爬虫——urllib爬虫模块-数据爬虫-EPS数据狗论坛

黑色木偶 发表于 2019-9-5 14:56:00

爬虫——urllib爬虫模块

　　网络爬虫也称为网络蜘蛛、网络机器人，抓取网络的数据。其实就是用Python程序模仿人点击浏览器并访问网站，而且模仿的越逼真越好。一般爬取数据的目的主要是用来做数据分析，或者公司项目做数据测试，公司业务所需数据。而数据来源可以来自于公司内部数据，第三方平台购买的数据，还可以通过网络爬虫爬取数据。python在网络爬虫方向上有着成熟的请求、解析模块，以及强大的Scrapy网络爬虫框架。

爬虫分类
1、通用网络爬虫：搜索引擎使用，遵守robots协议（君子协议）
robots协议：网站通过robots协议告诉搜索引擎哪些页面可以抓取，哪些页面不能抓取。https://www.taobao.com/robots.txt
2、聚焦网络爬虫：自己写的爬虫程序

爬虫爬取数据步骤
1、确定需要爬取的URL地址
2、由请求模块向URL地址发出请求，并得到网站的响应
3、从响应内容中提取所需数据
1、所需数据，保存
2、页面中有其他需要继续跟进的URL地址，继续第2步去发请求，如此循环

请求模块
from urllib import request
request.urlopen()　　向网站发起请求并获取响应对象

参数：
URL：需要爬取的URL地址
timeout: 设置等待超时时间，指定时间内未得到响应抛出超时异常

响应对象（response）方法
string = response.read().decode('utf-8')获取响应对象内容(网页源代码)，返回内容为字节串bytes类型，顺便需要decode转换成string。
url = response.geturl()    返回实际数据的URL地址
code = response.getcode() 返回HTTP响应码

from urllib import request
url = 'http://www.baidu.com/'

# 向百度发请求,得到响应对象
response = request.urlopen(url)

# 返回网页源代码
print(response.read().decode('utf-8'))

# 返回http响应码
print(response.getcode())    # 200
# 返回实际数据URL地址
print(response.geturl())    # http://www.baidu.com/
urllib.request.Request()　　创建请求对象(包装请求，重构User-Agent，使程序更像正常人类请求)

参数
URL：请求的URL地址
headers：添加请求头（爬虫和反爬虫斗争的第一步）

使用流程
1、创建请求对象(重构User-Agent)
req = urllib.request.Request(url=url,headers={'User-Agent':'Mozilla/5.0 xxxx'})
2、请求对象发起请求，获取响应对象(urlopen)
res = urllib.request.urlopen(req)
3、通过相应对象获取响应内容
html = res.read().decode('utf-8')
from urllib import request

url = 'http://httpbin.org/get'
headers = {'User-Agent':'Mozilla/4.0 (compatible; MSIE 8.0; Windows NT 6.1; WOW64; Trident/4.0; SLCC2; .NET CLR 2.0.50727; .NET CLR 3.5.30729; .NET CLR 3.0.30729; Media Center PC 6.0; .NET4.0C; InfoPath.3)'}

# 创建请求对象(包装请求)
req = request.Request(url=url,headers=headers)
# 发请求,获取响应对象
res = request.urlopen(req)
# 读取内容,返回网页代码
html = res.read().decode('utf-8')

print(html)

URL地址编码
urllib.parse.urlencode({dict})
URL地址中一个查询参数

查询参数：{'wd' : '美女'}

urlencode编码后：'wd=%e7%be%8e%e5%a5%b3'
from urllib import parse

url = 'http://www.baidu.com/s?'

query_string = parse.urlencode({'wd':'美女'})
print(query_string)       # wd=%E7%BE%8E%E5%A5%B3
url = url + query_string
# http://www.baidu.com/wd=%E7%BE%8E%E5%A5%B3

