Python爬虫的urlib的学习(学习于b站尚硅谷)

目录


  说明:该文章是学习 尚硅谷在B站上分享的视频 Python爬虫教程小白零基础速通p51-104而记录的笔记,笔记来源于本人,关于python基础可以去CSDN上阅读本人学习黑马程序员的笔记。 若有侵权,请联系本人删除。笔记难免可能出现错误或笔误,若读者发现笔记有错误,欢迎在评论里批评指正。 请合法合理使用爬虫,不爬取任何涉密以及涉及隐私的内容,合理控制请求次数,爬取的内容未经授权请不要用于商用,保护自己,免受牢狱之灾。
在这里插入图片描述
在这里插入图片描述

一、页面结构的介绍

  1.学习目标

  1简单了解html的基础语法。

  2.为什么要了解页面(html)

  如图,比如打开京东的页面,如果对京东售卖物品的分类感兴趣,想要爬取左侧信息。右键,打开检查。
在这里插入图片描述
  之后,可以看到该网页的html代码,我们需要它的标签结构后,才能针对需要的汉字进行爬取。
在这里插入图片描述

  3. html中的标签(仅介绍了含表格、无序列表、有序列表、超链接)

  HTML是超文本标记语言(HyperText Markup Language)的缩写,是一种用于创建网页结构和内容的标记语言。它是构建和呈现网页的基本语言,用于描述网页的结构,包括文本、图像、链接、多媒体等元素的布局和排版。
在这里插入图片描述
在这里插入图片描述在这里插入图片描述在这里插入图片描述

  4.本节的演示

  如下图所示,打开软件,创建一个包含名为“爬虫的学习(尚硅谷)”文件夹的项目,然后创建文件“051_页面结构的介绍.html”。
在这里插入图片描述在这里插入图片描述在这里插入图片描述
  编写代码后,直接点击浏览器,查看对应效果。代码如下,可参考注释进行理解。

<!DOCTYPE html>
<html lang="en">
    <head>
        <meta charset="UTF-8">  <!-- 字符编码格式为UTF-8 -->
        <title>标题</title>  <!-- html的标题名 -->
    </head>

    <body>

        <!-- # 表格,属性为:宽度width="200px" 高度height="20px" 边框border="1px"-->
        <table width="200px" height="20px" border="1px">
            <tr>  <!-- 行 -->
                <td>    <!-- 列 -->
                    姓名  <!-- 第1列第1行为为“姓名” -->
                </td>
                <td>
                    年龄
                </td>
                <td>
                    性别
                </td>
            </tr>
            <tr>
                <td>
                    张三
                </td>
                <td>
                    18
                </td>
                <td></td>
            </tr>
        </table>

        <!-- ul li 无序列表  爬虫的使用场景非常之多 -->
        <ul>
            <li>铁锅炖大鹅</li>  <!-- 出现:一点 + 铁锅炖大鹅 -->
            <li>小鸡炖蘑菇</li>
            <li>锅包肉</li>
        </ul>

        <!-- ol li 有序列表 -->
        <ol> <!--   早起步骤-->
            <li>穿上衣服</li>
            <li>下床</li>
            <li>洗漱</li>
        </ol>

        <!-- a 超链接,“”中填写域名(对应网址),><中填写超链接的名字   -->
        <a href="http://www.atguigu.com/">尚硅谷</a>

    </body>

</html>

在这里插入图片描述

二、Urllib

  1.什么是互联网爬虫?

在这里插入图片描述
  如果我们把互联网比作一张大的蜘蛛网,那一台计算机上的数据便是蜘蛛网上的一个猎物,而爬虫程序就是一只小蜘蛛,沿着蜘蛛网抓取自己想要的数据。

解释1:通过一个程序,根据Url(如http:/www.taobao.com)进行爬取网页,获取有用信息
解释2:使用程序模拟浏览器,去向服务器发送请求,获取响应信息

  2.爬虫核心

1.爬取网页:爬取整个网页包含了网页中所有的内容
2.解析数据:将网页中得到的数据进行解析
3.难点:爬虫和反爬虫之间的博弈

  3.爬虫的用途

在这里插入图片描述

  4.爬虫的分类(通用爬虫、聚焦爬虫)

在这里插入图片描述在这里插入图片描述

  5.反爬手段

在这里插入图片描述

  6.urllib库使用

在这里插入图片描述

  7.获取百度的页面源码的演示

  本次将以获取百度的页面源码为例,进行演示。首先,如下图,查看百度的页面源代码,知道待会需要获取的内容。然后从其中的html代码中找到编码格式,即html中的charset的值。
在这里插入图片描述在这里插入图片描述
  先打开软件,创建一个名为“053_urllib的基本使用”的py文件。
在这里插入图片描述在这里插入图片描述
  编写代码并运行。代码如下,可参考注释进行理解。然后将鼠标的光标放到运行结果上,使用搜索快捷键Ctr+F,可以搜索到“百度”。

"""
使用urllib来获取百度首页的源码
"""

import urllib.request

# 1.定义一个url,即要访问的地址
url = 'http://www.baidu.com'

# 2.模拟浏览器向服务器发送请求,即使用urlopen模拟浏览器打开网址
#   ---> 服务器收到请求后,会进行反馈,包含状态码、页内源码、URL地址等等
response = urllib.request.urlopen(url)

# 3.获取响应中的页面的源码
# read方法 返回的是字节形式的二进制数据 ————数据为b'....'的形式
# 需要将二进制的数据转换成字符串
# 解码 (二进制 ---> 字符串)   decode('编码格式')  编码格式对应于html中的charset的值
content = response.read().decode('UTF-8')

