用python语言编写网络爬虫

Posted 2020-10-02

 

 

         本文主要用到python3自带的urllib模块编写轻量级的简单爬虫。至于怎么定位一个网页中具体元素的url可自行百度火狐浏览器的firebug插件或者谷歌浏览器的自带方法。

1、访问一个网址

re=urllib.request.urlopen(‘网址‘）

打开的也可以是个urllib.request.Request对象，后边也可以跟数据参数，当有传入数据时会自动变为POST请求；

 

2、urllib.request.Request(url,data=None,headers={})对象

属性：

       full_url   

       type

       host

       data

       selector

       method 

       get_method()

       add_header(key,val)            添加header

       add_unredirected_header(key,header)

       has_header(header)

       remove_header(header)      移除header

       get_full_url(header)             返回url

       set_proxy(host,type)            设置代理；

       get_proxies()                       获取代理

       get_header(header_name,default=None)

       header_items()     

 

3、已连接对象的可用方法：

re.read()                读取内容，想要将内容保存下来，需先新建一个相应格式的文件，再将读取到的内容写入到这个文件内即可；

re.geturl()              可取得已打开对象的url地址；

re.info()                 可取得响应服务器的信息；

re.getcode()          可取得响应状态码；

urllib.parse.urlencode()将一个存储post数据的字典转换成打开网页所需要的数据格式；

可用json.loads()将文本转换成键值对

可在传地址时将header以一个字典数据的形式传入，以隐藏自己的访问方式；也可用re.add_header(‘‘)    的方式进行追加；

 

4、当知道一个文件的url时可用此方法直接下载保存到本地

urllib.request.urlretrieve(‘http://wx1.sinaimg.cn/mw600/9bbc284bgy1ffkuafn4xtj20dw0jgh08.jpg‘,‘bc.jpg‘)

 

5、登录功能的实现(post)

（1）利用session保留登录状态

login_data = {

            ‘_xsrf‘: getXSRF(baseurl),

            ‘password‘: password,

            ‘remember_me‘: ‘true‘,

            ‘email‘: email,

session = requests.session()

content = session.post(url, headers = headers_base, data = login_data)

s = session.get("http://www.zhihu.com", verify = False)

print s.text.encode(‘utf-8‘)
 

(2)利用cookie进行登录

post = {

            ‘ua‘:self.ua,

            ‘TPL_checkcode‘:‘‘,

            ‘CtrlVersion‘: ‘1,0,0,7‘,

            ‘TPL_password‘:‘‘,

}

#将POST的数据进行编码转换

postData = urllib.urlencode(post)

cookie = cookielib.LWPCookieJar()

cookieHandler = urllib2.HTTPCookieProcessor(cookie)

opener = urllib2.build_opener(cookieHandler, urllib2.HTTPHandler)

#第一次登录获取验证码尝试，构建request

request = urllib2.Request(loginURL,postData,loginHeaders)

#得到第一次登录尝试的相应

response = self.opener.open(request)

#获取其中的内容

content = response.read().decode(‘gbk‘)

 

网站常用的编码方式有utf8,gbk,gb2132,gb18030等

 

6、代理的使用

同一个Ip设备在短时间内访问一个服务器次数过多会被服务器禁止访问，所以很多时候我们都需要用天代理来帮助我们解决这个问题。方法如下：

 

proxy_support = urllib.request.ProxyHandler({类型：代理ip和端口号})

opner = urllib.request.build_opener(proxy_suppoert)

urllib.request.install_opener(opener)        #可选

opener.open(url)                                      #或直接调用opener代理

 

注：如想实现更复杂的可使用更全面的scrapy框架。

 

