一文搞懂各大APP&网站python网络爬虫

最新推荐文章于 2024-06-13 09:00:00 发布

IT农民工1

最新推荐文章于 2024-06-13 09:00:00 发布

阅读量1.2k

点赞数

本文转载自数据EDTA，相亲可以扫描下方二维码：

很久以前写了一篇爬虫的文章，把它放在CSDN上（livan1234）没想到点击量竟然暴涨，足以看到大家在数据获取方面的需求，爬虫技术现在已经非常普遍，其用途也非常广泛，很多牛人在各个领域做过相关的尝试，比如：

1）爬取汽车之家数据，利用论坛发言的抓取以及NLP，对各种车型的车主做画像。

2）抓取各大电商的评论及销量数据，对各种商品（颗粒度可到款式）沿时间序列的销量以及用户的消费场景进行分析。

3）还可以根据用户评价做情感分析，实时监控产品在消费者心目中的形象，对新发布的产品及时监控，以便调整策略。

4）抓取房产买卖及租售信息，对热热闹闹的房价问题进行分析。

5）抓取大众点评、美团网等餐饮及消费类网站：各种店面的开业情况以及用户消费和评价，了解周边变化的口味，所谓是“舌尖上的爬虫”。以及各种变化的口味，比如：啤酒在衰退，重庆小面在崛起。

6）58同城等分类信息网站：抓取招商加盟的数据，对定价进行分析，帮助网友解惑。

7）拉勾网、中华英才网等招聘网站：抓取各类职位信息，分析最热门的职位以及薪水。

8）挂号网等医疗信息网站：抓取医生信息并于宏观情况进行交叉对比。

9）应用宝等App市场：对各个App的发展情况进行跟踪及预测。（顺便吹一下牛，我们这个榜单很早就发现小红书App的快速增长趋势以及在年轻人中的极佳口碑）

10）携程、去哪儿及12306等交通出行类网站：对航班及高铁等信息进行抓取，能从一个侧面反映经济是否正在走入下行通道。

11）雪球等财经类网站：抓取雪球KOL或者高回报用户的行为，找出推荐股票

12）58同城二手车、易车等汽车类网站：什么品牌或者型号的二手车残值高？更保值？反之，什么类型的贬值较快？- 二手车，找出最佳的买车时间以及最保值的汽车。

13）神州租车、一嗨租车等租车类网站：抓取它们列举出来的租车信息，长期跟踪租车价格及数量等信息。

14）各类信托网站：通过抓取信托的数据，了解信托项目的类型及规模。其实还有很多数据，不一一列举了。

上次的文章是在讨论移动端的数据获取：https://blog.csdn.net/livan1234/article/details/80850978

本文对爬虫做一个全面的总结，不一定包治百病，但是能治好大部分疾病，希望能够对大家有所帮助：

1、 urllib 库:这是一个在爬虫领域绕不开的库，他支持 http 的爬取，几乎可以取到方方面面的内容。

以下面的豆瓣案例做一个简要的解释：

豆瓣小案例:

#!/usr/bin/env python # _*_ UTF-8 _*_

import urllib.request import re

data = urllib.request.urlopen("https://read.douban.com/provider/all").read()

data = data.decode("utf-8")

pattern = '<div>(.*?)</div>'

mydata = re.compile(pattern).findall(data)

fh = open("出版社.txt", "w")

for i in range(0,len(mydata)):

fh.write(mydata[i]+"\n")

fh.close()

常用函数:

import urllib.request

#一、常用函数:

#1、将第一个参数中的网址，直接下载到filename 路径下，爬下来的数据为一个网页。

data = urllib.request.urlretrieve("http://www.hellobi.com",

filename="F:\python_workspace\spider_douban")

#2\清除缓存,清除urlretrieve 等下载时保存的数据

urllib.request.urlcleanup()

#3\爬取页面数据file = urllib.request.urlopen("http://www.hellobi.com")

#4\返回当环境的信息file.info()

#5\获取当前网页的状态码和网址。

print(file.getcode()) print(file.geturl())

2、超时设置:

由于网络速度或者对方服务器的问题，我们爬取一个网页的时候，都需要设置时间，我们访问一个网页，如果该网页长时间未响应，那么我们的系统就会判断该网页超时了，即无法打开该网页。

