Python爬虫的urlib的学习（学习于b站尚硅谷）

本文链接：https://blog.csdn.net/m0_60146935/article/details/131868737

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的 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

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。

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

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
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>
                    男
                </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

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
先打开软件，创建一个名为“053_urllib的基本使用”的py文件。

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。

（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

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

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。

（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
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
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。

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

（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

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”。

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
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”。

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
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
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。

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
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。

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？

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。

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。

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。

"""
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。

先将第一页的数据的请求地址复制到PyCharm中。

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。

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
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
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。

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。

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
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。

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。

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。

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。

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

（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
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
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
如下图所示，可以去“快代理”里面找一些代理ip。

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
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)