Python学习笔记之网络爬虫

网络爬虫

URL格式
protocol(协议)😕/hostname:port/path(文件路径)/[;parameters][?query]#fragment

urllib包
由urllib 和urllib2 合成，包含urllib.request、urllib.error、urllib.parse和urllib.robotparser 四个模块。

Python访问互联网

编码检测
在日常使用中，我们难以避免会遇到编码转换问题。
而进行编码转换的前提是你知道这个字符串使用的是什么编码。
比如你使用 urllib.request.urlopen() 获取一个网页时，你特么如果不知道网页的编码会怎样？
直接 read().decode() 就可能会出现下边错误：

这是因为无论是 encode() 还是 decode()，默认采取的编码/解码都是 encoding=“utf-8” 编码……

虽然你大 UTF-8 行迹踏遍天下，但在这神州大地，处处都有奇葩的好不？

这时候需要一个可靠的方式来检测字符串到底是什么编码，这样我们才能对症下药！
这里小甲鱼向大家推荐一个不错的模块：chardet，使用它就可以检测字符串的编码。

chardet 模块可以检测以下编码：

ASCII, UTF-8, UTF-16 (2 variants), UTF-32 (4 variants)
Big5, GB2312, EUC-TW, HZ-GB-2312, ISO-2022-CN (Traditional and Simplified Chinese)
EUC-JP, SHIFT_JIS, CP932, ISO-2022-JP (Japanese)
EUC-KR, ISO-2022-KR (Korean)
KOI8-R, MacCyrillic, IBM855, IBM866, ISO-8859-5, windows-1251 (Cyrillic)
ISO-8859-2, windows-1250 (Hungarian)
ISO-8859-5, windows-1251 (Bulgarian)
windows-1252 (English)
ISO-8859-7, windows-1253 (Greek)
ISO-8859-8, windows-1255 (Visual and Logical Hebrew)
TIS-620 (Thai)

chardet 模块安装方法：

1. （推荐）使用 pip 安装，打开命令行窗口（Windows 的 cmd，Linux 的 terminal，Mac 的“终端”）

输入命令：pip install chardet

chardet 模块用法：

非常简单，使用该模块的 detect() 函数即可：

>>> import urllib.request
>>> response = urllib.request.urlopen("http://bbs.fishc.com").read()
>>> import chardet
>>> chardet.detect(response)
{'confidence': 0.99, 'encoding': 'GB2312'}

哦，confidence 是可信度的意思……

0.99 就是 99% 确定是 ‘GB2312’！

年轻人，你太傲娇了，偶其实使用的是 GBK 编码（GBK 是 GB2312 的扩展）
所以你直接 decode(‘GB2312’) 还是会报错的：

>>> response.decode("GB2312")
Traceback (most recent call last):
  File "<pyshell#41>", line 1, in <module>
    response.decode("GB2312")
UnicodeDecodeError: 'gb2312' codec can't decode byte 0xfd in position 22581: illegal multibyte sequence

你现在有两种选择：

一、忽略识别不出的字符（GB2312 支持的汉字比较少，如果用这种方法会出现小部分乱码）

>>> response.decode("GB2312", "ignore")
……
<ul><li># <a href="thread-64400-1-1.html" title="乔布斯最精彩演讲：这三个故事决定了我的一生" target="_blank">乔布斯最精彩演讲：这三个故事决定了我的一</a></li><li># <a href="thread-50608-1-1.html" title="42个锻炼大脑的方法，你想不聪明都不行！" target="_blank">42个锻炼大脑的方法，你想不聪明都不行！</a></li><li># <a href="thread-23917-1-1.html" title="潘靠赐辏泪流满面（转）" target="_blank">潘靠赐辏泪流满面（转）</a>
……

二、（推荐）由于 GBK 是向下兼容 GB2312，因此你检测到是 GB2312，则直接用 GBK 来编码/解码

>>> if chardet.detect(response)['encoding'] == 'GB2312':
        response.decode('GBK')
……
<ul><li># <a href="thread-64400-1-1.html" title="乔布斯最精彩演讲：这三个故事决定了我的一生" target="_blank">乔布斯最精彩演讲：这三个故事决定了我的一</a></li><li># <a href="thread-50608-1-1.html" title="42个锻炼大脑的方法，你想不聪明都不行！" target="_blank">42个锻炼大脑的方法，你想不聪明都不行！</a></li><li># <a href="thread-23917-1-1.html" title="屌丝看完，泪流满面（转）" target="_blank">屌丝看完，泪流满面（转）
……

urllib.request.urlopen（）

import urllib.request as ur
response = ur.urlopen('http://placekitten.com/g/500/600')

相当于

import urllib.request as ur
req = ur.Request('http://placekitten.com/g/500/600')
response = ur.urlopen(req)

urllib.request.urlopen()不但可以装URL还可以装其对象，其返回是一个对象，即文件对象 ，它除了用read()方法还可以使用geturl()、ingo()、getcode()

爬取有道翻译实例

import urllib.request as ur
import urllib.parse as up
import json

content = input("请输入需要翻译的内容：")

url = 'http://fanyi.youdao.com/translate?smartresult=dict&smartresult=rule'
data = {}
data['i'] = content
data['from'] = 'AUTO'
data['to'] =  'AUTO'
data['smartresult'] = 'dict'
data['client'] = 'fanyideskweb'
data['salt'] = '16117273951262'
data['sign'] = '058a0edca2f5d629c7c5287c991b17dc'
data['lts'] = '1611727395126'
data['bv'] = 'b396e111b686137a6ec711ea651ad37c'
data['doctype'] = 'json'
data['version']  = '2.1'
data['keyfrom'] = 'fanyi.web'
data['action'] = 'FY_BY_REALTlME'
data = up.urlencode(data).encode('utf-8')

response = ur.urlopen(url, data)
html = response.read().decode('utf-8')

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

请输入需要翻译的内容：我是你爹
翻译结果：I am your father
>>> 

隐藏

由于网站会检查链接的来源，当网站检查出异常就会掐掉，所以我们需要隐藏，一般服务器都是检查链接里headers的Use-Agent，通过修改headers的Use-Agent使链接看起来像是正常访问
修改headers
1.通过Request的headers参数修改

import urllib.request as ur
import urllib.parse as up
import json

content = input("请输入需要翻译的内容：")
url = 'http://fanyi.youdao.com/translate?smartresult=dict&smartresult=rule'

head = {}
head['User-Agent'] = 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/75.0.3770.100 Safari/537.36'

data = {}
data['i'] = content
data['from'] = 'AUTO'
data['to'] =  'AUTO'
data['smartresult'] = 'dict'
data['client'] = 'fanyideskweb'
data['salt'] = '16117273951262'
data['sign'] = '058a0edca2f5d629c7c5287c991b17dc'
data['lts'] = '1611727395126'
data['bv'] = 'b396e111b686137a6ec711ea651ad37c'
data['doctype'] = 'json'
data['version']  = '2.1'
data['keyfrom'] = 'fanyi.web'
data['action'] = 'FY_BY_REALTlME'
data = up.urlencode(data).encode('utf-8')

req = ur.Request(url, data, head)
response = ur.urlopen(req)
html = response.read().decode('utf-8')

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

2.通过Request.add_header()方法修改

3.延时，通过停止系统一段时间来合理访问。

4.代理，利用多个ip地址进行访问
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（将其安装到系统以后就可以直接调用）

③b 调用opener
opener.open(url)