Python网络爬虫（环境配置, urllib库, 百度贴吧，有道翻译爬取）

1、网络爬虫

定义 ：网络蜘蛛、网络机器人,抓取网络数据的程序

总结 ：用Python程序去模仿人去访问网站,模仿的越逼真越好

爬取数据的目的 ：通过有效的大量数据分析市场走势、公司决策

2、企业获取数据的方式

公司自有数据

第三方数据平台购买

数据堂、贵阳大数据交易所

爬虫爬取数据

市场上没有或者价格太高,利用爬虫程序爬取

3、Python做爬虫优势

请求模块、解析模块丰富成熟,强大的scrapy框架

PHP ：对多线程、异步支持不太好

JAVA ：代码笨重,代码量很大

C/C++ ：虽然效率高,但是代码成型很慢

4、爬虫分类

  通用网络爬虫(搜索引擎引用,需要遵守robots协议)

    http://www.taobao.com/robots.txt

    搜索引擎如何获取一个新网站的URL

网站主动向搜索引擎提供(百度站长平台)

和DNS服务网(万网),快速收录新网站

  聚焦网络爬虫

    自己写的爬虫程序：面向主题的爬虫、面向需求的爬虫

5、爬取数据步骤

  确定需要爬取的URL地址

  通过HTTP/HTTPS协议来获取相应的HTML页面

  提取HTML页面有用的数据

    所需数据,保存

    页面中有其他的URL,继续 第2步

6、Anaconda和Spyder

  Anaconda ：开源的Python发行版本

  Spyder ：集成开发环境

    Spyder常用快捷键：

      注释/取消注释 ：ctrl + 1

      保存 ：ctrl + s

      运行程序 ：f5

      自动补全 ：Tab

        本来是打算用Spyder的但是感觉没有Pycharm好用

        微软的VScode也不错   说实话 Pycharm好用但是在爬虫方面 运行效率稍差

7、Chrome浏览器插件

如果可以翻墙直接在谷歌商店点击添加就可以

Mac推荐高效免费VPN： VPN Plus

  安装步骤

右上角 - 更多工具 - 扩展程序

点开右上角 - 开发者模式

把插件 拖拽到 浏览器页面,释放鼠标,点击 添加扩展...

我个人用的是Mac系统  之前是Ubuntu  不过都差不多 一下是Mac安装Fiddler

1、安装Mono   .net虚拟机

Mono下载地址：

https://www.mono-project.com/download/stable/

安装完成后，在在Terminal里执行以下命令：

		/Library/Frameworks/Mono.framework/Versions/<mono version>/bin/mozroots --import —sync
		注意：<mono version>是指Mono版本号

我的是 5.16.0

/Library/Frameworks/Mono.framework/Versions/5.16.0/bin/mozroots --import —sync

将mono添加到环境变量  默认自动添加

		export MONO_HOME=/Library/Frameworks/Mono.framework/Versions/5.16.0
		export PATH=PATH:MONO_HOME/bin

2.下载Fiddler.zip压缩文件

从Fiddler官网https://www.telerik.com/download/fiddler下载fiddler-mac.zip的压缩包。

解压压缩包

在解压后的文件内运行以下命令

sudo mono Fiddler.exe

如果报错运行一下命令  等待时间可能会久一点 

sudo mono --arch=32 Fiddler.exe

我是用的sudo mono --arch=32 Fiddler.exe 这个命令 

因为我用sudo mono Fiddler.exe 命令会报错

并且我将 fiddler的绝对路径  添加了自定义环境变量

vi ~/.bash_profile

alias fiddler="sudo mono --arch=32 绝对路径/Fiddler.exe"

source .bash_profile

fiddler  这样就可以直接在终端运行Fiddler了

顺便说一下 Mac下的apt-get包管理工具

Homebrew

官网： https://brew.sh/index_zh-cn

安装：

/usr/bin/ruby -e "$(curl -fsSL https://raw.githubusercontent.com/Homebrew/install/master/install)"

安装成功后可以使用brew安装软件包  具体内容看官网 有详细介绍

	安装 mysql
		brew install mysql
	安装MongoDB
		brew install mongodb
	安装Redis
		brew install redis

  2、插件介绍

    Proxy SwitchOmega ：代理切换插件

    Xpath Helper ：网页数据解析插件

    JSON View    ：查看json格式的数据(好看)

