不骗你，步步案例，教你一文搞定python爬虫

最新推荐文章于 2024-10-06 12:23:48 发布

IT农民工1

最新推荐文章于 2024-10-06 12:23:48 发布

阅读量400

点赞数

本文转载自数据EDTA，详情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：

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 _*_
# author:livan
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()


常用函数为：


import urllib.request
#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())

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。

#!/usr/bin/env python
# _*_ UTF-8 _*_
# author:livan
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))

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)
fh.close()


2）处理 post 请求:

所谓post请求即为HTML 的 form 中存在 method=“post”的标签，如下文：

<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.request
import urllib.parse
url = "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)
fh.close()

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=jpeg

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 _*_
# author:livan
import urllib.error
import urllib.request
try:
    urllib.request.urlopen("http://blog.csdssn.net")
    print("111")
except urllib.error.URLError as e:
    if hasattr(e, "code"):
        print(e.code)
    if hasattr(e, "reason"):
        print(e.reason)

爬虫的伪装技术

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)
fh.close()

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 _*_
# author:livan
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)
fh.close()

640?wx_fmt=jpeg

爬虫防屏蔽手段之代理服务器

640?wx_fmt=jpeg

#!/usr/bin/env python
# _*_ UTF-8 _*_
# author:livan
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")


如何做代理:



#!/usr/bin/env python
# _*_ UTF-8 _*_
# author:livan
import urllib.request
def use_proxy(url, proxy_addr):
     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(url).read().decode("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))

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 _*_
# author:livan
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")
opener = urllib.request.build_opener()
opener.addheaders=[headers]
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&p4ppushleft=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
        file = "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 _*_
# author:livan
import urllib.request
import re
for i in range(1,10):
    pageurl = "http://www.58pic.com/piccate/3-153-652-"+str(i)+".html"  
    data = urllib.request.urlopen(pageurl).read().decode("utf-8", "ignore")
    pat = '<a.*?src="(.*?).jpg!"'
    imglist = re.compile(pat).findall(data)
    for j in range(0, len(imglist)):
        try:
            thisimg = imglist[j]
            thisimgurl = thisimg+"_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)

◆ ◆ ◆ ◆ ◆

长按二维码关注我们

数据森麟公众号的交流群已经建立，许多小伙伴已经加入其中，感谢大家的支持。大家可以在群里交流关于数据分析&数据挖掘的相关内容，还没有加入的小伙伴可以扫描下方管理员二维码，进群前一定要关注公众号奥，关注后让管理员帮忙拉进群，期待大家的加入。

管理员二维码：