天天看点

Python爬虫二(Urllib库的基本使用和高级用法)

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。

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爬虫二(Urllib库的基本使用和高级用法)

那么我们来分析这两行代码,第一行

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:

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。

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:

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!

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

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。

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。

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。

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csdn还有个流水号的字段,没有设置全,比较复杂在这里就不写上去了,在此只是说明登录的原理。一般的登录网站一般是这种写法。

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,返回的便是post后呈现的页面内容。

注意上面字典的定义方式还有一种,下面的写法是等价的

以上方法便实现了post方式的传送

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。

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

有些网站不会同意程序直接用上面的方式进行访问,如果识别有问题,那么站点根本不会响应,所以为了完全模拟浏览器的工作,我们需要设置一些headers 的属性。

首先,打开我们的浏览器,调试浏览器f12,我用的是chrome,打开网络监听,示意如下,比如知乎,点登录之后,我们会发现登陆之后界面都变化了,出现一个新的界面,实质上这个页面包含了许许多多的内容,这些内容也不是一次性就加载完成的,实质上是执行了好多次请求,一般是首先请求html文件,然后加载js,css 等等,经过多次请求之后,网页的骨架和肌肉全了,整个网页的效果也就出来了。

Python爬虫二(Urllib库的基本使用和高级用法)

拆分这些请求,我们只看一第一个请求,你可以看到,有个request url,还有headers,下面便是response,图片显示得不全,小伙伴们可以亲身实验一下。那么这个头中包含了许许多多是信息,有文件编码啦,压缩方式啦,请求的agent啦等等。

其中,agent就是请求的身份,如果没有写入请求身份,那么服务器不一定会响应,所以可以在headers中设置agent,例如下面的例子,这个例子只是说明了怎样设置的headers,小伙伴们看一下设置格式就好。

这样,我们设置了一个headers,在构建request时传入,在请求时,就加入了headers传送,服务器若识别了是浏览器发来的请求,就会得到响应。

另外,我们还有对付”反盗链”的方式,对付防盗链,服务器会识别headers中的referer是不是它自己,如果不是,有的服务器不会响应,所以我们还可以在headers中加入referer

例如我们可以构建下面的headers

同上面的方法,在传送请求时把headers传入request参数里,这样就能应付防盗链了。

另外headers的一些属性,下面的需要特别注意一下:

user-agent : 有些服务器或 proxy 会通过该值来判断是否是浏览器发出的请求 content-type : 在使用 rest 接口时,服务器会检查该值,用来确定 http body 中的内容该怎样解析。 application/xml : 在 xml rpc,如 restful/soap 调用时使用 application/json : 在 json rpc 调用时使用 application/x-www-form-urlencoded : 浏览器提交 web 表单时使用 在使用服务器提供的 restful 或 soap 服务时, content-type 设置错误会导致服务器拒绝服务

其他的有必要的可以审查浏览器的headers内容,在构建时写入同样的数据即可。

urllib2 默认会使用环境变量 http_proxy 来设置 http proxy。假如一个网站它会检测某一段时间某个ip 的访问次数,如果访问次数过多,它会禁止你的访问。所以你可以设置一些代理服务器来帮助你做工作,每隔一段时间换一个代理,网站君都不知道是谁在捣鬼了,这酸爽!

下面一段代码说明了代理的设置用法

上一节已经说过urlopen方法,第三个参数就是timeout设置,可以设置等待多久超时,为了解决一些网站响应过慢而造成的影响。

例如下面的代码,如果第二个参数data为空那么要特别指定是timeout是多少,写明形参,如果data已经传入,则不必声明。

http协议有六种请求方法,get,head,put,delete,post,options,我们有时候需要用到put方式或者delete方式请求。

put:这个方法比较少见。html表单也不支持这个。本质上来讲, put和post极为相似,都是向服务器发送数据,但它们之间有一个重要区别,put通常指定了资源的存放位置,而post则没有,post的数据存放位置由服务器自己决定。 delete:删除某一个资源。基本上这个也很少见,不过还是有一些地方比如amazon的s3云服务里面就用的这个方法来删除资源。

如果要使用 http put 和 delete ,只能使用比较低层的 httplib 库。虽然如此,我们还是能通过下面的方式,使 urllib2 能够发出 put 或delete 的请求,不过用的次数的确是少,在这里提一下。

可以通过下面的方法把 debug log 打开,这样收发包的内容就会在屏幕上打印出来,方便调试,这个也不太常用,仅提一下