有时候，我们需要根据自己的需求，来设置超时的时间值，比如：有些网站会反应快，我们希望2秒种没有反应则判断为超时，那么此时，timeout=2即为设置方式，即在 urlopen 中加入 timeout 参数。再比如，有些网站服务器反应慢，那么我们希望100秒没有反应，才判断超时，此时的timeout即设置为100，接下来为大家讲解爬虫超时的设置。

file = urllib.request.urlopen("http://www.hellobi.com",timeout=10)

for i in range(0,100):

try:

file=urllib.request.urlopen("http://yum.iqianyue.com", timeout=1)

data=file.read()

print(len(data))

except Exception as e:

print("出现异常:"+str(e))

3、自动模拟 Http 请求:

客户端如果要与服务器端进行通信，需要通过http进行请求，http请求有很多种，我们在此会讲post与get两种请求方式，比如登录、搜索某些信息的时候会用到。

1）处理 get 请求:

#!/usr/bin/env python # _*_ UTF-8 _*_

import urllib.request keywd = "python"

#对网址中出现的中文进行相应的编码,得到进行编码之后的中文，后面可以直接使用。keywd=urllib.request.quote(keywd)

url = "http://www.baidu.com/s?wd"+keywd+"&ie=urf-8&tn=96542061_hao_pg"

#将url 封装为一个请求req = urllib.request.Request(url)

data = urllib.request.urlopen(req).read()

fh = open("test.txt","wb")

fh.write(data)

2）理 post 请求:

<body>

<form action=””,method=”post”>

姓名：<input name=”name” type=”text”/><br>

密码：<input name=”pass” type=”text”/><br>

<input name=”” type=”submit” value=”点击提交”>

</body>

在新浪 login.sina.com.cn 中即可看到，form 为 post 方式。我们只需要 form 表单中的 name 属性即可。

如下图：

640?wx_fmt=png

#!/usr/bin/env python # _*_ UTF-8 _*_

import urllib.requestimport urllib.parse"http://www.iqianyue.com/mypost/"

#设置对应的表单信息,urlencode 中针对代码中的name 值。

mydata = urllib.parse.urlencode({

"name":"ceo@iqianyue.com" "pass":"123456" }).encode("utf-8")

#将数据转换为请求req = urllib.request.Request(url, mydata)

#发送请求data = urllib.request.urlopen(req).read()

fh = open("test_post.txt","wb")

fh.write(data)

4、爬虫的异常处理:

爬虫在运行的过程中，很多时候都会遇到这样或那样的异常。如果没有异常处理，爬虫遇到异常时就会直接崩溃停止运行，下次再次运行时，又会重头开始，所以，要开发一个具有顽强生命力的爬虫，必须要进行异常处理。

异常处理主要是为了增强代码的稳定性。

640?wx_fmt=png

两者都是异常处理的类，HTTPError是URLError的子类，HTTPError有异常状态码与异常原因，URLError没有异常状态码，所以，在处理的时候，不能使用URLError直接替代HTTPError。如果要替代，必须要判断是否有状态码属性。

接下来我们通过实战讲解：

urlError:

1、连不上服务器2、远程的url 不存在

3、本地没有网络

4、触发了对应的 httpError 子类

具体的实战为:

#!/usr/bin/env python # _*_ UTF-8_*_

import urllib.error import urllib.request

try:

urllib.request.urlopen("http://blog.csdssn.net")

print("111")

except urllib.error.URLErroras e:

if hasattr(e, "code"):

print(e.code)

if hasattr(e, "reason"):

print(e.reason)

5、爬虫的伪装技术：

浏览器伪装技术原理：

我们可以试试爬取csdn博客，我们发现会返回403，因为对方服务器会对爬虫进行屏蔽。此时我们需要伪装成浏览器才能爬取。

浏览器伪装我们一般通过报头进行，接下来我们通过实战分析一下。

#!/usr/bin/env python # _*_ UTF-8 _*_

import urllib.error import urllib.request

url="http://blog.csdn.net/weiwei_pig/article/details/52123738"

header = ("User-Agent":"Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/56.0.2924.87 Safari/537.36")

#用来添加报头信息opener = urllib.request.build_opener()

opener.addheaders=[header]

data = opener.open(url).read()

fh = open("test_header","wb")

fh.write(data)

