相关内容均学自《精通Python网络爬虫》
Urllib库的简单调用
快速爬取网页
# eg 1:
import urllib.request
file = urllib.request.urlopen('http://www.baidu.com')
data = file.read()
print(data)
会输出百度首页的html代码。
# eg 2:
file = open('C:/Users/Administrator/Desktop/baidu.html','wb')
file.write(data)
file.close()
会在桌面生成一个html文件,打开后发现爬取了图片以外的大部分(所有?)内容。
# eg 3:
file = urllib.request.urlretrieve('http://www.baidu.com',filename = 'C:/Users/Administrator/Desktop/baidu_another_way.html')
效果同面上的例子。
# 其他语句
urllib.request.urlcleanup() # 清除urlretrieve的缓存
file.info() # 返回与当前环境有关的信息(?)
file.getcode() # 返回状态码200说明响应正确
file.geturl() # 获取当前爬取的url地址
urllib.request.quote('http://...') # 编码不符合URL标准的地址
urllib.request.unquote('http://...') # 解码地址
以上语句待以后需要时进一步学习。
Headers属性
import urllib.request
url = 'http://...'
file = urllib.request.urlopen(url)
如果上述程序运行后出现了403错误,可以让爬虫模拟成浏览器来爬取网页。暂时还没有找到会出现403错误的网页,很尴尬。
模拟方法如下。
# 首先需要用浏览器,获得需要爬取网页的User-Agent字段的内容
# 该字段内容似乎是固定的,获取一次就好,保存起来以后也可以用
# eg 4 使用build_opener()修改报头
import urllib.request
url = 'http://...'
headers = ('User-Agent','User-Agent字段内容')
opener = urllib.request.build_opener() # 创建opener对象
opener.addheaders = [headers]
data = opener.open(url).read() # 网页内容存在了data中
但是,目前仍然用不上。
还有另外一种方法。
# 使用add_header()添加报头
import urllib.request
url = 'http://...'
req = urllib.request.Request(url) # 创建一个Request对象
req.add_header('User-Agent','User-Agent字段内容')
data = urllib.request.urlopen(req).read()
两种方法大同小异。
超时设置
# 在urlopen()中设置timeout参数
import urllib.request
for i in range(1,100):
try:
file = urllib.request.urlopen('http://yum.iqianyue.com',timeout = 1)
data = file.read()
print(len(data))
except Exception as e:
print('出现异常-->'+str(e))
HTTP协议请求
GET请求
import urllib.request
keywd = 'hello'
url = 'http://www.baidu.com/s?wd='+keywd
req = urllib.request.Request(url)
data = urllib.request.urlopen(req).read()
fhandle = open('C:/Users/Administrator/Desktop/search_hello.html','wb')
fhandle.write(data)
fhandle.close()
如果检索中文信息。
import urllib.request
url = 'http://www.baidu.com/s?wd='
key = '海贼王'
key_code = urllib.request.quote(key)
url_all = url+key_code
req = urllib.request.Request(url_all)
data = urllib.request.urlopen(req).read()
fhandle = open('C:/Users/Administrator/Desktop/search_hzw.html','wb')
fhandle.write(data)
fhandle.close()
POST请求
import urllib.request
import urllib.parse
url = 'http://www.iqianyue.com/mypost/'
postdata = urllib.parse.urlencode({'name':'ceo@iqianyue.com','pass':'aA123456'}).encode('utf-8')
req = urllib.request.Request(url,postdata)
req.add_header('User-Agent','Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/62.0.3202.62 Safari/537.36 SE 2.X MetaSr 1.0')
data = urllib.request.urlopen(req).read()
fhandle = open('C:/Users/Administrator/Desktop/post_test.html','wb')
fhandle.write(data)
fhandle.close()
代理服务器的设置
用同一个IP去爬取同一个网页,久了之后就会被该网站的服务器屏蔽。
可以用代理服务器解决该问题。
搜索到代理服务器的IP和端口号后,有如下程序。
def use_proxy(proxy_addr,url):
import urllib.request
proxy = urllib.request.ProxyHandler({'http':proxy_addr})
opener = urllib.request.build_opener(proxy,urllib.request.HTTPHandler)
urllib.request.install_opener(opener)
data = urllib.request.urlopen(url).read().decode('utf-8')
return data
proxy_addr = '61.155.164.112:3128'
data = use_proxy(proxy_addr,'http://www.baidu.com')
print(len(data))
尝试了很多代理IP,发现最好采用存活时间长,验证时间短的IP代理,成功率高。
DebugLog
这个功能,菜鸡水平的我暂时还用不上吧。
import urllib.request
httphd = urllib.request.HTTPHandler(debuglevel = 1)
httpshd = urllib.request.HTTPSHandler(debuglevel = 1)
opener = urllib.request.build_opener(httphd,httpshd)
urllib.request.install_opener(opener)
data = urllib.request.urlopen('http://...')
异常处理-URLError
异常处理类:URLError,有子类HTTPError。
import urllib.request
import urllib.error
try:
urllib.request.urlopen('http://blog.csdn.net')
print('ojbk')
except urllib.error.URLError as e:
print(e.code)
print(e.reason)
实际上,CSDN现在允许爬取博客。不会出现错误。
经常使用以下代码整合URLError以及HTTPError。
import urllib.request
import urllib.error
try:
urllib.request.urlopen('http://blog.csdn.net')
except urllib.error.URLError as e:
if hasattr(e,'code'):
print(e.code)
if hasattr(e,'reason'):
print(e.reason)