")
data=use_proxy(proxy,url)
titlepat="<title>(.*?)</title>"
contentpat='id="js_content">(.*?)id="js_sq_bar"'
title=re.compile(titlepat).findall(data)
content=re.compile(contentpat,re.S).findall(data)
thistitle="此次没有获取到"
thiscontent="此次没有获取到"
if(title!=[]):
thistitle=title[0]
if(content!=[]):
thiscontent=content[0]
dataall="<p>标题为："+thistitle+"</p><p>内容为："+thiscontent+"</p>
"
fh.write(dataall.encode("utf-8"))
print("第"+str(i)+"网页第"+str(j)+"次处理")
except urllib.error.URLError as e:
if hasattr(e, "code"):
print(e.code)
if hasattr(e, "reason"):
print(e.reason)
time.sleep(10)
except Exception as e:
print("exception:" + str(e))
time.sleep(1)
fh.close()
html2='''</body></html>'''
fh=open("D:/crawler/weixin/1.html","ab")
fh.write(html2.encode("utf-8"))
fh.close()
#设置关键词
key="物联网"
#代理ip
proxy="27.29.77.113"
proxy2=""
pagestart=1
pageend=2
listurl=getlisturl(key,pagestart,pageend,proxy)
getcontent(listurl,proxy)
这里要么是代理ip那边出了问题，换了很多ip还是连接不上。可能是url拼接的有点问题，但是我改过后仍然有异常，
[WinError 10060] 由于连接方在一段时间后没有正确答复或连接的主机没有反应，连接尝试失败。
这个弄了一天，还没有解决。。心累。。有大佬看出来错误还请指出来，在下谢谢了。
要过年了。。提前祝大家新年快乐哈！
此文是我在学习《精通Python网络爬虫》（韦玮著）的总结,纯手打。