6、新闻网站爬取:

需求：将新浪新闻首页（http://news.sina.com.cn/）所有新闻都爬到本地。

思路：先爬首页，通过正则获取所有新闻链接，然后依次爬各新闻，并存储到本地。

#!/usr/bin/env python # _*_ UTF-8 _*_

import urllib.request import re

data = urllib.request.urlopen("http://news.sina.com.cn/").read()

data2 = data.decode("utf-8", "ignore")'href="(http://news.sina.com.cn/.*?)">'allurl = re.compile(pat).findall(data2)

for i in range(0, len(allurl)):

try:

print("第"+str(i)+"次爬取")str(i)+".html" urllib.request.urlretrieve(thisurl, file)

print("------成功-------")

except urllib.request.URLError as e:

if hasattr(e, "code"):

print(e.code)if hasattr(e, "reason"):

print(e.reason)

640?wx_fmt=png

7、爬虫防屏蔽手段之代理服务器:

640?wx_fmt=png

#!/usr/bin/env python # _*_ UTF-8 _*_

import urllib.request import re

url = "http://blog.csdn.net/"

headers = ("User-Agent","Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/56.0.2924.87 Safari/537.36")

#建一个浏览器opener

opener = urllib.request.build_opener()

#将头加入到opener 中opener.addheaders=[headers]

#将opener 安装为全局urllib.request.install_opener(opener)

data = urllib.request.urlopen(url).read().decode("utf-8", "ignore")

pat = '<h3 data-mod="popu_430" data- poputype="feed" data-feed-show="false" data-dsm="post"><a

href="(.*?)"'

result =re.compile(pat).findall(data)

for i in range(0, len(result)):

file = str(i)+".html" urllib.request.urlretrieve(result[i], filename=file) print("第"+str(i)+"次爬取成功")

#由此可以将 CSDN 首页所有的文章爬取下来。

如何做代理:

#!/usr/bin/env python # _*_ UTF-8 _*_

import urllib.request

def use_proxy(url, proxy_addr):"http": proxy_addr})

opener = urllib.request.build_opener(proxy,

urllib.request.HTTPHandler)"utf-8", "ignore")

return data

proxy_addr = []

"110.73.43.18:8123"

url = "http://www.baidu.com"data = use_proxy(url, proxy_addr)

print(len(data))

8、图片爬虫实战: 在浏览器爬取时，有时不同的浏览器会有不同的查询结果，解析出不同的源码。

首先在“审查元素”中确定元素的重点字段是哪些，然后再在“源码”中查找对应的图片位置，确定图片 url 的规则。

#!/usr/bin/env python # _*_ UTF-8 _*_

import urllib.request

import re

keyname = "短裙"key = urllib.request.quote(keyname)

headers = ("User_Agent", "Mozilla/5.0 (Windows NT 10.0; WOW64; rv:53.0) Gecko/20100101 Firefox/53.0")

urllib.request.install_opener(opener)

for i in range(0, 10):

url = "https://s.taobao.com/search?q="+key+"&imgfile=&commend=all&ssid=s5- e&search_type=item&sourceId=tb.index&spm=a21bo.2017.201856-taobao- item.1&ie=utf8&initiative_id=tbindexz_20170306&bcoffset=4&ntoffset=4&p4 ppushleft=1%2C48&s="+str(i*44)

data = urllib.request.urlopen(url).read().decode("utf-8", "ignore")

pat = 'pic_url":"//(.*?)"'imagelist = re.compile(pat).findall(data)for j in range(0, len(imagelist)):

thisimg = imagelist[j]

thisimgurl = "http://"+thisimg"F:/python_workspace/test/pic/"+str(i)+str(j)+".jpg"

urllib.request.urlretrieve(thisimgurl, filename=file)

在源码解决不了的情况下，需要进行抓包。作业:千图网的爬取(可以通过调试找到报错原因):

#!/usr/bin/env python

# _*_ UTF-8 _*_

import urllib.request import re

for i in range(1,10):"http://www.58pic.com/piccate/3-153-652-"+str(i)+".html"

data = urllib.request.urlopen(pageurl).read().decode("utf-8",

"ignore")'<a.*?src="(.*?).jpg!"'