# 4.打印数据
print(content)

在这里插入图片描述

  8. urllib的1个类型和6个方法的演示

  (1)数据类型是HTTPResponse

  创建一个名为“054_urllib的1个类型和6个方法”的py文件。
在这里插入图片描述
  首先,如下编写代码,发现传回的数据类型是HTTPResponse,需要记住。

"""
urllib的1个类型和6个方法的演示
"""
import urllib.request

url = "http://www.baidu.com"

# 模拟浏览器向服务器发送请求
response =urllib.request.urlopen(url)

# 一个类型和六个方法
# response是HTTPResponse的类型
print(type(response))

在这里插入图片描述

  (2)read()方法

  read()方法是按照一字节一字节的方式读取数据,故效率不是很高,如下编写代码并运行。

"""
urllib的1个类型和6个方法的演示
"""
import urllib.request

url = "http://www.baidu.com"

# 模拟浏览器向服务器发送请求
response = urllib.request.urlopen(url)

# 一个类型和六个方法
# response是HTTPResponse的类型
# # - 1个类型
# print(type(response))

# - 6个方法
# 按照一字节一字节的方式读取数据
content = response.read()
print(content)

在这里插入图片描述
  如下图所示,仅仅在方法read()里面加一个数字“5”,可以达到仅读取5个字节的效果。
在这里插入图片描述

  (3)readline()方法与readlines()

  readline()方法仅仅只读取一行,如下编程并运行。

"""
urllib的1个类型和6个方法的演示
"""
import urllib.request

url = "http://www.baidu.com"

# 模拟浏览器向服务器发送请求
response = urllib.request.urlopen(url)

# 一个类型和六个方法
# response是HTTPResponse的类型
# # - 1个类型
# print(type(response))

# - 6个方法

# # 按照一字节一字节的方式读取数据
# content = response.read()
# print(content)

# # 返回5个字节
# content = response.read(5)
# print(content)

# 仅读取一行
content = response.readline()
print(content)

在这里插入图片描述
  readlines()方法按行读完,如下编程并运行。

"""
urllib的1个类型和6个方法的演示
"""
import urllib.request

url = "http://www.baidu.com"

# 模拟浏览器向服务器发送请求
response = urllib.request.urlopen(url)

# 一个类型和六个方法
# response是HTTPResponse的类型
# # - 1个类型
# print(type(response))

# - 6个方法

# # 按照一字节一字节的方式读取数据
# content = response.read()
# print(content)

# # 返回5个字节
# content = response.read(5)
# print(content)

# # 仅读取一行
# content = response.readline()
# print(content)

# 按行读完
content = response.readlines()
print(content)

在这里插入图片描述

  (4)返回状态码getcode()

  返回的状态码如果是200,则证明逻辑没有错;如果返回404等逻辑就有错。如下编程并运行。

"""
urllib的1个类型和6个方法的演示
"""
import urllib.request

url = "http://www.baidu.com"

# 模拟浏览器向服务器发送请求
response = urllib.request.urlopen(url)

# 一个类型和六个方法
# response是HTTPResponse的类型
# # - 1个类型
# print(type(response))

# - 6个方法

# 返回状态码 
print(response.getcode())

在这里插入图片描述

  (5)返回url地址geturl()

  如下编程并运行。

"""
urllib的1个类型和6个方法的演示
"""
import urllib.request

url = "http://www.baidu.com"

# 模拟浏览器向服务器发送请求
response = urllib.request.urlopen(url)

# 一个类型和六个方法
# response是HTTPResponse的类型
# # - 1个类型
# print(type(response))

# - 6个方法

# 返回url地址
print(response.geturl())

在这里插入图片描述

  (6)获取状态信息getheaders()

  如下编程并运行。

"""
urllib的1个类型和6个方法的演示
"""
import urllib.request

url = "http://www.baidu.com"

# 模拟浏览器向服务器发送请求
response = urllib.request.urlopen(url)

# 一个类型和六个方法
# response是HTTPResponse的类型
# # - 1个类型
# print(type(response))

# - 6个方法

# 获取状态信息
print(response.getheaders())

在这里插入图片描述

  9. urllib_下载(下载网页、图片与视频)的演示

  创建一个名为“055_urllib_下载”的py文件。
在这里插入图片描述
  首先,如下图所示,编写代码来下载一个网页。

"""
urllib_下载的演示
"""
import urllib.request

# 下载网页
url_page = "http://www.baidu.com"
urllib.request.urlretrieve(url=url_page,filename='百度.html')  # 两个参数: url:网址(下载路径);filename:文件名

在这里插入图片描述
  对于图片,比如搜一搜汉服,把喜欢的图片的链接通过右键、点击“复制图像链接”复制下来,放到PyCharm中,然后进行编程并运行。

"""
urllib_下载的演示
"""
import urllib.request

# 下载网页
# url_page = "http://www.baidu.com"
# urllib.request.urlretrieve(url=url_page, filename='百度.html')  # 两个参数: url:网址(下载路径);filename:文件名

# 下载图片
url_img = "https://tse2-mm.cn.bing.net/th/id/OIP-C.k_bHY2iwL4tU5aT-NTZZ0wHaK_?w=182&h=270&c=7&r=0&o=5&dpr=1.5&pid=1.7"
urllib.request.urlretrieve(url_img, "汉服.png")

在这里插入图片描述
在这里插入图片描述
  对于视频,找到一个能爬的(网址为“https://haokan.baidu.com/v?vid=15872748450455265454”,好多目前爬不了),然右键点击检查,再点击箭头并点击需要锁定的视频处,再在一串代码中找到vedio后src内的视频网址,双击视频网址后再复制。将该网址放到PyCharm中,然后进行编程并运行。(视频文件录成jif太大,只能来点图)