附：自己写的一个验证网上代理的有效性的爬虫，此爬虫先从网站上获取代理的地址，然后使用这个代理来访问百度，验证是否能得到百度的网页，如能则将此代理地址保存。

 1 import threading,time,pickle,re
 2 import urllib.request
 3 
 4 class ProxyCheck(threading.Thread):
 5     def __init__(self,proxylist):
 6         threading.Thread.__init__(self)
 7         self.proxylist = proxylist
 8         self.timeout = 5
 9         self.test_url = ‘http://www.baidu.com‘
10         self.test_str = ‘11000002000001‘
11         self.checkedProxyList = []
12 
13     def checkProxy(self):
14         cookies = urllib.request.HTTPCookieProcessor()
15         for proxy in self.proxylist:
16             proxy_handler = urllib.request.ProxyHandler({‘http‘:r‘%s://%s:%s‘ %(proxy[0],proxy[1],proxy[2])})
17             opener = urllib.request.build_opener(cookies,proxy_handler)
18             opener.addheaders = [(‘User-Agent‘, ‘Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 ‘
19                                                 ‘(KHTML, like Gecko) Chrome/54.0.2840.99 Safari/537.36‘)]
20             urllib.request.install_opener(opener)
21             t1 = time.time()
22             try:
23                 req = urllib.request.urlopen(self.test_url,timeout=self.timeout)
24                 result = req.read().decode(‘utf-8‘)
25                 timeused = time.time() - t1
26                 pos = result.find(self.test_str)
27                 if pos > 1:
28                     self.checkedProxyList.append((proxy[0],proxy[1],proxy[2],proxy[3],timeused))
29                     print((proxy[0],proxy[1],proxy[2],proxy[3],timeused))
30                 else:
31                     continue
32             except:
33                 continue
34     # def sort(self):
35     #     sorted(self.checkedProxyList,cmp=lambda x,y:cmp(x[4],y[4]))
36     def save(self,filename):
37         with open("%s.txt"%filename,‘w‘) as f:
38             for proxy in self.checkedProxyList:
39                 f.write("{}\t{}:{}\t{}\t{}\n".format(*proxy))
40         with open("%s.pickle"%filename,‘wb‘) as fb:
41             pickle.dump(self.checkedProxyList,fb)
42 
43     def run(self):
44         self.checkProxy()
45         self.save("checked-50")
46 
47 
48 class xiciProxy:
49     def __init__(self):
50         self.alllist = []
51     def grep(self,url):
52         # req = urllib.request.Request(url)
53         # req.add_header(‘User-Agent‘, ‘Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 ‘
54         #                             ‘(KHTML, like Gecko) Chrome/54.0.2840.99 Safari/537.36‘)
55 
56 
57         result1 = urllib.request.urlopen(req)
58         result2 = result1.read().decode(‘utf-8‘)
59 
60         regex = r"<td>(\d+.\d+.\d+.\d+)</td>\n.*?" 61                 r"<td>(\d+)</td>\n.*?" 62                 r"\n.*?" 63                 r"<a href=.*?>(.*?)</a>\n.*?" 64                 r"\n.*?" 65                 r"\n.*?" 66                 r"<td>(HTTPS?)</td>"
67         get = re.findall(regex,result2)
68         proxylist = []
69         for i in get:
70             proxylist.append((i[3],i[0],i[1],i[2]))
71         return proxylist
72     def save(self,filename):
73         with open("%s.txt"%filename,‘w‘) as f:
74             for proxy in self.alllist:
75                 f.write("{}\t{}:{}\t{}\n".format(*proxy))
76         with open("%s.pickle"%filename,‘wb‘) as fb:
77             pickle.dump(self.alllist,fb)
78     def run(self):
79         for i in range(51,1951):
80             url = "http://www.xicidaili.com/nn/{}".format(i)
81             print(url)
82             proxylist = self.grep(url)
83             self.alllist += proxylist
84             if i % 50 == 0:
85                 self.save("xiciproxy-{}".format(i))
86                 self.alllist = []
87 
88 with open("xiciproxy-50.pickle","rb") as fb:
89     proxylist = pickle.load(fb)
90 ProxyCheck(proxylist).run()