imglist = re.compile(pat).findall(data)for j in range(0,len(imglist)):

try:"_1024.jpg"file = "F:/python_workspace/test/pic2/"+str(i)+str(j)+".jpg"

urllib.request.urlretrieve(thisimgurl, filename=file)

print("第"+str(i)+"页第"+str(j)+"个图片爬取成功")

except urllib.error. URLError as e:

if hasattr(e, "code"):

print(e.code)if hasattr(e, "reason"):

print(e.reason)

except Exception as e:

print(e)

9、抓包分析实战(一)

获取淘宝的评论信息、腾讯的娱乐新闻信息等需要抓包分析。如何抓取 https 的数据包以及腾讯视频的评论。

TextView:显示返回的信息;

设置完 fiddler 之后，点击要爬取的页面，回到 fiddler 中，确定有 js 内容的链接:

640?wx_fmt=png

对应的网址为:

https://rate.tmall.com/list_detail_rate.htm?itemId=42679128869&spuId=315119437&sellerId=2166475645&order=3&currentPage=1&append=0&content=1&tagId=&posi=&picture=&ua=098%23E1hv%2FpvEvbQvUvCkvvvvvjiPP2Lw0jEbPL59AjnEPmPZQj1Pn2L9QjEvR2MwljE8vphvC9vhvvCvpvyCvhQvryGvCzox9WFIRfU6pwet9E7rejZIYExr1EuK46en3OkQrEttpR2y%2BnezrmphQRAn3feAOHPIAXcBKFyK2ixrlj7xD7QHYWsUtE97Kphv8vvvvvCvpvvvvvmCc6Cv2UIvvUnvphvpgvvv96CvpCCvvvmCXZCvhhmEvpvV2vvC9jx2uphvmvvv98GEKUM72QhvCvvvMMGtvpvhvvvvv8wCvvpvvUmm3QhvCvvhvvv%3D&isg=AoKCecM7b7NouHNtRCUm6rar0osk--IFkGgfUsyboPWxHyKZtOPWfQjduSCd&needFold=0&_ksTS=1508769919830_1070&callback=jsonp1071

然后确定其中的 itemId 等字段的内容，其中的部分内容未必有用处，可以直接删除，比如上面 url的 ua 字段。

如果要抓取 https 的数据:

640?wx_fmt=png

Fiddler 默认只能抓取 HTTP 协议的网页，不能抓取 HTTPS 协议的网页，而我们很多时候，都需要抓 HTTPS 协议的网页，比如抓淘宝数据等。今天，韦玮老师会为大家讲解如何使用 Fiddler 抓取 HTTPS 协议的网页。

打开 Fiddler，点击“Tools--FiddlerOptions--HTTPS”，把下方的全部勾上，如下图所示:

640?wx_fmt=png

然后，点击 Action，选择将CA 证书导入到桌面，即第二项，导出后，点击上图的 ok 保存配置。

640?wx_fmt=png

然后在桌面上就有了导出的证书，如下所示:

640?wx_fmt=png

随后，我们可以在浏览器中导入该证书。我们打开火狐浏览器，打开“选项--高级--证书- -导入”，选择桌面上的证书，导入即可。随后，Fiddler 就可以抓 HTTPS 协议的网页了。如下图所示。

640?wx_fmt=png

抓取腾讯视频的评论:

640?wx_fmt=png

其中有多个字段，commentid 等，在点击“加载更多”时，commentID 会发生变化，在第一个url 的源码中会找到下一个评论 url 的地址，找到 last 字段，即为下一个 url 的commentid，以此来构造下一个 url。

#!/usr/bin/env python # _*_ UTF-8 _*_

import urllib.request import reimport urllib.error

headers = ("User_Agent", "Mozilla/5.0 (Windows NT 10.0; WOW64; rv:53.0) Gecko/20100101 Firefox/53.0")

opener = urllib.request.build_opener()

opener.addheaders = [headers]

urllib.request.install_opener(opener)

comid = "6323280825454961655"

url = "http://coral.qq.com/article/2102904258/comment?commentid="+comid+"&req num=20&tag=&callback=jQuery1124020025941284059412_1508770934137&_=15087 70934145"for i in range(0, 100):

data = urllib.request.urlopen(url).read().decode()

patnext = '"last":"(.*?)"' nextid = re.compile(patnext).findall(data)[0]

patcom = '"content":"(.*?)",'

comdata = re.compile(patcom).findall(data)

for j in range(0, len(comdata)):

print("------第"+str(i)+str(j)+"条评论内容是:")

print(eval('u"'+comdata[j]+'"'))

url =

"http://coral.qq.com/article/2102904258/comment?commentid="+nextid+"&re qnum=20&tag=&callback=jQuery1124020025941284059412_1508770934137&_=1508 770934145"

10、微信爬虫实战:

如何解决微信的限制?