"""
urllib_下载的演示
"""
import urllib.request

# 下载网页
# url_page = "http://www.baidu.com"
# urllib.request.urlretrieve(url=url_page, filename='百度.html')  # 两个参数: url:网址(下载路径);filename:文件名

# 下载图片
# url_img = "https://tse2-mm.cn.bing.net/th/id/OIP-C.k_bHY2iwL4tU5aT-NTZZ0wHaK_?w=182&h=270&c=7&r=0&o=5&dpr=1.5&pid=1.7"
# urllib.request.urlretrieve(url_img, "汉服.png")

# 下载视频
url_vedio = "https://vd3.bdstatic.com/mda-pfkn5iha3dssefej/1080p/cae_h264/1687362569032960204/mda-pfkn5iha3dssefej.mp4?v_from_s=hkapp-haokan-hbe&auth_key=1690033157-0-0-2d1b3f972dbbf20fc58570f68a0feff9&bcevod_channel=searchbox_feed&cr=3&cd=0&pd=1&pt=3&logid=2357674890&vid=15872748450455265454&abtest=111611_3&klogid=2357674890"
urllib.request.urlretrieve(url_vedio, "视频.mp4")

在这里插入图片描述在这里插入图片描述在这里插入图片描述在这里插入图片描述在这里插入图片描述在这里插入图片描述

  10.请求对象的定制

  (1)url的组成

在这里插入图片描述
  注:上图所示的网址的前部分,粘贴到其他地方后有所变化,这是由于编码的不同导致的,粘贴到Visio后的编码是Unicode编码。另外,保留wd值前面的内容后,网页照样正常使用,说明wd后面的内容可能是广告等。
在这里插入图片描述

  (2)User Agent的引入

在这里插入图片描述
  如图,之所以爬取的信息比较少,是因为给的信息不够,导致遇到了反爬。产生这种反爬现象的原因就是缺少User Agent。

  (2)User Agent(简称UA)介绍

在这里插入图片描述
  因此,需要伪装一下,可以去网上查一下UA,选择需要的UA。或者如下图,查询并使用自己的UA。
在这里插入图片描述

  (3)代码演示

  先打开软件,创建一个名为“056_请求对象的定制”的py文件。
在这里插入图片描述在这里插入图片描述
  如下编写代码后,也能获取网页为“https”开头的url的页面源代码了。

import urllib.request

url = "https://www.baidu.com"
'''
    因为urlopen方法中不能存储字典,导致headers不能传递进去
    所以需要请求对象的定制
'''
# 请求对象定制
headers = {
    'User-Agent': 'ozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.1; Trident/4.0; Hot Lingo 2.0)'}
request = urllib.request.Request(url=url, headers=headers)  # 此处需关键字传参

response = urllib.request.urlopen(request)
content = response.read().decode('UTF-8')
print(content)

在这里插入图片描述

  11.编解码

  (1)编码的由来

在这里插入图片描述
  注:a的ASCII码为97,A为65,0为48。

  (2)get请求的quote方法

  首先,看看get请求在浏览器的代码检查中的位置。
在这里插入图片描述
  对于get请求的quote方法,它能将汉字等字符转成Unicode编码,代码示例如下。

import urllib.parse
print(urllib.parse.quote(‘周杰伦’))

在这里插入图片描述

  (3)get请求的quote方法的演示

  先打开软件,创建一个名为“057_get请求的quote方法”的py文件。
在这里插入图片描述在这里插入图片描述
  如下图,本次的需求是获取此网页(即“https://cn.bing.com/search?q=周杰伦”)的页面源码。
在这里插入图片描述
  由于网址中存在汉字,需要将其中的汉字转变成Unicode编码,如下图,进行编码并运行,确认转换的网址没有问题。

"""
需求 获取“https://cn.bing.com/search?q=周杰伦”的网页源码
# https://cn.bing.com/search?q=%E5%91%A8%E6%9D%B0%E4%BC%A6
"""
import urllib.request
import  urllib.parse

# url = "https://cn.bing.com/search?q=周杰伦"
url = "https://cn.bing.com/search?q="

'''
    url需将汉字转变成Unicode编码,这是因为ASCII码中没有“周杰伦”这三个字
    需要使用urllib.parse下的quote方法
'''
url += urllib.parse.quote('周杰伦')
print(url)

在这里插入图片描述
  继续编写代码,即可得到该网址的页面源码。

"""
需求 获取“https://cn.bing.com/search?q=周杰伦”的网页源码
# https://cn.bing.com/search?q=%E5%91%A8%E6%9D%B0%E4%BC%A6
"""
import urllib.request
import urllib.parse

# url = "https://cn.bing.com/search?q=周杰伦"
url = "https://cn.bing.com/search?q="

'''
    url需将汉字转变成Unicode编码,这是因为ASCII码中没有“周杰伦”这三个字
    需要使用urllib.parse下的quote方法
'''
url += urllib.parse.quote('周杰伦')
# print(url)  # 测试语句

# 请求对象定制(使用UA),解决反爬的第一种手段
headers = {
    'User-Agent': 'ozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.1; Trident/4.0; Hot Lingo 2.0)'
}
request = urllib.request.Request(url=url, headers=headers)

# 模拟浏览器向服务器发送请求
response = urllib.request.urlopen(request)

# 获取响应的内容
content = response.read().decode("UTF-8")

print(content)