8、Fiddler抓包工具

  抓包工具设置

Tools->options->HTTPS->...from browers only

connections ：设置端口号 8888

  设置浏览器代理

    Proxy SwitchOmega -> 选项 -> 新建情景模式 -> HTTP 127.0.0.1 8888 -> 应用选项

    浏览器右上角图标 -> AID1806 -> 访问百度

当然Mac下有更好抓包工具  比如 Charles

可惜是收费软件 之前的破解版都被和谐了

感兴趣的朋友可以去了解一下  还是非常强大的

9、WEB

  HTTP和HTTS

    HTTP ：80

    HTTPS ：443,HTTP的升级版,加了一个安全套接层

  GET和POST

    GET ：查询参数都会在URL上显示出来

    POST：查询参数和需要提交数据是隐藏在Form表单里的,不会再URL地址上显示

  URL ：统一资源定位符

    https://  item.jd.com  :80   /26809408972.html #detail

      协议     域名/IP地址  端口  访问资源的路径    锚点

  4、User-Agent

    记录用户的浏览器、操作系统等,为了让用户获取更好的HTML页面效果

    User-Agent: Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/69.0.3497.100 Safari/537.36

    Mozilla Firefox ：(Gecko内核)

    IE ：Trident(自己的内核)

    Linux : KTHML(like Gecko)

    Apple ：Webkit(like KHTML)

    Google：Chrome(like Webkit)

    其他浏览器都是模仿IE/Chrome

10、爬虫请求模块

  版本

    python2 ：urllib2、urllib

    python3 ：把urllib和urllib2合并,urllib.request

  常用方法

    urllib.request.urlopen("网址")

      作用 ：向网站发起一个请求并获取响应

        字节流 = response.read()

        字符串 = response.read().decode("utf-8")

        encode() : 字符串 --> bytes

        decode() : bytes  --> 字符串

import urllib

# response为响应对象
response = urllib.request.urlopen("http://www.baidu.com/")
html = response.read().decode("utf-8")
print(html)

    重构User-Agent

        不支持重构User-Agent ：urlopen()

        支持重构User-Agent

      urllib.request.Request(添加User-Agent)

urllib.request.Request("网址",headers="字典")

  User-Agent是爬虫和反爬虫斗争的第一步,发送请求必须带User-Agent

import urllib.request

url = "http://www.baidu.com/"
headers = {"User-Agent":"Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/69.0.3497.100 Safari/537.36"}
# 1.创建请求对象(有User-Agent)
req = urllib.request.Request(url,headers=headers)
# 2.获取响应对象(urlopen())
res = urllib.request.urlopen(req)
# 3.响应对象read().decode("utf-8")
#html = res.read().decode("utf-8")
#print(html)
print(res.getcode())
print(res.geturl())

利用Request()方法构建请求对象

利用urlopen()方法获取响应对象利

用响应对象的read().decode("utf-8")获取内容

  响应对象response的方法

    read() ：读取服务器响应的内容

getcode()

  作用

    返回HTTP的响应码

      print(respones.getcode())

      200 ：成功

      4XX ：服务器页面出错

      5XX ：服务器出错

geturl()

作用 ：返回实际数据的URL(防止重定向问题)

#拼接URL
baseurl = "http://www.baidu.com/s?"
key = input("请输入要搜索的内容:")
#进行urlencode()编码
wd = {"wd":key}
key = urllib.parse.urlencode(wd)

url = baseurl + key
headers = {"User-Agent":"Mozilla/5.0"}
# 创建请求对象
req = urllib.request.Request(url,headers=headers)
# 获取响应对象
res = urllib.request.urlopen(req)
html = res.read().decode("utf-8")

#写入本地文件
with open("搜索.html","w",encoding="gb18030") as f:
    f.write(html)

urllib.parse模块

    urlencode(字典)  ## 注意：参数一定要为字典

        urlencode({"wd":"美女"})

        wd=%e8.......

        tedu = {"wd":"巴黎IT"}   //我自己的网站 过段时间上线

请输入你要搜索的内容：美女

保存到本地文件 ：美女.html

key = urllib.parse.quote("字符串")

baseurl = "http://www.baidu.com/s?wd="

key = input("请输入要搜索的内容:")

#进行quote()编码

key = urllib.parse.quote(key)

url = baseurl + key

print(url)

#拼接URL
baseurl = "http://www.baidu.com/s?wd="
key = input("请输入要搜索的内容:")
#进行quote()编码
key = urllib.parse.quote(key)

url = baseurl + key
print(url)
headers = {"User-Agent":"Mozilla/5.0"}
# 创建请求对象
req = urllib.request.Request(url,headers=headers)
# 获取响应对象
res = urllib.request.urlopen(req)
html = res.read().decode("utf-8")

#写入本地文件
with open("搜索2.html","w",encoding="gb18030") as f:
    f.write(html)

    百度贴吧数据抓取

    要求：

      1、输入要抓取的贴吧名称

      2、输入爬取的起始页和终止页

      3、把每一页的内容保存到本地

        第1页.html 第2页.html ... ... 

