urllib爬虫（流程+案例）

　　网络爬虫是一种按照一定规则自动抓取万维网信息的程序。在如今网络发展，信息爆炸的时代，信息的处理变得尤为重要。而这之前就需要获取到数据。有关爬虫的概念可以到网上查看详细的说明，今天在这里介绍一下使用urllib进行网络爬虫的方法使用，在最后的一个案例中把最基本的爬虫要素运用进去，可以作为初学者的一个模板，读懂它进行适当修改就可以使用。

　　以我的经验来看，在编程上对于陌生的简单的东西，最快的学习方法就是从代码入手了。当然有些很厉害的兄弟，可以完全忽略我这篇博客了。下面的内容我尽量将注释写在代码当中。

1、urllib爬取网页

　　下面是通过urllib的request函数来获取网页信息，现在的request库也很方便，不过原理都是一样的。

import urllib.request

# 向指定的url地址发送请求并返回服务器响应的数据（文件的对象）
response = urllib.request.urlopen("http://www.baidu.com")

# 读取文件的全部内容，会把读到的东西赋值给一个字符串变量
data = response.read()
print(data)  # 读取得到的数据
print(type(data))  # 查看数据类型

# 读取一行
data = response.readline()

# 读取文件的全部内容，赋值给一个列表变量，优先选择
data = response.readlines()
# print(data)
print(type(data[100]))
print(type(data[100].decode("utf-8")))  # 转字符串
print(len(data))

# 将爬取到的网页写入文件
with open(r"F:/python_note/爬虫/file/file1.html", "wb") as f:
    f.write(data)


# response 属性

# 返回当前环境的有关信息
print(response.info())

# 返回状态码
print(response.getcode())
# 200为正常，304位为有缓存

# 返回当前正在爬取的url地址
print(response.geturl())

url = "https://www.sogou.com/sgo?query=凯哥学堂&hdq=sogou-wsse-16bda725ae44af3b-0099&lxod=0_16_1_-1_0&lxea=2-1-D-9.0.0.2502-3-CN1307-0-0-2-E96F3D19F4C66A477CE71FD168DD223D-62&lxoq=kaigexuetang&lkx=0&ie=utf8"
url2 = r"https%3A//www.sogou.com/sgo%3Fquery%3D%E5%87%AF%E5%93%A5%E5%AD%A6%E5%A0%82%26hdq%3Dsogou-wsse-16bda725ae44af3b-0099%26lxod%3D0_16_1_-1_0%26lxea%3D2-1-D-9.0.0.2502-3-CN1307-0-0-2-E96F3D19F4C66A477CE71FD168DD223D-62%26lxoq%3Dkaigexuetang%26lkx%3D0%26ie%3Dutf8"

newurl = urllib.request.quote(url)  # 将含汉字的编码
print(newurl)
newurl2 = urllib.request.unquote(url2)  # 解码
print(newurl2)


# 端口号，http  80
# https  443

2、爬取到的网页直接写入文件

　　将网页信息写入文件可以通过上面的读取然后再写入文件，还有更简便的方法，就是爬取页面的同时写入文件，这个也不难，只是一个函数而已。相信应该可以明白下面的内容，filename后面的内容就是需要存储网页信息的文件路径。

import urllib.request

urllib.request.urlretrieve("http://www.baidu.com",
                           filename=r"F:/python_note/爬虫/file/file2.html")

# urlretrieve在执行过程中，会产生一些缓存
# 清除缓存
urllib.request.urlcleanup()

3、模拟浏览器

　　我们都知道，进行爬虫的时候，很在乎它的效率，计算机进行获取数据当然会比手动来的快。但是这样一来，你就占用了该网站的大部分带宽，导致其他人上网会很卡。因此，很多网站会有自己的反爬机制，有些只是简单的预防一下。通过网络爬虫进行访问时会有一个爬虫的请求头，那么，可以模拟一下浏览器来访问，也就是把请求头中的信息换成浏览器信息。网上可以找到很多，随便粘贴一个就好了。

import random
import urllib.request

url = "http://www.baidu.com"

'''
# 模拟请求头 （这是一种方法，下面使用另一种方法）
headers = {
    "User-Agent": "Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/69.0.3493.3 Safari/537.36"
}
# 设置一个请求体
req = urllib.request.Request(url, headers=headers)
# 发起请求
response = urllib.request.urlopen(req)
data = response.read()
print(data)
'''

agentsList = [
    "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/39.0.2171.95 Safari/537.36 OPR/26.0.1656.60",
    "Opera/8.0 (Windows NT 5.1; U; en)",
    "Mozilla/5.0 (Windows NT 5.1; U; en; rv:1.8.1) Gecko/20061208 Firefox/2.0.0 Opera 9.50",
    "Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1; en) Opera 9.50",
    "Mozilla/5.0 (Windows NT 6.1; WOW64; rv:34.0) Gecko/20100101 Firefox/34.0 "
]

agentStr = random.choice(agentsList)  # 这里是从列表中随机取出一个浏览器信息来改写请求头，避免被网站发现同一个地址快速持续的访问它而被封掉
req = urllib.request.Request(url)  # 里面添加头要写成键值对
# 向请求体里添加了User-Agent
req.add_header("User-Agent", agentStr)  # 这里添加时传入两个字符串，自动组合

response = urllib.request.urlopen(req)
print(response.read())

4、设置超时

　　当访问一直没有被响应时，我们需要让它继续往下进行而不是卡在那里。通过异常捕获来实现。

import urllib.request

# 如果网页长时间未响应，系统判断超时，无法爬取
for i in range(1, 100):
    try:
        response = urllib.request.urlopen("http://www.baidu.com", timeout=0.1)
        print(len(response.read()))
    except:
        print("time out")