在这里插入图片描述

  (4)get请求的urlencode方法

在这里插入图片描述
  对于get请求的quote方法,它只能将一个词转为Unicode编码。当一个网址中出现了多处为汉字的时候,比如“https://cn.bing.com/search?q=周杰伦&sex=男”,该方法使用起来很不方便。
  get请求的urlencode方法的应用场景和语法如下图所示。
在这里插入图片描述在这里插入图片描述

  (5)get请求的urlencode方法的演示

  先打开软件,创建一个名为“058_get请求的urlencode方法”的py文件。本次需要获取“https://cn.bing.com/search?q=周杰伦&sex=男&location=中国台湾省”的网页源码。
在这里插入图片描述
在这里插入图片描述
  由于网址中存在汉字,需要将其中的汉字转变成Unicode编码,如下图,进行编码并运行,确认转换的网址没有问题。

"""
get请求的urlencode方法的演示 - 获取下面网址的页面源码
    https://cn.bing.com/search?q=周杰伦&sex=男&location=中国台湾省
"""

import urllib.request
import urllib.parse

# 请求资源路径
base_url = 'https://cn.bing.com/search?'
data = {
    'q': '周杰伦',
    'sex': '男',
    'location': '中国台湾省'
}
new_data = urllib.parse.urlencode(data)
url = base_url + new_data
print(url)  # 测试代码

在这里插入图片描述
  继续编写代码,即可得到该网址的页面源码。

"""
get请求的urlencode方法的演示 - 获取下面网址的页面源码
    https://cn.bing.com/search?q=周杰伦&sex=男&location=中国台湾省
"""

import urllib.request
import urllib.parse

# 请求资源路径
base_url = 'https://cn.bing.com/search?'
data = {
    'q': '周杰伦',
    'sex': '男',
    'location': '中国台湾省'
}
new_data = urllib.parse.urlencode(data)
url = base_url + new_data
# print(url)  # 测试代码

# 请求对象定制(使用UA),解决反爬的第一种手段
headers = {
    'User-Agent': 'ozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.1; Trident/4.0; Hot Lingo 2.0)'
}
request = urllib.request.Request(url=url, headers=headers)

# 模拟服务器发送请求
response = urllib.request.urlopen(request)

# 获取网页源码的数据
content = response.read().decode('UTF-8')

print(content)

在这里插入图片描述

  (6)寻找爬虫的请求地址的示例(以百度翻译翻译单词为例)

  如下图,在百度翻译页面中打开检查里的网络,输入“spider”时,可以在网络里看到很多次请求组成新的页面,在这一堆请求中,哪些才是我们想要的数据呢?才是翻译的接口?该如何寻找呢?
在这里插入图片描述
  显然图片格式“jpg”、“png”都不是,找其他的对应的负载,然后再慢慢观察。最后发现sug文件记录了输入的“spider”。
在这里插入图片描述
  然后点击预览,进而验证这就是我们需要的数据,找到我们想要的接口(显示“spider”的sug请求)。
在这里插入图片描述在这里插入图片描述
  那么怎么通过爬虫程序获取到这个数据呢?查看该sug标头里面的信息,可以知道它的请求地址为“https://fanyi.baidu.com/sug”,请求方式为“POST”。在负载中,发现它的请求参数为“spider”。
在这里插入图片描述在这里插入图片描述
  参数寻找完毕。需要注意的是,后面在编程时,post请求的参数在转变成Unicode字符后,还需要进行“UTF-8”的编码;post参数是不能直接拼接在url(即请求地址)后面的,而是需要放在请求对象定制的参数中,这一点与get请求不同。

  (7)post请求百度翻译的演示

  先打开软件,创建一个名为“059_post请求百度翻译”的py文件。
在这里插入图片描述在这里插入图片描述
  如下进行编程并运行,发现获取的数据的格式为json。

"""
post请求百度翻译的演示
"""

import urllib.request
import urllib.parse

# 请求地址 - 从百度翻译的检查的网络里直接复制过来
url = 'https://fanyi.baidu.com/sug'
# post请求的参数  (必须要进行编码)
data = {
    'kw': 'spider'
}
data = urllib.parse.urlencode(data).encode('UTF-8')

# 请求对象定制(使用UA),解决反爬的第一种手段。
# Request还可以将参数和请求地址产生一种联系
# 注:post参数是不会直接拼接在url(即请求地址)后面的,而是需要放在请求对象定制的参数中。
headers = {
    'User-Agent': 'ozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.1; Trident/4.0; Hot Lingo 2.0)'
}
request = urllib.request.Request(url=url, data=data, headers=headers)

# 模拟浏览器向服务器发送请求
response = urllib.request.urlopen(request)

# 获取响应的数据
content = response.read().decode('UTF-8')

print(content)  # 测试代码
print(type(content))

在这里插入图片描述
  继续编程并运行。

"""
post请求百度翻译的演示
"""

import urllib.request
import urllib.parse
import json

# 请求地址 - 从百度翻译的检查的网络里直接复制过来
url = 'https://fanyi.baidu.com/sug'
# post请求的参数  (必须要进行编码)
data = {
    'kw': 'spider'
}
data = urllib.parse.urlencode(data).encode('UTF-8')

# 请求对象定制(使用UA),解决反爬的第一种手段。
# Request还可以将参数和请求地址产生一种联系
# 注:post参数是不会直接拼接在url(即请求地址)后面的,而是需要放在请求对象定制的参数中。
headers = {
    'User-Agent': 'ozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.1; Trident/4.0; Hot Lingo 2.0)'
}
request = urllib.request.Request(url=url, data=data, headers=headers)

# 模拟浏览器向服务器发送请求
response = urllib.request.urlopen(request)

# 获取响应的数据
content = response.read().decode('UTF-8')

print(content)  # 测试代码
print(type(content))

