Python爬虫开发【第1篇】【urllib2】

时间 2019-11-24

原文原文链接

一、urlopenhtml

# urllib2_urlopen.py

# 导入urllib2 库
import urllib2

# 向指定的url发送请求，并返回服务器响应的类文件对象，urlopen中有data参数为POST请求，无data参数为GET请求
response = urllib2.urlopen("http://www.baidu.com")

# 类文件对象支持 文件对象的操做方法，如read()方法读取文件所有内容，返回字符串
html = response.read()

# 打印字符串
print html
执行写的python代码，将打印结果

二、requestpython

# urllib2_request.py

import urllib2

# url 做为Request()方法的参数，构造并返回一个Request对象
request = urllib2.Request("http://www.baidu.com")

# Request对象做为urlopen()方法的参数，发送给服务器并接收响应
response = urllib2.urlopen(request)

html = response.read()

print html

三、user_agent（用户代理）web

#urllib2_useragent.py

import urllib2

url = "http://www.itcast.cn"

#IE 9.0 的 User-Agent，包含在 ua_header里
ua_header = {"User-Agent" : "Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; Trident/5.0;"} 

#  url 连同 headers，一块儿构造Request请求，这个请求将附带 IE9.0 浏览器的User-Agent
request = urllib2.Request(url, headers = ua_header)

# 向服务器发送这个请求
response = urllib2.urlopen(request)

html = response.read()
print html

四、更多Header信息ajax

在 HTTP Request 中加入特定的 Header，来构造一个完整的HTTP请求消息。json

添加一个特定的header
# urllib2_headers.py

import urllib2

url = "http://www.itcast.cn"

#IE 9.0 的 User-Agent
header = {"User-Agent" : "Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; Trident/5.0;"} 
request = urllib2.Request(url, headers = header)

#也能够经过调用Request.add_header() 添加/修改一个特定的header
request.add_header("Connection", "keep-alive")

# 也能够经过调用Request.get_header()来查看header信息
# request.get_header(header_name="Connection")

response = urllib2.urlopen(req)

print response.code     #能够查看响应状态码
html = response.read()

print html


随机添加/修改User-Agent
# urllib2_add_headers.py

import urllib2
import random

url = "http://www.itcast.cn"

ua_list = [
    "Mozilla/5.0 (Windows NT 6.1; ) Apple.... ",
    "Mozilla/5.0 (X11; CrOS i686 2268.111.0)... ",
    "Mozilla/5.0 (Macintosh; U; PPC Mac OS X.... ",
    "Mozilla/5.0 (Macintosh; Intel Mac OS... "
]

user_agent = random.choice(ua_list)

request = urllib2.Request(url)

#也能够经过调用Request.add_header() 添加/修改一个特定的header
request.add_header("User-Agent", user_agent)

# 第一个字母大写，后面的所有小写
request.get_header("User-agent")

response = urllib2.urlopen(req)

html = response.read()
print html

五、urllib和urllib2浏览器

urllib 仅能够接受URL，不能建立设置了headers 的Request 类实例
urllib 提供 urlencode 方法用来GET查询字符串的产生，而 urllib2 则没有
编码使用urllib的urlencode()函数，帮咱们将key:value这样的键值对转换成"key=value"这样的字符串，解码使用urllib的unquote()函数

六、GET请求：用于咱们向服务器获取数据安全

批量抓取贴吧页面数据

# 模拟 main 函数
if __name__ == "__main__":

    kw = raw_input("请输入须要爬取的贴吧:")
    # 输入起始页和终止页，str转成int类型
    beginPage = int(raw_input("请输入起始页："))
    endPage = int(raw_input("请输入终止页："))

    url = "http://tieba.baidu.com/f?"
    # 参数是一个dict类型，urlencode是中文进行转码 
　　  key = urllib.urlencode({"kw" : kw})

    # 组合后的url示例：http://tieba.baidu.com/f?kw=lol
    url = url + key
    tiebaSpider(url, beginPage, endPage)

接下来，咱们写一个百度贴吧爬虫接口，咱们须要传递3个参数给这个接口， 一个是main里组合的url地址，以及起始页码和终止页码，表示要爬取页码的范围。
def tiebaSpider(url, beginPage, endPage):
    """
        做用：负责处理url，分配每一个url去发送请求
        url：须要处理的第一个url
        beginPage: 爬虫执行的起始页面
        endPage: 爬虫执行的截止页面
    """


    for page in range(beginPage, endPage + 1):
        pn = (page - 1) * 50

        filename = "第" + str(page) + "页.html"
        # 组合为完整的 url，而且pn值每次增长50
        fullurl = url + "&pn=" + str(pn)
        #print fullurl

        # 调用loadPage()发送请求获取HTML页面
        html = loadPage(fullurl, filename)
        # 将获取到的HTML页面写入本地磁盘文件
        writeFile(html, filename)

将爬取网页的代码封装成一个小函数loadPage，供咱们使用。
def loadPage(url, filename):
    '''
        做用：根据url发送请求，获取服务器响应文件
        url：须要爬取的url地址
        filename: 文件名
    '''
    print "正在下载" + filename

    headers = {"User-Agent": "Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; Trident/5.0;"}

    request = urllib2.Request(url, headers = headers)
    response = urllib2.urlopen(request)
    return response.read()

