使用python爬取网页有很多的API可以使用,但由于API太多,导致有时不知选择哪个。有时,我们想要设置proxy,就要用这套API,想要设置cookie,就得用另一套API。故总结了一个较为全面的爬取流程API,可实现timeout、proxy、cookie、header(7个字段的值设置)以及访问网页可能出现的Error。
- proxy:代理,有些网站使用代理时无法访问。
- cookie:一般用来维持登录状态。
- timeout:超时,单位为秒,当网页有时可以访问,有时无法访问时,可以将该值设置大一点。
- header:模拟浏览器。
注:python3
#coding:utf-8
import urllib.request
import http.cookiejar
import urllib.error
import urllib.parse
"""一、添加header"""
#1.1、以字典的形式设置headers
header={ "Accept":"text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8",
"Accept-Language":"zh-CN,zh;q=0.8,en-US;q=0.5,en;q=0.3",
"User-Agent":"Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/38.0.2125.122 Safari/537.36 SE 2.X MetaSr 1.0",
"Connection": "keep-alive",
#"referer":"http://news.163.com/"
}
#header常见字段有7个,除上述5个外,还有Host,Accept-Encoding
#header用字典的原因是,可以轻松地更改某个字段的值
#referer字段:一般为要爬取的网页的域名地址或对应网站的主页地址
#Accept-Encoding字段:浏览器支持的压缩编码
#Host字段:服务器网址
web_url= "http://www.renren.com/PLogin.do"
#1.2、构建Request对象
postData = urllib.parse.urlencode({
"email":"mxxxx@163.com",
"password":"axxxx"
}).encode('utf-8')
#encode:将Unicode码转为utf-8码
#或者
import json
postData = json.dumps({
"email":"mxxxx@163.com",
"password":"axxxx"
}).encode('utf-8')
#对于嵌套字典的数据提交,建议使用第二种
req = urllib.request.Request(url=web_url,
data=postData,
headers=header,
#method='POST'
)
#当有数据需要提交时(即data有值时),method='POST'
#可以参考http://blog.csdn.net/nunchakushuang/article/details/75294947对于data的使用
"""二、构建opener对象"""
#2.1、设置cookie处理器
#用来保存cookie
cjar = http.cookiejar.CookieJar()
cookie = urllib.request.HTTPCookieProcessor(cjar)
#2.2、设置proxy代理处理器
#proxy可通过搜索西刺代理,找到对应的type、IP、port
#高匿代理:服务器看不到你的IP
#透明代理:服务器即可看见proxy的IP,又可看见你的IP
proxy = urllib.request.ProxyHandler({'https':"114.230.41.248:808"})
#私密代理,需要账号密码
#快代理https://www.kuaidaili.com/
#proxy = urllib.request.ProxyHandler({'https':"账号:密码@IP:port"})
#企业用,一般不在程序中写,而是将代理放到文件或者环境变量中,再导入。
#str = os.environ.get("环境变量名")
#不用代理,亦可不写
#proxy = urllib.request.ProxyHandler({})
#2.3、使用proxy和cookie处理器来构建opener对象
#build_opener()可以添加多个处理器
opener = urllib.request.build_opener(proxy, cookie)
#如果仅构建cookie处理器
#opener = urllib.request.build_opener(cookie)
#如果仅构建proxy处理器
#opener = urllib.request.build_opener(proxy)
#如果都不构建
#opener = urllib.request.build_opener()
#或者直接使用urllib.request.urlopen()来访问。
"""三、将opener安装为全局"""
urllib.request.install_opener(opener)
#有什么用?
#安装为全局之后,就可以使用urllib.request.urlopen()方式发送,附带handler的功能
#若不设为全局,则只能发送一次带handler的请求。
"""四、访问网页"""
try:
#发送第一次的post请求,生成登录后的cookie(如果登录成功的话)
response = opener.open(req, timeout=3)
except urllib.error.URLError as e:
if hasattr(e, 'code'):
print(e.code)
if hasattr(e, 'reason'):
print(e.reason)
else:
webData=response.read()
fhandle=open("2.html","wb")
fhandle.write(webData)
fhandle.close()
# 第二次可以是get请求,这个请求将保存生成cookie一并发到web服务器,服务器会验证cookie通过
response_deng = opener.open("http://www.renren.com/410043129/profile")
print(response_deng.read().decode('utf-8'))
对于爬取到的网页进行元素提取,主要有以下几种方法:
- python 的re模块;
- bs4的BeautifulSoup;
- Xpath;