# 将json字符串转为python中的json对象,这样就能显示其中的中文了
obj = json.loads(content)
print(obj)

在这里插入图片描述

  (8)post请求百度翻译之详细翻译的演示(出现反爬的第二种手段,Cookie)

  在百度翻译中,还有一个以“v2trans”开头的详细翻译的接口,同样的可以去观察它的请求地址、请求方法与请求参数,发现请求参数变多了。本次将演示详细翻译的数据爬取,目的是:将再次熟悉百度翻译的post请求以及认识一个新的反爬手段。
在这里插入图片描述在这里插入图片描述
  打开软件,创建一个名为“060_post请求百度翻译之详细翻译”的py文件。
在这里插入图片描述在这里插入图片描述
  输入下列代码后运行,会出现未知错误,这是因为未向服务器说明自己的请求标头的信息(第二个反爬手段)。

"""
post请求百度翻译之详细翻译的演示
"""
import urllib.request
import urllib.parse
import json

# 先将接口地址复制过来
url = 'https://fanyi.baidu.com/v2transapi?from=en&to=zh'
# 参数
data = {
    'from': 'en',
    'to': 'zh',
    'query': 'spider',
    'transtype': 'realtime',
    'simple_means_flag': '3',
    'sign': '63766.268839',
    'token': '9f53213d7ab95e5ac27fd0c681269057',
    'domain': 'common',
    'ts': '1690240111733'
}
# post请求的参数必须要进行编码(调用encode编码)
data = urllib.parse.urlencode(data).encode('UTF-8')
# 请求头
headers = {
    'User-Agent': 'ozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.1; Trident/4.0; Hot Lingo 2.0)'
}
# 请求对象定制(使用UA),解决反爬的第一种手段。
request = urllib.request.Request(url=url, data=data, headers=headers)

# 模拟浏览器向服务器发送请求
response = urllib.request.urlopen(request)

# 获取响应的数据
content = response.read().decode('UTF-8')

print(content)  # 测试代码
print(type(content))

# 将json字符串转为python中的json对象,这样就能显示其中的中文了
obj = json.loads(content)
print(obj)

在这里插入图片描述在这里插入图片描述
  于是将请求标头复制到代码中,并注释一行,发现能有结果。然后再在标头里慢慢注释,发现仅需要“Cookie”就能得到我们想要的结果。
在这里插入图片描述在这里插入图片描述

  12. ajax的get请求

  本次将以第一个案例熟悉本次演示需要熟悉的网页,用第二个案例介绍ajax的get请求。

  (1)ajax的get请求豆瓣电影第一页

  如下图所示,打开豆瓣网站(https://movie.douban.com/),选择排行榜,选择想要关注的电影类型,比如“动作”。
在这里插入图片描述
  如下图,打开检查里的网络,再刷新一下网页。现在需要思考哪一个接口才是我们需要找的?
在这里插入图片描述
  然后一个一个接口不断寻找,找到后,发现接口如下图所示,而且每页是20个电影。
在这里插入图片描述在这里插入图片描述
  然后点击标头,发现这是一个get请求。
在这里插入图片描述
  打开软件,创建一个名为“061_ajax的get请求豆瓣电影第一页”的py文件。
在这里插入图片描述在这里插入图片描述
  将刚刚所找到的接口的请求地址复制到PyCharm中,然后再进行编程并运行。
在这里插入图片描述

"""
获取豆瓣电影的第一页的数据并且保存起来
- get请求
"""
import urllib.request
import json

url = 'https://movie.douban.com/j/chart/top_list?type=5&interval_id=100%3A90&action=&start=0&limit=20'
headers = {
    'User-Agent': 'ozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.1; Trident/4.0; Hot Lingo 2.0)'
}

# 1.请求对象定制(使用UA),解决反爬的第一种手段
request = urllib.request.Request(url=url, headers=headers)
# 2.模拟浏览器向服务器发送请求
response = urllib.request.urlopen(request)
# 3.获取响应的数据
content = response.read().decode('UTF-8')
# 4.处理数据(本人加的,只获取感兴趣的内容。 如果有不懂的,可以去阅读本人的CSDN上的python入门中有关json的部分。)
# 假设本次只想储存序号和电影名字
content = json.loads(content)
content_changed = []
for index in content:
    content_changed.append({'rank': index['rank'], 'title': index['title']})

content_changed = json.dumps(content_changed,ensure_ascii=False)
# ensure_ascii=False表示不用转换成ASCII码  如果为了节省空间,请不要写ensure_ascii=False
# 5.数据下载到本地
'''
    open方法默认情况下使用的是gbk的编码
    - 如果我们要想保存汉字那么需要在open方法中指定编码格式为utf-8
'''
# 法1
# fp = open('douban.json', 'w', encoding='UTF-8')
# fp.write(content)
# fp.close()  # 别忘了关闭文件

# 法2
with open('douban.json', 'w', encoding='utf-8') as fp:
    fp.write(content_changed)

在这里插入图片描述

  (2)ajax的get请求豆瓣电影前十页

  如图所示,豆瓣排行榜的动作电影不止一页,鼠标滚轮向下滚动,会发现:随着页面的向下,它会不断地向下加载。这个操作的后端使用的是ajax。如何拿到前十页的数据是本次的关键。
在这里插入图片描述
  打开软件,创建一个名为“062_ajax的get请求豆瓣电影前十页”的py文件。
在这里插入图片描述在这里插入图片描述
  先将第一页的数据的请求地址复制到PyCharm中。
在这里插入图片描述
  然后,如下图所示,然后点击清空已有请求的按钮。接着,将网页向下滑。找到对应地址,并复制到PyCharm中。
在这里插入图片描述
  同理,找到第三页的地址,并复制到PyCharm中。然后观察这几个地址,发现它们仅仅是“start”的值依次为0、20、40、60…,对应第1、2、3、…页,其他均没有变化。
在这里插入图片描述
  删去上次运行的结果,即删去文件“douban.json”。
在这里插入图片描述在这里插入图片描述在这里插入图片描述
  然后,如下进行编程并运行。在运行程序后产生的文件中使用快捷键Ctr+Alt+L,一以便查看文件里的内容。(运行程序时间有点长,说明程序有待优化。)