    步骤：

找URL规律,拼接URL

第1页：http://tieba.baidu.com/f?kw=??&pn=0

第2页：http://tieba.baidu.com/f?kw=??&pn=50

第3页：http://tieba.baidu.com/f?kw=??&pn=100

.....

第n页：pn=(n-1)*50

获取网页内容(发请求获响应)

保存(本地文件、数据库)

import urllib.request
import urllib.parse

class BaiduSpider:
    def __init__(self):
        self.headers = {"User-Agent":"Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/69.0.3497.100 Safari/537.36"}
        self.baseurl = "http://tieba.baidu.com/f?"
    
    def readPage(self,url):
        # 请求并读取页面
        req = urllib.request.Request(url,headers=self.headers)
        res = urllib.request.urlopen(req)
        html = res.read().decode("utf-8")
        return html
    
    def writePage(self,filename,html):
        with open(filename,"w",encoding="gb18030") as f:
            f.write(html)
            print("写入成功")
    
    def workOn(self):
        '''最终爬取'''
        name = input("请输入贴吧名:")
        begin = int(input("请输入起始页:")) 
        end = int(input("请输入终止页:"))
        # 对贴吧名name进行编码
        kw = {"kw":name}
        kw = urllib.parse.urlencode(kw)
        # 拼接URL,发请求,获响应
        for i in range(begin,end+1):
            # 拼接URL
            pn = (i-1)*50
            url = self.baseurl + kw + "&pn=" + str(pn)
            html = self.readPage(url)
            filename = "第" + str(i) + "页.html"
            self.writePage(filename,html)

if __name__ == "__main__":
    spider = BaiduSpider()
    spider.workOn()
    

11、请求方式及实例

  GET

    特点 ：查询参数在URL地址中显示

    案例 ：抓取百度贴吧

  POST(在Request方法中添加data参数)

    urllib.request.Request(url,data=data,headers=headers)

    data ：表单数据以bytes类型提交,不能是str

    处理表单数据为bytes类型

      把Form表单数据定义为字典data

      urlencode(data)

      转为bytes数据类型 ：bytes()

    有道翻译案例

    有道翻译返回的是json格式的字符串,如何把json格式的字符串转换为Python中字典

      import json

      r_dict = json.loads(r_json)

import urllib.request
import urllib.parse
import json


def main():
        while True:
                # 请输入你要翻译的内容
                key = input("(exit退出)有道翻译：:")
                if key == "exit":
                        break
                elif not key:
                    print("")
                    continue
                # 把提交的form表单数据转为bytes数据类型
                data = {"i": key,
                        "from":"AUTO",
                        "to":"AUTO",
                        "smartresult":"dict",
                        "client":"fanyideskweb",
                        "salt":"1540373170893",
                        "sign":"a5d9b838efd03c9b383dc1dccb742038",
                        "doctype":"json",
                        "version":"2.1",
                        "keyfrom":"fanyi.web",
                        "action":"FY_BY_REALTIME",
                        "typoResult":"false"
                    }
                # 字符串 i=python&from=auto....
                data = urllib.parse.urlencode(data)
                data = bytes(data,"utf-8")

                # 发请求,获取响应
                # url为POST的地址,抓包工具抓到的,此处去掉 _o
                url = "http://fanyi.youdao.com/translate?smartresult=dict&smartresult=rule"
                headers = {"User-Agent":"Mozilla/5.0"}
                # 此处data为form表单数据,为bytes数据类型
                req = urllib.request.Request(url,data=data,headers=headers)
                res = urllib.request.urlopen(req)
                html = res.read().decode("utf-8")

                # 把json格式字符串转换为Python中字典
                r_dict = json.loads(html)

                # 把翻译后的结果输出来
                # 请输入要翻译的内容 ：你好
                # hello
                result = r_dict['translateResult'][0][0].get("tgt", '您输入的信息未找到')
                print("=" * 50)
                print(result)
                print("=" * 50)


if __name__ == "__main__":
        main()