一、Python与urllib2
现在已经迫不及待的想尝试一下url和网络爬虫的配合关系了。我们上一届已经介绍过了,爬虫就是把URL地址中的网络资源读取出来,然后处理(保存到本地,或者打印等等)。本篇文章篇幅较长,其中会有爬虫的小案例,想要学习的小伙伴耐心看。
如果我们想将爬虫落实到代码上,需要用到的是一个组件:urllib2
它就是Python获取URL的一个组件
我们首先创建一个urllib2_test01.py然后输入以下代码:
import urllib2
response = urllib2.urlopen('http://www.baidu.com')
html = response.read()
print html
Quite Easy!最简单的获取一个url的信息代码只需要4行!
执行写的Python代码:
python urllib2_test.py
会看到以下结果:
<!DOCTYPE html><!--STATUS OK--><html><head><meta http-equiv="content-type" content="text/html;charset=utf-8"><meta http-equiv="X-UA-Compatible" content="IE=Edge"><meta content="always" name="referrer"><meta name="theme-color" content="#2932e1"><link rel="shortcut icon" href="/favicon.ico" type="image/x-icon" /><link rel="search" type="application/opensearchdescription+xml" href="/content-search.xml" title="百度搜索" /><link rel="icon" sizes="any" mask href="//www.baidu.com/img/baidu.svg"><link rel="dns-prefetch" href="//s1.bdstatic.com"/><link rel="dns-prefetch" href="//t1.baidu.com"/><link rel="dns-prefetch" href="//t2.baidu.com"/><link rel="dns-prefetch" href="//t3.baidu.com"/><link rel="dns-prefetch" href="//t10.baidu.com"/><link rel="dns-prefetch" href="//t11.baidu.com"/><link rel="ds-prefetch" href="//t12.baidu.com"/><link rel="dns-prefetch" href="//b1.bdstatic.com"/><title>百度一下,你就知道</title>.
实际上如果我们在浏览器上打开百度首页,右键选择“查看源代码”,就会发现,跟我们刚才打印出来的是一模一样的。也就是说,上面的4行代码就已经帮我们把百度的首页全部代码爬了下来了。
下面来分析一下这4行代码:
import urllib2
没什么好多说的,上面这行代码就是将urllib2组件引入进来,供给我们使用。
response = urllib2.urlopen('http://www.baidu.com')
然后调用urllib2库中的urlopen方法,该方法接受一个url地址,然后将请求后的得到的回应封装到一个叫response对象中。
html = response.read()
然后调用response对象的read()方法,将请求的回应内容以字符串的形式给html变量。
最后的print html就是将字符串打印出来。
所以说一个基本的url请求是对应的python代码是非常简单的。
当然还有第二种写法,先通过将一个url地址转换成一个Request请求对象,再将Request请求对象作为参数传递给urlopen方法。
import urllib2
req = urllib2.Request('百度一下,你就知道')
response = urllib2.urlopen(req)
my_page = response.read()
print my_page
但是这样直接用Python的urllib2给一个网站发送请求的话,确实有写唐突了。这就好比是,人家每家都有个门,你以一个路人的身份直接闯进去显然不是很礼貌,有可能对于有的网站会拒绝你的请求。
![244a6504860c21810e9a97d868a72022.png](https://i-blog.csdnimg.cn/blog_migrate/8418cb82c6fdba5ce891289e3f7662ec.png)
但是如果我们用一个合法的身份去请求别人的网站,显然人家就会很欢迎。
![cc1e37f5ea10201648aaab0598ed825a.png](https://i-blog.csdnimg.cn/blog_migrate/91d3d706f385482d22baa5e170e906f0.png)
所以我们就应该给我们的这个代码加上一个身份,就是所谓的User-Agent头
what?如果你之前不是学习前端的,这个东西确实对于C或者后端工程师来说是一个很头疼的东西,不过不要紧,不是我们的东西这里只做了解即可。
我只需要告诉你一句话,就是你用不同的浏览器在发送请求的时候,会有不同的User-Agent头。
浏览器就是世界上被允许的身份。那么如果你不想你的爬虫代码成为一个路人,你需要伪装成一个被公认的浏览器。
伪装的办法当然就是给自己的请求加上一个对应的User-Agent头啦。
下面我们编辑urllib2_test03.py:
import urllib2
#我们要请求的url地址
url = "百度一下,你就知道"
#我们要伪装的浏览器user-agent头
user_agent = 'Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; Tr
ident/5.0;' #IE 9.0
#创建一个字典,使请求的headers中'User-Agent':对应我们user_agent字符串
headers = {'User-Agent':user_agent}
#新建一个请求,需要将请求中的headers变量换成我们刚才创建好的headers
req = urllib2.Request(url, headers = headers)
#请求服务器,得到回应
response = urllib2.urlopen(req)
#得到回应的内容
the_page = response.read()
#将内容打到屏幕上
print the_page
以上就是url的一个基本的操作,那么如果你想实现一个简单的爬虫这些就足够了。但是如果你想深入的去了解urllib2的其他操作,显然这个教程不能满足你,可以私信或者是留言找我获取urllib2的其他相关教程。
下一个阶段我们继续介绍有关urllib2的知识,而且最后如何得到一个精简的小爬虫程序。
二、百度贴吧小爬虫
首先我们创建一个python文件,tieba_spider.py
我们要完成耳朵是输入一个百度贴吧的网址,比如:
LOL吧第一页:http://tieba.baidu.com/f?kw=lol&ie=utf-8&pn=0
这个是lol吧的第一个url地址,如果打开第二页,你会发现他的url如下:
LOL吧第二页:http://tieba.baidu.com/f?kw=lol&ie=utf-8&pn=50
LOL吧第三页:lol吧-百度贴吧--第一手电竞资讯/英雄攻略/尽在LOL吧
可以从中发现规律了吧,贴吧中每个页面不同,url出来最后的pn的值,其余的都是一样的,我们可以抓住这个规律。
简单恶写一个小爬虫程序,来爬取百度LOL吧的所有网页。
上一届我们已经写出了一个爬取一个网页的代码。
现在,我们将它封装成一个小函数load_page,供我们来使用。
def load_page(url):
'''
@brief 通过URL请求爬取到html静态页面源代码
@param url 要爬取的url地址
@returns
源代码
'''
req = urllib2.Request(url)
response = urllib2.urlopen(req)
html = response.read()
return html
接下来,我们写一个百度贴吧爬虫接口,我们需要传递3个参数给这个接口。
一个是我们要爬取的url地址,和要爬取页码的范围。
def tieba_spider(url, begin_page, end_page):
'''
@brief 百度贴吧爬虫核心程序
@param url 要爬取的url地址
@param begin_page 爬虫贴吧的起始页数
@param end_page 爬虫贴吧的终止页数
'''
user_agent = 'Mozilla/5.0 (compatible; MSIE 9.0; Windows NT
6.1; Trident/5.0;' #IE 9.0
headers = {'User-Agent':user_agent}
for i in range(begin_page, end_page+1):
