爬虫中怎样用扒出来的链接扒网页中的内容？

Posted 2023-03-25

我们在浏览器地址栏输入一个网址并按回车，就会打开一个页面，同样，爬虫是通过每一个网址打开页面并收集页面中的信息，通常我们在写网络爬虫时需要指定一个起始网址，爬虫通过请求该起始网址获得浏览器给出的响应，响应中包含页面上的所有内容，爬虫分析页面内容进行信息收集，这个过程可以通过采集器或手写爬虫实现。望采纳 参考技术A 网页上的数据的话可以用采集器工具去采集。不同的工具也有对应的使用教程

Python爬虫入门：Urllib库的基本使用

 

1.分分钟扒一个网页下来

怎样扒网页呢？其实就是根据URL来获取它的网页信息，虽然我们在浏览器中看到的是一幅幅优美的画面，但是其实是由浏览器解释才呈现出来的，实质它 是一段HTML代码，加 JS、CSS，如果把网页比作一个人，那么HTML便是他的骨架，JS便是他的肌肉，CSS便是它的衣服。所以最重要的部分是存在于HTML中的，下面我 们就写个例子来扒一个网页下来。

Python

 

1 2 3 4

#设置代理IP #代理IP可以上http://zhimaruanjian.com/获取 import urllib2   response = urllib2.urlopen("http://www.baidu.com") print response.read()

是的你没看错，真正的程序就两行，把它保存成 demo.py，进入该文件的目录，执行如下命令查看运行结果，感受一下。

Python

 

1	python demo.py

 

看，这个网页的源码已经被我们扒下来了，是不是很酸爽？

2.分析扒网页的方法

那么我们来分析这两行代码，第一行

Python

 

1	response = urllib2.urlopen("http://zhimaruanjian.com/")

首先我们调用的是urllib2库里面的urlopen方法，传入一个URL，这个网址是百度首页，协议是HTTP协议，当然你也可以把HTTP换做FTP,FILE,HTTPS 等等，只是代表了一种访问控制协议，urlopen一般接受三个参数，它的参数如下：

Python

 

1	urlopen(url, data, timeout)

第一个参数url即为URL，第二个参数data是访问URL时要传送的数据，第三个timeout是设置超时时间。

第二三个参数是可以不传送的，data默认为空None，timeout默认为 socket._GLOBAL_DEFAULT_TIMEOUT

第一个参数URL是必须要传送的，在这个例子里面我们传送了百度的URL，执行urlopen方法之后，返回一个response对象，返回信息便保存在这里面。

Python

 

1	print response.read()

response对象有一个read方法，可以返回获取到的网页内容。

如果不加read直接打印会是什么？答案如下：

Python

 

1	<addinfourl at 139728495260376 whose fp = <socket._fileobject object at 0x7f1513fb3ad0>>

直接打印出了该对象的描述，所以记得一定要加read方法，否则它不出来内容可就不怪我咯！

3.构造Requset

其实上面的urlopen参数可以传入一个request请求,它其实就是一个Request类的实例，构造时需要传入Url,Data等等的内容。比如上面的两行代码，我们可以这么改写

Python

 

1 2 3 4 5

import urllib2   request = urllib2.Request("http://zhimaruanjian.com/") response = urllib2.urlopen(request) print response.read()

运行结果是完全一样的，只不过中间多了一个request对象，推荐大家这么写，因为在构建请求时还需要加入好多内容，通过构建一个request，服务器响应请求得到应答，这样显得逻辑上清晰明确。

4.POST和GET数据传送

上面的程序演示了最基本的网页抓取，不过，现在大多数网站都是动态网页，需要你动态地传递参数给它，它做出对应的响应。所以，在访问时，我们需要传递数据给它。最常见的情况是什么？对了，就是登录注册的时候呀。

把数据用户名和密码传送到一个URL，然后你得到服务器处理之后的响应，这个该怎么办？下面让我来为小伙伴们揭晓吧！

数据传送分为POST和GET两种方式，两种方式有什么区别呢？

最重要的区别是GET方式是直接以链接形式访问，链接中包含了所有的参数，当然如果包含了密码的话是一种不安全的选择，不过你可以直观地看到自己提交了什么内容。POST则不会在网址上显示所有的参数，不过如果你想直接查看提交了什么就不太方便了，大家可以酌情选择。

POST方式：

上面我们说了data参数是干嘛的？对了，它就是用在这里的，我们传送的数据就是这个参数data，下面演示一下POST方式。

Python

 

1 2 3 4 5 6 7 8 9

import urllib import urllib2   values = {"username":"[email protected]","password":"XXXX"} data = urllib.urlencode(values)  url = "https://passport.csdn.net/account/login?from=http://my.csdn.net/my/mycsdn" request = urllib2.Request(url,data) response = urllib2.urlopen(request) print response.read()

我们引入了urllib库，现在我们模拟登陆CSDN，当然上述代码可能登陆不进去，因为还要做一些设置头部header的工作，或者还有一些参数 没有设置全，还没有提及到在此就不写上去了，在此只是说明登录的原理。我们需要定义一个字典，名字为values，参数我设置了username和 password，下面利用urllib的urlencode方法将字典编码，命名为data，构建request时传入两个参数，url和data，运 行程序，即可实现登陆，返回的便是登陆后呈现的页面内容。当然你可以自己搭建一个服务器来测试一下。

注意上面字典的定义方式还有一种，下面的写法是等价的

Python

 

1 2 3 4 5 6 7 8 9 10 11

import urllib import urllib2   values = {} values[‘username‘] = "[email protected]" values[‘password‘] = "XXXX" data = urllib.urlencode(values)  url = "http://passport.csdn.net/account/login?from=http://my.csdn.net/my/mycsdn" request = urllib2.Request(url,data) response = urllib2.urlopen(request) print response.read()

以上方法便实现了POST方式的传送

GET方式：

至于GET方式我们可以直接把参数写到网址上面，直接构建一个带参数的URL出来即可。

Python

 

1 2 3 4 5 6 7 8 9 10 11 12

import urllib import urllib2   values={} values[‘username‘] = "[email protected]" values[‘password‘]="XXXX" data = urllib.urlencode(values)  url = "http://passport.csdn.net/account/login" geturl = url + "?"+data request = urllib2.Request(geturl) response = urllib2.urlopen(request) print response.read()

你可以print geturl，打印输出一下url，发现其实就是原来的url加？然后加编码后的参数

Python

 

1	http://passport.csdn.net/account/login?username=1016903103%40qq.com&password=XXXX

和我们平常GET访问方式一模一样，这样就实现了数据的GET方式传送。

本节讲解了一些基本使用，可以抓取到一些基本的网页信息，小伙伴们加油！