python爬虫入门教程.docx
《python爬虫入门教程.docx》由会员分享，可在线阅读，更多相关《python爬虫入门教程.docx（183页珍藏版）》请在冰豆网上搜索。
python爬虫入门教程
Python爬虫入门三之Urllib库的基本使用
Python X庆才 5个月前（02-12） 13660℃ 13评论
那么接下来，小伙伴们就一起和我真正迈向我们的爬虫之路吧。
1.分分钟扒一个网页下来
怎样扒网页呢？
其实就是根据URL来获取它的网页信息，虽然我们在浏览器中看到的是一幅幅优美的画面，但是其实是由浏览器解释才呈现出来的，实质它是一段HTML代码，加JS、CSS，如果把网页比作一个人，那么HTML便是他的骨架，JS便是他的肌肉，CSS便是它的衣服。
所以最重要的部分是存在于HTML中的，下面我们就写个例子来扒一个网页下来。
1
2
3
4
importurllib2
response=urllib2.urlopen（".baidu."）
printresponse.read（）
是的你没看错，真正的程序就两行，把它保存成demo.py，进入该文件的目录，执行如下命令查看运行结果，感受一下。
1
pythondemo.py
看，这个网页的源码已经被我们扒下来了，是不是很酸爽？
2.分析扒网页的方法
那么我们来分析这两行代码，第一行
1
response=urllib2.urlopen（".baidu."）
首先我们调用的是urllib2库里面的urlopen方法，传入一个URL，这个网址是XX首页，协议是HTTP协议，当然你也可以把HTTP换做FTP,FILE,HTTPS等等，只是代表了一种访问控制协议，urlopen一般接受三个参数，它的参数如下：
1
urlopen（url,data,timeout）
第一个参数url即为URL，第二个参数data是访问URL时要传送的数据，第三个timeout是设置超时时间。
第二三个参数是可以不传送的，data默认为空None，timeout默认为 socket._GLOBAL_DEFAULT_TIMEOUT
第一个参数URL是必须要传送的，在这个例子里面我们传送了XX的URL，执行urlopen方法之后，返回一个response对象，返回信息便保存在这里面。
1
printresponse.read（）
response对象有一个read方法，可以返回获取到的网页内容。
如果不加read直接打印会是什么？
答案如下：
1
>
直接打印出了该对象的描述，所以记得一定要加read方法，否则它不出来内容可就不怪我咯！
3.构造Requset
其实上面的urlopen参数可以传入一个request请求,它其实就是一个Request类的实例，构造时需要传入Url,Data等等的内容。
比如上面的两行代码，我们可以这么改写
1
2
3
4
5
importurllib2
request=urllib2.Request（".baidu."）
response=urllib2.urlopen（request）
printresponse.read（）
运行结果是完全一样的，只不过中间多了一个request对象，推荐大家这么写，因为在构建请求时还需要加入好多内容，通过构建一个request，服务器响应请求得到应答，这样显得逻辑上清晰明确。
4.POST和GET数据传送
上面的程序演示了最基本的网页抓取，不过，现在大多数都是动态网页，需要你动态地传递参数给它，它做出对应的响应。
所以，在访问时，我们需要传递数据给它。
最常见的情况是什么？
对了，就是登录注册的时候呀。
把数据用户名和密码传送到一个URL，然后你得到服务器处理之后的响应，这个该怎么办？
下面让我来为小伙伴们揭晓吧！
数据传送分为POST和GET两种方式，两种方式有什么区别呢？
最重要的区别是GET方式是直接以形式访问，中包含了所有的参数，当然如果包含了密码的话是一种不安全的选择，不过你可以直观地看到自己提交了什么内容。
POST则不会在网址上显示所有的参数，不过如果你想直接查看提交了什么就不太方便了，大家可以酌情选择。
POST方式：
上面我们说了data参数是干嘛的？
对了，它就是用在这里的，我们传送的数据就是这个参数data，下面演示一下POST方式。
1
2
3
4
5
6
7
8
9
importurllib
importurllib2
values={"username":
"1016903103qq.","password":
"XXXX"}
data=urllib.urlencode（values）
url="
request=urllib2.Request（url,data）
response=urllib2.urlopen（request）
printresponse.read（）
我们引入了urllib库，现在我们模拟登陆CSDN，当然上述代码可能登陆不进去，因为还要做一些设置头部header的工作，或者还有一些参数没有设置全，还没有提及到在此就不写上去了，在此只是说明登录的原理。
我们需要定义一个字典，名字为values，参数我设置了username和password，下面利用urllib的urlencode方法将字典编码，命名为data，构建request时传入两个参数，url和data，运行程序，即可实现登陆，返回的便是登陆后呈现的页面内容。
当然你可以自己搭建一个服务器来测试一下。
注意上面字典的定义方式还有一种，下面的写法是等价的
1
2
3
4
5
6
7
8
9
10
11
importurllib
importurllib2
values={}
values['username']="1016903103qq."