5、http请求

　　当然有些网站还需要先登录之类的，也就是不仅仅从上面获取信息，还需要上传一些东西，下面介绍一下发送请求的两种方法。

'''
使用场景：进行客户端与服务端之间的消息传递时使用
GET: 通过url网址传递信息，可以直接在url网址上添加要传递的信息（不安全）
POST: 可以向服务器提交数据，是一种比较流行，安全的数据传递方式
PUT: 请求服务器存储一个资源，通常要指定存储的位置
DELETE: 请求服务器删除一个资源
HEAD: 请求获取对应的http报头信息
OPTIONS: 可以获取当前url所支持的请求类型
'''

'''
get请求：
特点：把数据拼接到请求路径后面传递给服务器
优点：速度快
缺点：承载的数据量小，不安全
'''

'''
post请求：
特点：把参数进行打包，单独传输
优点：数量大，安全（当对服务器数据进行修改时建议使用post）
缺点：速度慢
'''
import urllib.request
import urllib.parse  # 对请求打包的库

url = "http://www.baidu.com"
# 将要发送的数据合成一个字典
# 字典的键去网址里找，一般为input标签的name属性的值
data = {
    "username": "xiaoxiao",
    "passwd": "999"
}
# 对要发送的数据进行打包
postdata = urllib.parse.urlencode(data).encode("utf-8")

# 请求体
req = urllib.request.Request(url, data=postdata)

# 请求
response = urllib.request.urlopen(req)
print(response.data())

6、json数据解析

'''
概念：一种保存数据的格式
作用：可以保存本地的json文件，也可以将json串进行传输，通常将json称为轻量级的传输方式
xml可读性更强，但是有很多没有用的标签
json文件组成：
{}       代表对象（字典）
[]       代表列表
:        代表键值对
,        分隔两个部分
'''

import json

# 将json格式的字符串转换为Python数据类型的对象

jsonStr = '{"name":"xiaoxiao", "age":18, "hobby":["money", "power", "english"], "parames":{"a":1, "b":2}}'

jsonData = json.loads(jsonStr)
print(jsonData)
print(type(jsonData))
print(jsonData["hobby"])


jsonData2 = {"name": "xiaoxiao", "age": 18, "hobby": [
    "money", "power", "english"], "parames": {"a": 1, "b": 2}}
# python类型的数据就是比json格式少个引号

# 将Python数据类型的对象转换为json格式的字符串

jsonStr2 = json.dumps(jsonData2)
print(jsonStr2)
print(type(jsonStr2))

7、抓取网页动态Ajax请求的数据

　　经常浏览一些网页会有这种情况，就是首先加载出一个页面的内容，向下滚动还有内容，在最下面会有一个提示下拉获取更多内容这类的东西。这个可以让加载网页的速度更快，毕竟内容少了嘛，再我们想要看到更多信息时候再加载。对于这样的一部分页面爬取其实也很简单，细心观察一下每次多加载一块的页面时，这时候上方的网址变化可以发现，有些是有数字变化的。可以根据里面的具体规律来修改每次请求的信息。

import urllib.request
import ssl
import json


def ajaxCrawler(url):
    headers = {
        "User-Agent": "Mozilla/5.0 (X11; U; Linux x86_64; zh-CN; rv:1.9.2.10) Gecko/20100922 Ubuntu/10.10 (maverick) Firefox/3.6.10"
    }
    req = urllib.request.Request(url, headers=headers)

    # 使用ssl创建未验证的上下文
    context = ssl._create_unverified_context()  # 访问的是HTTPS

    response = urllib.request.urlopen(req, context=context)
    jsonStr = response.read().decode("utf-8")
    print(type(response.read()))  # byte型
    print(type(response.read().decode("utf-8")))  # json字符串型
    jsonData = json.loads(jsonStr)
    return jsonData


# url = "https://movie.douban.com/j/chart/top_list?type=17&interval_id=100%3A90&action=&start=0&limit=20"
# info = ajaxCrawler(url)
# print(info)

for i in range(1, 11):
    url = "https://movie.douban.com/j/chart/top_list?type=17&interval_id=100%3A90&action=&start=" + \
        str(i * 20) + "&limit=20"
    info = ajaxCrawler(url)
    print(len(info))

8、糗事百科爬虫

import urllib.request
import re

# https://www.qiushibaike.com/text/page/2/


def jokeCrawler(url):
    headers = {
        "User-Agent": "Mozilla/5.0 (X11; U; Linux x86_64; zh-CN; rv:1.9.2.10) Gecko/20100922 Ubuntu/10.10 (maverick) Firefox/3.6.10"
    }
    req = urllib.request.Request(url, headers=headers)
    response = urllib.request.urlopen(req)

    html = response.read().decode("utf-8")
    # print(type(html))

    pat = r'<div class="author clearfix">(.*?)<span class="stats-vote"><i class="number">'
    re_joke = re.compile(pat, re.S)  # re.S 使可以匹配换行
    divsList = re_joke.findall(html)
    # print(divsList)
    # print(len(divsList))

    dic = {}
    for div in divsList:
        # 用户名
        re_u = re.compile(r"<h2>(.*?)</h2>", re.S)
        username = re_u.findall(div)
        username = username[0].rstrip()
        # print(username)
        # 段子
        re_d = re.compile(r'<div class="content">\n<span>(.*?)</span>', re.S)
        duanzi = re_d.findall(div)
        duanzi = duanzi[0].strip()
        # print(type(duanzi))
        dic[username] = duanzi
    return dic

    # with open(r"F:/python_note/爬虫/file/file2.html", "w") as f:
    #     f.write(html)


url = "https://www.qiushibaike.com/text/page/1/"
info = jokeCrawler(url)
for k, v in info.items():
    print(k + ':\n' + v)