URL地址中多个查询参数
from urllib import parse
query_string_dict = {'wd' : '美女',
               'pn' : '50'}
query_string = parse.urlencode(query_string_dict)
url = 'http://www.baidu.com/s?{}'.format(query_string)
print(url)
# http://www.baidu.com/s?wd=%E7%BE%8E%E5%A5%B3&pn=50

拼接URL地址的3种方式
1、字符串相加
'https://www.baidu.com/s?' + urlencode({'wd':'美女','pn':'50'})
2、字符串格式化（占位符）
'https://www.baidu.com/s?%s' % urlencode({'wd':'美女','pn':'50'})
3、format()方法
'https://www.baidu.com/s?{}'.format(urlencode({'wd':'美女','pn':'50'}))

示例在百度中输入要搜索的内容，把响应内容保存到本地文件
from urllib import request
from urllib import parse

# 定义常用变量
word = input('请输入搜索内容:')
url = 'http://www.baidu.com/s?'
headers = {'User-Agent':'Mozilla/5.0'}

# url编码,拼接完整URL
query_string = parse.urlencode({'wd':word})
url = url + query_string

# 三步走
req = request.Request(url=url,headers=headers)
res = request.urlopen(req)
html = res.read().decode('utf-8')

filename = '{}.html'.format(word)
with open(filename,'w',encoding='utf-8') as f:
f.write(html)

urllib.parse.quote(string)编码
from urllib import parse
parse.quote('美女')    # %E7%BE%8E%E5%A5%B3
urllib.parse.unquote(string)解码
from urllib import parse

result = parse.unquote('%E7%BE%8E%E5%A5%B3')
print(result)    # 美女

百度贴吧网页获取
1.输入贴吧名称
2.输入起始页
3.输入终止页
4.保存到本地文件：第1页.html、第2页.html ...

实现步骤
1、找URL规律
1、不同吧
2、不同页
      第1页:http://tieba.baidu.com/f?kw=????&pn=0
      第2页:http://tieba.baidu.com/f?kw=????&pn=50
      第n页:pn=(n-1)*50

2、获取网页内容
3、保存(本地文件、数据库)
from urllib import request,parse
import time
import random

class BaiduSpider(object):
def __init__(self):
   self.url = 'http://tieba.baidu.com/f?kw={}&pn={}'
   self.headers = {'User-Agent':'Mozilla/5.0'}

# 获取响应
def get_page(self,url):
   req = request.Request(url=url,headers=self.headers)
   res = request.urlopen(req)
   html = res.read().decode('utf-8')
   return html

# 保存数据
def write_page(self,filename,html):
   with open(filename,'w') as f:
         f.write(html)

# 主函数
def main(self):
   name = input('请输入贴吧名:')
   start = int(input('请输入起始页:'))
   end = int(input('请输入终止页:'))

   # 拼接URL地址,发请求
   for page in range(start,end+1):
         pn = (page-1)*50
         kw = parse.quote(name)       # url编码
         url = self.url.format(kw,pn)
         html = self.get_page(url)    # 获取响应,并保存
         filename = '{}-第{}页.html'.format(name,page)
         self.write_page(filename,html)
         print('第{}页爬取成功'.format(page))# 提示进度
         time.sleep(random.randint(1,3)) # 控制爬取速度

if __name__ == '__main__':
spider = BaiduSpider()
spider.main()

ximenyan 发表于 2020-1-2 20:25:06

;P，:loveliness:

ximenyan 发表于 2020-1-2 20:25:27

赞一个，有才！

tta03 发表于 2020-12-26 09:01:28

爬虫爬取数据步骤
1、确定需要爬取的URL地址
2、由请求模块向URL地址发出请求，并得到网站的响应
3、从响应内容中提取所需数据
1、所需数据，保存
2、页面中有其他需要继续跟进的URL地址，继续第2步去发请求，如此循环

页: [1]

EPS数据狗论坛's Archiver

爬虫——urllib爬虫模块