640?wx_fmt=png

#!/usr/bin/env python # _*_ UTF-8 _*_

#http://weixin.sogou.com/

import reimport urllib.request import timeimport urllib.error

#自定义函数，功能为使用代理服务器爬一个网址

def use_proxy(proxy_addr, url): #建立异常处理机制try:

req = urllib.request.Request(url)

req.add_header("User_Agent", "Mozilla/5.0 (Windows NT 10.0; WOW64; rv:53.0) Gecko/20100101 Firefox/53.0")

proxy = urllib.request.ProxyHandler({'http':proxy_addr})

opener = urllib.request.build_opener(proxy, urllib.request.HTTPHandler)

urllib.request.install_opener(opener)

data = urllib.request.urlopen(req).read()

return data

except urllib.error.URLError as e:

if hasattr(e, "code"):

print(e.code)if hasattr(e, "reason"):

print(e.reason)

#若为URLError 异常，延时10 秒执行time.sleep(10)

except Exception as e:

print("exception:"+str(e))

time.sleep(1)

#设置关键词key = "Python" #设置代理服务器，该代理服务器有可能失效，读者需要换成新的有效代理服务器#即通过fiddler 中转爬取。proxy = "127.0.0.1:8888"#爬多少页:for i in range(0, 10):

key = urllib.request.quote(key)

thispageurl = "http://weixin.sogou.com/weixin?type=2&query="+key+"&page"+str(i)

#a="http://blog.csdn.net"

thispagedata = use_proxy(proxy, thispageurl)

print(len(str(thispagedata)))'<a href="(.*?)"'rs1 = re.compile(pat1, re.S).findall(str(thispagedata))

if(len(rs1)==0):

print("此次("+str(i)+"页)没有成功")

continuej in range(0, len(rs1)):

thisurl = rs1[j]

#提取到的网址与通过浏览器实际跳转的页面网址不完全一致，通过比#较观察发现，爬取的页面中有amp 字段为多余。

thisurl = thisurl.replace("amp;","")

file = "F:/python_workspace/test/wechat/第"+str(i)+"页第"+str(j)+"篇文章.html"

thisdata = use_proxy(proxy, thisurl)

try:

fh = open(file, "wb")print("第"+str(i)+"页第"+str(j)+"篇文章成功")

except Exception as e:

print(e)

print("第"+str(i)+"页第"+str(j)+"篇文章失败")

微信爬虫的爬取依然是使用浏览器，即在搜狗浏览器上使用微信网页版，然后编辑这个页面的 url，以获取内容。

11、多线程爬取实战糗事百科的代码:

#!/usr/bin/env python # _*_ UTF-8 _*_

import urllib.request import reimport urllib.error

headers = ("User_Agent", "Mozilla/5.0 (Windows NT 10.0; WOW64; rv:53.0) Gecko/20100101 Firefox/53.0")

urllib.request.install_opener(opener)

for i in range(1, 2):"https://www.qiushibaike.com/8hr/page/"+str(i)

pagedata=urllib.request.urlopen(url).read().decode("utf-8","ignore") pat='<div>.*?<span>(.*?)</span>.*?</div>'datalist = re.compile(pat, re.S).findall(pagedata)for j in range(0, len(datalist)):

print("第"+str(i)+"页第"+str(j)+"个段子的内容是:")

print(datalist[j])

将此程序改为多进程为:

#!/usr/bin/env python # _*_ UTF-8 _*_

import urllib.request import reimport urllib.error import threading

headers = ("User_Agent", "Mozilla/5.0 (Windows NT 10.0; WOW64; rv:53.0) Gecko/20100101 Firefox/53.0")

urllib.request.install_opener(opener)

class One(threading.Thread):

def __init__(self):

threading.Thread.__init__(self)

def run(self):

for i in range(1, 36, 2):