最后若是咱们但愿将爬取到了每页的信息存储在本地磁盘上，咱们能够简单写一个存储文件的接口。
def writeFile(html, filename):
    """
        做用：保存服务器响应文件到本地磁盘文件里
        html: 服务器响应文件
        filename: 本地磁盘文件名
    """
    print "正在存储" + filename
    with open(filename, 'w') as f:
        f.write(html)
    print "-" * 20

总结：服务器

GET请求爬虫过程

# urllib2_get.py import urllib #负责url编码处理 import urllib2 url = "http://www.baidu.com/s" word = {"wd":"传智播客"} word = urllib.urlencode(word) #转换成url编码格式（字符串） newurl = url + "?" + word # url首个分隔符就是 ? headers={ "User-Agent": "Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) 
　　　　　　Chrome/51.0.2704.103 Safari/537.36"} 
# 发送请求 request = urllib2.Request(newurl, headers=headers)　　 # 获取响应 response = urllib2.urlopen(request) print response.read()

七、POST请求：Request请求对象的里有data参数，它就是用在POST里的，咱们要传送的数据就是这个参数data，data是一个字典，里面要匹配键值对cookie

import urllib
import urllib2

# POST请求的目标URL
url = "http://fanyi.youdao.com/translate?smartresult=dict&smartresult=rule&smartresult=ugc&sessionFrom=null"

headers={"User-Agent": "Mozilla...."}

formdata = {
    "type":"AUTO",
    "i":"i love python",
    "doctype":"json",
    "xmlVersion":"1.8",
    "keyfrom":"fanyi.web",
    "ue":"UTF-8",
    "action":"FY_BY_ENTER",
    "typoResult":"true"
}

data = urllib.urlencode(formdata)

request = urllib2.Request(url, data = data, headers = headers) response = urllib2.urlopen(request) 
print response.read()

发送POST请求时，须要特别注意headers的一些属性：

Content-Length: 144：是指发送的表单数据长度为144，也就是字符个数是144个。
X-Requested-With: XMLHttpRequest ：表示Ajax异步请求。
Content-Type: application/x-www-form-urlencoded ：表示浏览器提交 Web 表单时使用，表单数据会按照 name1=value1&name2=value2 键值对形式进行编码。

八、获取AJAX加载的内容session

有些网页内容使用AJAX加载，AJAX通常返回的是JSON，直接对AJAX地址进行post或get，就返回JSON数据

import urllib
import urllib2

# demo1 
url = "https://movie.douban.com/j/chart/top_list?type=11&interval_id=100%3A90&action"

headers={"User-Agent": "Mozilla...."}

# 变更的是这两个参数，从start开始日后显示limit个
formdata = {
    'start':'0',
    'limit':'10'
}
data = urllib.urlencode(formdata)

request = urllib2.Request(url, data = data, headers = headers)
response = urllib2.urlopen(request)

print response.read()


# demo2

url = "https://movie.douban.com/j/chart/top_list?"
headers={"User-Agent": "Mozilla...."}

# 处理全部参数
formdata = {
    'type':'11',
    'interval_id':'100:90',
    'action':'',
    'start':'0',
    'limit':'10'
}
data = urllib.urlencode(formdata)

request = urllib2.Request(url, data = data, headers = headers)
response = urllib2.urlopen(request)

print response.read()

九、处理HTTPS请求 SSL证书验证

https 开头的网站，urllib2能够为 HTTPS 请求验证SSL证书，就像web浏览器同样，若是网站的SSL证书是通过CA认证的，则可以正常访问

若是SSL证书验证不经过，或者操做系统不信任服务器的安全证书，好比浏览器在访问12306网站如：https://www.12306.cn/mormhweb/的时候，

会警告用户证书不受信任。

urllib2在访问的时候则会报出SSLError：

import urllib2

url = "https://www.12306.cn/mormhweb/"

headers = {"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) 
　　　　　　　　Chrome/54.0.2840.99 Safari/537.36"}

request = urllib2.Request(url, headers = headers)

response = urllib2.urlopen(request)

print response.read()
运行结果：

urllib2.URLError: <urlopen error [SSL: CERTIFICATE_VERIFY_FAILED] certificate verify failed (_ssl.c:590)> 因此，若是之后遇到这种网站，咱们须要单独处理SSL证书，让程序忽略SSL证书验证错误，便可正常访问。 import urllib
import urllib2
# 1. 导入Python SSL处理模块
import ssl

# 2. 表示忽略未经核实的SSL证书认证
context = ssl._create_unverified_context()

url = "https://www.12306.cn/mormhweb/"

headers = {"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) 
　　　　　　　　Chrome/54.0.2840.99 Safari/537.36"}

request = urllib2.Request(url, headers = headers)

# 3. 在urlopen()方法里 指明添加 context 参数
response = urllib2.urlopen(request, context = context)

print response.read()

十、cookie模拟登录

import urllib
import urllib2

url = 'www.renren.com'

头文件中写入cookie信息，可是须要将Accept -Encoding字段注释掉，不然服务器会对返回的内容进行压缩，致使返回数据，出现乱码

headers = {*********}

request = urllib2.Request(url,headers=headers)

response = urllib2.urlopen(request)