"""
获取豆瓣电影的前十页的数据并且保存起来
- get请求
"""
'''
# 第一页
# https://movie.douban.com/j/chart/top_list?type=5&interval_id=100%3A90&action=&start=0&limit=20
# 第二页
# https://movie.douban.com/j/chart/top_list?type=5&interval_id=100%3A90&action=&start=20&limit=20
# 第三页
# https://movie.douban.com/j/chart/top_list?type=5&interval_id=100%3A90&action=&start=40&limit=20

# page  1   2   3   4       
# start 0   20  40  60      规律为( page - 1 ) * 20
'''
import urllib.request
import json
import urllib.parse


def create_request(page: int):
    """
    请求对象定制(使用UA),解决反爬的第一种手段
    :param page: 页码
    :return: 请求对象定制的结果request
    """
    # 请求地址
    base_url = 'https://movie.douban.com/j/chart/top_list?type=5&interval_id=100%3A90&action=&'
    data = {
        'start': (page - 1) * 20,
        'limit': 20
    }
    data = urllib.parse.urlencode(data)
    url = base_url + data
    # 请求头
    headers = {
        'User-Agent': 'ozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.1; Trident/4.0; Hot Lingo 2.0)'
    }
    request = urllib.request.Request(url=url, headers=headers)
    return request


def get_content(request):
    """
    获取page页数据
    :param request: 请求对象定制的结果
    :return: 第page页数据
    """
    # (1).模拟浏览器向服务器发送请求
    response = urllib.request.urlopen(request)
    # (2).获取响应的数据
    content = response.read().decode('UTF-8')
    return content


def deal_content(content, content_changed):
    """
    处理page页数据,假设本次只想储存序号和电影名字
    :param content: 从豆瓣上获取的某一页的原始数据
    :param content_changed: 根据需要修改后只含序号和电影名字的数据
    :return: 返回处理原始数据后的只含序号和电影名字的数据
    """
    content = json.loads(content)  # json字符串转成python中的json对象
    for index in content:
        content_changed.append({'rank': index['rank'], 'title': index['title']})
    return content_changed


def down_load(content_changed):
    """
    数据下载到本地
    :param content_changed: 处理过后的数据
    :return: 无返回值
    """
    # 将数据转为json类型
    content_changed = json.dumps(content_changed, ensure_ascii=False)
    # ensure_ascii=False表示不用转换成ASCII码  如果为了节省空间,请不要写ensure_ascii=False
    '''
        open方法默认情况下使用的是gbk的编码
        - 如果我们要想保存汉字那么需要在open方法中指定编码格式为utf-8
    '''
    # 法1
    # fp = open('douban.json', 'w', encoding='UTF-8')
    # fp.write(content)
    # fp.close()  # 别忘了关闭文件

    # 法2
    with open('douban.json', 'w', encoding='utf-8') as fp:
        fp.write(content_changed)


# 程序的入口
if __name__ == '__main__':
    # 1.输入起始、结束页码
    start_page = int(input("请输入起始的页码:"))
    end_page = int(input("请输入结束的页码:"))

    # 2.从豆瓣上获取对应数据
    content_changed = []
    for page in range(start_page, end_page + 1):
        # 2.1 第page页的请求对象定制
        request = create_request(page)
        # 2.2 获取page页数据
        content = get_content(request)
        # 2.3 处理page页数据(本人加的,只获取感兴趣的内容。 如果有不懂的,可以去阅读本人的CSDN上的python入门中有关json的部分。)
        # 假设本次只想储存序号和电影名字
        content_changed = deal_content(content, content_changed)

    # 3.数据下载到本地
    down_load(content_changed)

在这里插入图片描述

  13. ajax的post请求

  本次将以爬取肯德基的一些信息为例介绍ajax的post请求,具体为北京哪些位置有肯德基,爬取前10页就可以了。如下图,在百度上搜索“肯德基”,点进去后点击“餐厅查询”,将城市选为“北京”。
在这里插入图片描述在这里插入图片描述在这里插入图片描述
  然后点击检查里的网络,选择第1页,发现有一个接口是我们需要的数据。
在这里插入图片描述在这里插入图片描述
  为什么说它是ajax请求呢?这是因为出现了“X-Requested-With:XMLHttpRequest”,另外,本次的请求是ajax的post请求。
在这里插入图片描述
在这里插入图片描述
  打开软件,创建一个名为“063_ ajax的post请求肯德基官网”的py文件。
在这里插入图片描述在这里插入图片描述
  将第1页的请求地址以及负载里的表单信息复制到PyCharm中,同理将第2页、第3页的请求地址以及负载里的表单信息复制到PyCharm中。
在这里插入图片描述
  观察这几页信息的规律,发现只有“pageIndex”的值不同,依次为1、2、3。
在这里插入图片描述
  之后如下进行编程并运行,在查看生成的json文件时使用快捷键Ctr+Alt+L有助于浏览结果。