#根据百度贴吧的url中的页码pn规律
# 当你打开第一页 pn = 0
# 当你打开第二页 pn = 50
# 当你打开第三页 pn = 100
# 当你打开第四页 pn = 150 -0
# ....
# 所以 pn = 50* (page-1)
pn = 50 * (i - 1)
html = load_page(url+str(pn))
最后如果我们希望将爬取到的每页的信息存储在本地磁盘上,我们可以简单写一个存储文件的接口。
def write_file(file_name, text):
'''
@brief 将字符串内容写到文件中
@param file_name 文件路径
@param text 要写进的字符串
'''
print '正在存储文件' + file_name
f = open(file_name, 'w+')
f.write(text)
f.close
ok,接下来就是写一个main函数,然后提示用户输入即将爬取的百度贴吧url地址。
注意:百度贴吧最后页码” pn=??? “中的 ??? 为我们传入的页码参数,所以我们再提供的
时候不能包括 ??? )
if __name__ == '__main__':
bdurl = str(raw_input('请输入贴吧的地址, 去掉pn=后面的数字:'))
begin_page = int(raw_input('请输入开始的页数'))
end_page = int(raw_input('请输入结束的页数'))
tieba_spider(bdurl, begin_page, end_pag
综上所述,全部的完整代码应该如下:
# -*- coding: utf-8 -*-
#-------------------------
# 百度贴吧小爬虫
# 作者:无崖子
# 日期:2016-3-2
# sys: mac os
# python 2.7.6
# os: mac
#-------------------------
import urllib2
def write_file(file_name, text):
'''
@brief 将字符串内容写到文件中
@param file_name 文件路径
@param text 要写进的字符串
'''
print '正在存储文件' + file_name
f = open(file_name, 'w+')
f.write(text)
f.close()
def load_page(url):
'''
@brief 通过URL请求爬取到html静态页面源代码
@param url 要爬取的url地址
@returns
源代码
'''
req = urllib2.Request(url)
response = urllib2.urlopen(req)
html = response.read()
return html
def tieba_spider(url, begin_page, end_page):
'''
@brief 百度贴吧爬虫核心程序
@param url 要爬取的url地址
@param begin_page 爬虫贴吧的起始页数
@param end_page 爬虫贴吧的终止页数
'''
user_agent = 'Mozilla/5.0 (compatible; MSIE 9.0; Windows NT
6.1; Trident/5.0;' #IE 9.0
headers = {'User-Agent':user_agent}
for i in range(begin_page, end_page+1):
#根据百度贴吧的url中的页码pn规律
# 当你打开第一页 pn = 0
# 当你打开第二页 pn = 50
# 当你打开第三页 pn = 100
# 当你打开第四页 pn = 150 -0
# ....
# 所以 pn = 50* (page-1)
pn = 50 * (i - 1)
html = load_page(url+str(pn))
file_name = str(i) +'.html'
print '正在下载第' + str(i) + '个网页'
write_file(file_name, html)
if __name__ == '__main__':
bdurl = str(raw_input('请输入贴吧的地址, 去掉pn=后面的数字:'))
begin_page = int(raw_input('请输入开始的页数'))
end_page = int(raw_input('请输入结束的页数'))
tieba_spider(bdurl, begin_page, end_page)
好了,最后我们来测试一下咱们的小爬虫。
输入lol吧的地址 ” http://tieba.baidu.com/f?kw=lol&ie=utf-8&pn= ”
注意:=号后面不要加数字,因为我们要自动添加
ocalhost:spider ldb$ python tieba_spider.py
请输入贴吧的地址, 去掉pn=后面的数字:http://tieba.baidu.com/f?kw=lol&ie=u
tf-8&pn=
请输入开始的页数5
请输入结束的页数10
正在下载第5个网页
正在存储文件5.html
正在下载第6个网页
正在存储文件6.html
正在下载第7个网页
正在存储文件7.html
正在下载第8个网页
正在存储文件8.html
正在下载第9个网页
正在存储文件9.html
正在下载第10个网页
正在存储文件10.html
最后会发现当前路径下会有几个html页面,分别对应贴吧中对应的网页。
这样一个简单的爬虫程序就搞定了。
这就是今天的全部内容,学过之后快拿到你所需用的贴吧来测试检验一下你是否学会了吧。明天我们将开始正则表达式的全部内容。