网络爬虫：利用有道实现“语言翻译”功能

基本代码

代码如下：

import urllib.request
import urllib.parse
import json

def main():
    while True:
        content=input("请输入需要翻译的内容（退出输入q）：")
        if content in ("Q","q","quit"):
            break
        else:
            url="http://fanyi.youdao.com/translate?smartresult=dict&smartresult=rule&smartresult=ugc&sessionFrom=null"

            data={}
            data["type"]="AUTO"
            data["i"] = content
            data["doctype"] = "json"
            data["xmlVersion"] = "1.8"
            data["keyfrom"] = "fanyi.web"
            data["ue"] = "utf-8"
            data["action"] = "FY_BY_CLICKBUTTON"
            data["typoResult"] = "true"
            data=urllib.parse.urlencode(data).encode("utf-8")

            # 增加headers，模拟登陆，而不是对服务器识别为机器登陆。
            headers={}
            headers["User-Agent"]="Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/45.0.2454.101 Safari/537.36"

            req=urllib.request.Request(url,data,headers)

            #或者使用Request.add_header(key,value)
            # req=urllib.request.Request(url,data)
            # req.add_header("User-Agent","Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/45.0.2454.101 Safari/537.36")

            response=urllib.request.urlopen(req)
            html=response.read().decode("utf-8")

            target=json.loads(html)
            # print (type(target))
            # print (target["translateResult"])
            # print (target["translateResult"][0][0])
            print("翻译的结果为：%s" %(target["translateResult"][0][0]["tgt"]))

if __name__=="__main__":
    main()

分析：
（1）这里要注意的是三个函数urllib.request.Request(),urllib.request.urlopen()与urllib.parse.urlencode()。

urllib.request.Request(url, data=None, headers={}, origin_req_host=None, unverifiable=False, method=None)这个类是一个抽象的URL请求。

urllib.request.urlopen(url, data=None, [timeout, ]*, cafile=None, capath=None, cadefault=False, context=None)。因此urllib.request.urlopen()其实不止一个参数，有好几个哦，其中第二个是data，data应该是一个buffer的标准应用程序/ x-www-form-urlencoded格式（python标准库原文：data should be a buffer in the standard application/x-www-form-urlencoded format）。

urllib.parse.urlencode()函数接受一个映射或序列集合,并返回一个字符串的格式（python标准库原文：The urllib.parse.urlencode() function takes a mapping or sequence of 2-tuples and returns a string in this format）。

（2）分析URL，此时分析有道翻译页面真实的Request URL

Request URL:
http://fanyi.youdao.com/translate?smartresult=dict&smartresult=rule&smartresult=ugc&sessionFrom=null

（3）Data为字典
type:AUTO
i:I love you
doctype:json
xmlVersion:1.8
keyfrom:fanyi.web
ue:UTF-8
action:FY_BY_CLICKBUTTON
typoResult:true

（4）headers 应该是一个字典，如果 add_header()被称为与每个键和值作为参数。这通常是用来“恶搞” User-Agent头的值，因为使用一个浏览器识别本身——一些常见HTTP服务器只允许请求来自浏览器而不是脚本。例如，Mozilla Firefox可能识别本身 “Mozilla/5.0 (X11; U; Linux i686) Gecko/20071127 Firefox/2.0.0.11”。而 urllib默认的用户代理字符串 是”Python-urllib/2.6”在Python 2.6（）。

（5）存储为json格式，则使用json.load()方法

target=json.loads(html)

结果为：
{‘errorCode’: 0, ‘smartResult’: {‘entries’: [”, ‘我爱你。’], ‘type’: 1}, ‘elapsedTime’: 0, ‘translateResult’: [[{‘tgt’: ‘我爱你’, ‘src’: ‘I love you’}]], ‘type’: ‘EN2ZH_CN’}

我看到翻译的结果在这里：
‘translateResult’: [[{‘tgt’: ‘我爱你’, ‘src’: ‘I love you’}]]。包含在字典的Value里，外面有2层列表，里面还有一层字典。

添加代理

但是，对于网站服务器，会发现同一个IP在短时间内有大量的登录，识别是爬虫。因为，即使现在我们修改了 User-Agent，也不起作用。此时的做法有两种：

1. 笨方法，修改访问时间

修改每次访问的时间，比如每5秒钟访问一次服务器，这样效率太低。

import urllib.request
import urllib.parse
import json
import time

def main():
    while True:
        content=input("请输入需要翻译的内容（退出输入q）：")
        if content in ("Q","q","quit"):
            break
        else:
            url="http://fanyi.youdao.com/translate?smartresult=dict&smartresult=rule&smartresult=ugc&sessionFrom=null"

            data={}
            data["type"]="AUTO"
            data["i"] = content
            data["doctype"] = "json"
            data["xmlVersion"] = "1.8"
            data["keyfrom"] = "fanyi.web"
            data["ue"] = "utf-8"
            data["action"] = "FY_BY_CLICKBUTTON"
            data["typoResult"] = "true"
            data=urllib.parse.urlencode(data).encode("utf-8")

            # 增加headers，模拟登陆，而不是对服务器识别为机器登陆。
            headers={}
            headers["User-Agent"]="Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/45.0.2454.101 Safari/537.36"

            req=urllib.request.Request(url,data,headers)

            #或者使用Request.add_header(key,value)
            # req=urllib.request.Request(url,data)
            # req.add_header("User-Agent","Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/45.0.2454.101 Safari/537.36")

            response=urllib.request.urlopen(req)
            html=response.read().decode("utf-8")

            target=json.loads(html)
            # print (type(target))
            # print (target["translateResult"])
            # print (target["translateResult"][0][0])
            print("翻译的结果为：%s" %(target["translateResult"][0][0]["tgt"]))

        time.sleep(5)

if __name__=="__main__":
    main()

（2）聪明方法：使用代理

步骤为：
1.参数是一个字典{“类型”:”代理ip:端口号”}
proxy_support=urllib.request.ProxyHandler({})
2.定制、创建一个opener
opener=urllib.request.build_opener(proxy_support)
3a.安装opener
urllib.request.install_opener(opener)
3b.调用opener
opener.open(url)

import urllib.request
import urllib.parse
import json

def main():
    while True:
        content=input("请输入需要翻译的内容（退出输入q）：")
        if content in ("Q","q","quit"):
            break
        else:

            url="http://fanyi.youdao.com/translate?smartresult=dict&smartresult=rule&smartresult=ugc&sessionFrom=null"

            data={}
            data["type"]="AUTO"
            data["i"] = content
            data["doctype"] = "json"
            data["xmlVersion"] = "1.8"
            data["keyfrom"] = "fanyi.web"
            data["ue"] = "utf-8"
            data["action"] = "FY_BY_CLICKBUTTON"
            data["typoResult"] = "true"
            data=urllib.parse.urlencode(data).encode("utf-8")

            #百度搜索免费代理IP即可
            #比如：125.46.64.91     端口号：8080   地址：河南驻马店
            proxy_support = urllib.request.ProxyHandler({"http": "125.46.64.91:8080"})
            opener = urllib.request.build_opener(proxy_support)
            opener.addheaders = [("User-Agent",
                                  "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/45.0.2454.101 Safari/537.36")]
            urllib.request.install_opener(opener)

            req = urllib.request.Request(url,data)
            response = urllib.request.urlopen(req)
            html = response.read().decode("utf-8")

            target=json.loads(html)
            print("翻译的结果为：%s" %(target["translateResult"][0][0]["tgt"]))

if __name__=="__main__":
    main()