"""
北京哪些位置有肯德基?爬取前10页数据。
- post请求
"""
'''
# 第一页
# http://www.kfc.com.cn/kfccda/ashx/GetStoreList.ashx?op=cname
# cname: 北京
# pid:
# pageIndex: 1
# pageSize: 10
# 第二页
# http://www.kfc.com.cn/kfccda/ashx/GetStoreList.ashx?op=cname
# cname: 北京
# pid:
# pageIndex: 2
# pageSize: 10
# 第三页
# http://www.kfc.com.cn/kfccda/ashx/GetStoreList.ashx?op=cname
# cname: 北京
# pid:
# pageIndex: 3
# pageSize: 10
'''
import urllib.request
import urllib.parse
import json


def crate_request(page: int):
    """
    请求对象定制
    :param page: 页码
    :return: 某一页的请求对象定制
    """
    base_url = 'http://www.kfc.com.cn/kfccda/ashx/GetStoreList.ashx?op=cname'
    data = {
        'cname': '北京',
        'pid': '',
        'pageIndex': str(page),
        'pageSize': '10'
    }
    # post的参数需要编码
    data = urllib.parse.urlencode(data).encode('UTF-8')

    headers = {
        'User-Agent': 'ozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.1; Trident/4.0; Hot Lingo 2.0)'
    }
    return urllib.request.Request(url=base_url, data=data, headers=headers)


def get_content(request):
    """
    获取网页源码
    :param request: 请求对象定制的结果
    :return: 网页源码
    """
    response = urllib.request.urlopen(request)
    content = response.read().decode('UTF-8')
    content = json.loads(content)
    return content


def down_load(all_content):
    fp = open('kfc.json', 'w', encoding='UTF-8')
    all_content = json.dumps(all_content, ensure_ascii=False)
    fp.write(all_content)
    fp.close()


if __name__ == '__main__':
    start_page = int(input("请输入起始页码:"))
    end_page = int(input("请输入结束页码:"))

    all_content = []
    for page in range(start_page, end_page + 1):
        # 请求对象定制
        request = crate_request(page)
        # 获取网页源码
        content = get_content(request)
        # 将数据添加到存储所有数据的列表all_content中
        all_content.append(content)

    # 下载
    down_load(all_content)

在这里插入图片描述

  14.爬虫常见的两个异常(URLError\HTTPError)

  (1)简介

在这里插入图片描述

  (2)代码演示

  本次以捕获一个CSDN上的网页源码为例进行演示。如下图,点开一个CSDN链接。为了删去一些没用的广告,可以在网址中把离detail最近的那个问号以及后面的部分删除,留下的链接为“https://blog.csdn.net/sulixu/article/details/119818949”。
在这里插入图片描述
  先打开软件,创建一个名为“064_爬虫的两种异常”的py文件。
在这里插入图片描述在这里插入图片描述
  如下进行编码,成功获得该链接的网页源码。

import urllib.request

url='https://blog.csdn.net/sulixu/article/details/119818949'
headers = {
    'User-Agent': 'ozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.1; Trident/4.0; Hot Lingo 2.0)'
}
# 请求对象定制
request=urllib.request.Request(url=url,headers=headers)
# 模拟浏览器向服务器发送请求
response=urllib.request.urlopen(request)
# 读取数据
content=response.read().decode('UTF-8')
print(content)

在这里插入图片描述
  然后刻意在url后面加个“1”,发现报错,是一个HTTPError,该错误是URLError的子类。
在这里插入图片描述
  用户往往看不懂错误,为了不让用户看到这些不懂的细节,所以如果再出现HTTPError,就显示“系统正在升级。。。”,所以如下加入try…except语句。

import urllib.request
import urllib.error

url='https://blog.csdn.net/sulixu/article/details/1198189491'
headers = {
    'User-Agent': 'ozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.1; Trident/4.0; Hot Lingo 2.0)'
}
try:
    # 请求对象定制
    request=urllib.request.Request(url=url,headers=headers)
    # 模拟浏览器向服务器发送请求
    response=urllib.request.urlopen(request)
    # 读取数据
    content=response.read().decode('UTF-8')
    print(content)
except urllib.error.HTTPError:
    print('系统正在升级。。。')

在这里插入图片描述
  如果出现URLError,一般是主机地址的参数写错了,比如将url改成“http://www.goudan1111.com”,如下图所示。
在这里插入图片描述
  同样,为了不直接显示报错,可以进行如下编码,然后运行。

import urllib.request
import urllib.error

# url='https://blog.csdn.net/sulixu/article/details/1198189491'
url ='http://www.goudan1111.com'
headers = {
    'User-Agent': 'ozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.1; Trident/4.0; Hot Lingo 2.0)'
}
try:
    # 请求对象定制
    request=urllib.request.Request(url=url,headers=headers)
    # 模拟浏览器向服务器发送请求
    response=urllib.request.urlopen(request)
    # 读取数据
    content=response.read().decode('UTF-8')
    print(content)
except urllib.error.HTTPError:
    print('系统正在升级。。。')
except urllib.error.URLError:
    print('我都说了,系统正在升级。。。')

在这里插入图片描述

  15.微博的cookie登陆

  对于某些需要登陆才能获取相关信息的网站上,此时需要cookie绕过登陆,进入某个页面后,然后才能做一些信息采集。这一节需进行获取微博上的一些信息进行演示。
  由于本次演示需要登陆微博,就不再去跟着演示了。演示的代码无非是在捕获并保存页面源码的基础上修改请求头,对应参数为检查-网络-info-标头-请求标头里的一堆参数。这些参数中,cookie和referer起了主要作用。

"""
微博cookie登陆的演示
- 适用的场景:数据采集的时候   需要绕过登陆      然后进入到某个页面
"""
# 个人信息页面是Utf-8    但是还报错了编码错误     因为并没有进入到个人信息页面而是跳转到了登陆页面
# 那么登陆页面不是Utf-8 所以报错
# cookie中携带着你的登陆后息  如果有登陆之后的cookie 那么我们就可以携带着cookie.进入到任何页面
# referer   判断当前路径是不是由上一个路径进来的 一般情况下是做    图片防盗链

  16.Handler处理器的基本使用

  (1)为什么要学习handler

在这里插入图片描述在这里插入图片描述

  (2)代码演示(handler的语法参考演示的代码)

  先打开软件,创建一个名为“066_handler处理器的基本使用”的py文件。
在这里插入图片描述在这里插入图片描述
  如下进行编码,通过使用handler处理器来获取百度首页的网页源码。

"""
handler处理器的基本使用的演示
- 需求:使用handler来访问百度 获取网页源码
"""
import urllib.request

# 要访问的地址
url = 'http://www.baidu.com'

# 请求头
headers = {
    'User-Agent': 'ozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.1; Trident/4.0; Hot Lingo 2.0)'
}

# 请求对象定制
request = urllib.request.Request(url=url, headers=headers)

# handler的使用基本上需要三个单词:handler、build_opener、open
# (1)获取handler对象
handler = urllib.request.HTTPHandler()
# (2)获取opener对象
opener = urllib.request.build_opener(handler)
# (3)调用open方法
response = opener.open(request)

content = response.read().decode('UTF-8')
print(content)

在这里插入图片描述

  17.代理

  (1)代理的作用以及步骤

在这里插入图片描述

  (2)代码演示

  先打开软件,创建一个名为“067_代理”的py文件。
在这里插入图片描述在这里插入图片描述
  如下图所示,搜索“ip”,将网址上带广告的部分删除,然后复制到PyCharm中,并把“https”改成“http”。
在这里插入图片描述
  在下面代码的基础上,加上Cookies,然后运行可以得到百度搜索“ip”的网页源码。

import urllib.request

url = 'http://www.baidu.com/s?ie=utf-8&f=8&rsv_bp=1&rsv_idx=1&tn=baidu&wd=ip'
# 请求头
headers = {
    'User-Agent': 'ozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.1; Trident/4.0; Hot Lingo 2.0)'
}
# 请求对象定制
request = urllib.request.Request(url=url, headers=headers)
# 模拟浏览器访问服务器
response = urllib.request.urlopen(request)
# 获取响应的信息
content = response.read().decode('UTF-8')
# 保存
with open('代理.html', 'w', encoding='UTF-8') as fp:
    fp.write(content)

在这里插入图片描述在这里插入图片描述
  如下图所示,可以去“快代理”里面找一些代理ip。
在这里插入图片描述
  如下继续编程,加上代理。运行后发现需要安全验证。后面想办法去windows里设置代理ip,然后得到Cookie,失败了。估计免费的ip不行,得买。

import urllib.request

url = 'http://www.baidu.com/s?ie=utf-8&f=8&rsv_bp=1&rsv_idx=1&tn=baidu&wd=ip'
# 请求头
headers = {
    'User-Agent': 'ozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.1; Trident/4.0; Hot Lingo 2.0)'
}
# 请求对象定制
request = urllib.request.Request(url=url, headers=headers)
# 模拟浏览器访问服务器
# response = urllib.request.urlopen(request)

# handler的使用基本上需要三个单词:handler、build_opener、open
# proxies为代理ip
proxies = {
    'http': '58.20.184.187:9091'  # 值为主机+端口号
}

handler = urllib.request.ProxyHandler(proxies=proxies)  # ProxyHandler有代理
opener = urllib.request.build_opener(handler)
response = opener.open(request)

# 获取响应的信息
content = response.read().decode('UTF-8')
# 保存
with open('代理.html', 'w', encoding='UTF-8') as fp:
    fp.write(content)

在这里插入图片描述

  18.代理池

  如果高频次使用一个ip去访问一个网站,这个ip很可能会被封。所以为了避免这种情况,提出了代理池的概念,里面有一堆高匿的ip。
先打开软件,创建一个名为“068_代理池”的py文件。
在这里插入图片描述在这里插入图片描述
  如下进行编程,由于个人还是不知道怎么获取对应ip的Cookie,因此进入百度还是需要安全验证。

import urllib.request
import random

url = 'https://www.baidu.com/s?ie=utf-8&f=8&rsv_bp=1&rsv_idx=1&tn=baidu&wd=ip'
# 请求头
headers = {
    'User-Agent': 'ozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.1; Trident/4.0; Hot Lingo 2.0)'
}
# 请求对象定制
request = urllib.request.Request(url=url, headers=headers)
# 模拟浏览器访问服务器
# response = urllib.request.urlopen(request)

# handler的使用基本上需要三个单词:handler、build_opener、open
# proxies为代理ip
proxies_pool = [
    {'http': '58.20.184.187:9091'},
    {'http': '117.68.194.137:9999'}
]
proxies = random.choice(proxies_pool)

handler = urllib.request.ProxyHandler(proxies=proxies)  # ProxyHandler有代理
opener = urllib.request.build_opener(handler)
response = opener.open(request)

# 获取响应的信息
content = response.read().decode('UTF-8')
# 保存
with open('代理池.html', 'w', encoding='UTF-8') as fp:
    fp.write(content)

在这里插入图片描述
  好了,本章的笔记到此结束,谢谢大家阅读。

  • 2
    点赞
  • 14
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 1
    评论
评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

知乎云烟

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值