values['password']="XXXX"
data=urllib.urlencode（values）
url="
request=urllib2.Request（url,data）
response=urllib2.urlopen（request）
printresponse.read（）
以上方法便实现了POST方式的传送
GET方式：
至于GET方式我们可以直接把参数写到网址上面，直接构建一个带参数的URL出来即可。
1
2
3
4
5
6
7
8
9
10
11
12
importurllib
importurllib2
values={}
values['username']="1016903103qq."
values['password']="XXXX"
data=urllib.urlencode（values）
url="
geturl=url+"?
"+data
request=urllib2.Request（geturl）
response=urllib2.urlopen（request）
printresponse.read（）
你可以printgeturl，打印输出一下url，发现其实就是原来的url加？
然后加编码后的参数
1
和我们平常GET访问方式一模一样，这样就实现了数据的GET方式传送。
本节讲解了一些基本使用，可以抓取到一些基本的网页信息，小伙伴们加油！
请注明：
静觅 » Python爬虫入门三之Urllib库的基本使用
or
Python爬虫入门四之Urllib库的高级用法
Python X庆才 5个月前（02-12） 10284℃ 6评论
1.设置Headers
有些不会同意程序直接用上面的方式进行访问，如果识别有问题，那么站点根本不会响应，所以为了完全模拟浏览器的工作，我们需要设置一些Headers的属性。
首先，打开我们的浏览器，调试浏览器F12，我用的是Chrome，打开网络监听，示意如下，比如知乎，点登录之后，我们会发现登陆之后界面都变化了，出现一个新的界面，实质上这个页面包含了许许多多的内容，这些内容也不是一次性就加载完成的，实质上是执行了好多次请求，一般是首先请求HTML文件，然后加载JS，CSS等等，经过多次请求之后，网页的骨架和肌肉全了，整个网页的效果也就出来了。
拆分这些请求，我们只看一第一个请求，你可以看到，有个RequestURL，还有headers，下面便是response，图片显示得不全，小伙伴们可以亲身实验一下。
那么这个头中包含了许许多多是信息，有文件编码啦，压缩方式啦，请求的agent啦等等。
其中，agent就是请求的身份，如果没有写入请求身份，那么服务器不一定会响应，所以可以在headers中设置agent,例如下面的例子，这个例子只是说明了怎样设置的headers，小伙伴们看一下设置格式就好。
1
2
3
4
5
6
7
8
9
10
11
importurllib
importurllib2
url='.server./login'
user_agent='Mozilla/4.0（patible;MSIE5.5;WindowsNT）'
values={'username':
'cqc', 'password':
'XXXX'}
headers={'User-Agent':
user_agent}
data=urllib.urlencode（values）
request=urllib2.Request（url,data,headers）
response=urllib2.urlopen（request）
page=response.read（）
这样，我们设置了一个headers，在构建request时传入，在请求时，就加入了headers传送，服务器若识别了是浏览器发来的请求，就会得到响应。
另外，我们还有对付”反盗链”的方式，对付防盗链，服务器会识别headers中的referer是不是它自己，如果不是，有的服务器不会响应，所以我们还可以在headers中加入referer
例如我们可以构建下面的headers
1
2
headers={'User-Agent':
'Mozilla/4.0（patible;MSIE5.5;WindowsNT）' ,
'Referer':
'.zhihu./articles'}
同上面的方法，在传送请求时把headers传入Request参数里，这样就能应付防盗链了。
另外headers的一些属性，下面的需要特别注意一下：
User-Agent:
有些服务器或Proxy会通过该值来判断是否是浏览器发出的请求
Content-Type:
在使用REST接口时，服务器会检查该值，用来确定HTTPBody中的内容该怎样解析。
application/xml ：
在XMLRPC，如RESTful/SOAP调用时使用
application/json：
在JSONRPC调用时使用
application/x--form-urlencoded：
浏览器提交Web表单时使用
在使用服务器提供的RESTful或SOAP服务时，Content-Type设置错误会导致服务器拒绝服务
其他的有必要的可以审查浏览器的headers内容，在构建时写入同样的数据即可。
2.Proxy（代理）的设置
urllib2默认会使用环境变量 http_proxy来设置HTTPProxy。
假如一个它会检测某一段时间某个IP的访问次数，如果访问次数过多，它会禁止你的访问。
所以你可以设置一些代理服务器来帮助你做工作，每隔一段时间换一个代理，君都不知道是谁在捣鬼了，这酸爽！
下面一段代码说明了代理的设置用法
1
2
3
4
5
6
7
8
9
importurllib2
enable_proxy=True
proxy_handler=urllib2.ProxyHandler（{"http":
'some-proxy.:
8080'}）
null_proxy_handler=urllib2.ProxyHandler（{}）
ifenable_proxy:
opener=urllib2.build_opener（proxy_handler）
else:
opener=urllib2.build_opener（null_proxy_handler）
urllib2.install_opener（opener）
3.Timeout设置
上一节已经说过urlopen方法了，第三个参数就是timeout的设置，可以设置等待多久超时，为了解决一些实在响应过慢而造成的影响。
例如下面的代码,如果第二个参数data为空那么要特别指定是timeout是多少，写明形参，如果data已经传入，则不必声明。
1
2
importurllib2
response=urllib2.urlopen（'.baidu.',timeout=10）
1
2
importurllib2
response=urllib2.urlopen（'.baidu.',data,10）
4.使用HTTP的PUT和DELETE方法
http协议有六种请求方法，get,head,put,delete,post,options，我们有时候需要用到PUT方式或者DELETE方式请求。
PUT：
这个方法比较少见。
HTML表单也不支持这个。
本质上来讲，PUT和POST极为相似，都是向服务器发送数据，但它们之间有一个重要区别，PUT通常指定了资源的存放位置，而POST则没有，POST的数据存放位置由服务器自己决定。
DELETE：
删除某一个资源。
基本上这个也很少见，不过还是有一些地方比如amazon的S3云服务里面就用的这个方法来删除资源。
如果要使用HTTPPUT和DELETE，只能使用比较低层的httplib库。
虽然如此，我们还是能通过下面的方式，使urllib2能够发出PUT或DELETE的请求，不过用的次数的确是少，在这里提一下。
1
2
3
4
importurllib2
request=urllib2.Request（uri,data=data）
request.get_method=lambda:
'PUT'#or'DELETE'
response=urllib2.urlopen（request）
5.使用DebugLog
可以通过下面的方法把DebugLog打开，这样收发包的内容就会在屏幕上打印出来，方便调试，这个也不太常用，仅提一下
1
2
3
4
5
6
importurllib2
httpHandler=urllib2.HTTPHandler（debuglevel=1）
httpsHandler=urllib2.HTTPSHandler（debuglevel=1）
opener=urllib2.build_opener（httpHandler,httpsHandler）
urllib2.install_opener（opener）
response=urllib2.urlopen（'.baidu.'）
以上便是一部分高级特性，前三个是重要内容，在后面，还有cookies的设置还有异常的处理，小伙伴们加油！
Python爬虫入门五之URLError异常处理
Python X庆才 5个月前（02-13） 6387℃ 3评论
大家好，本节在这里主要说的是URLError还有HTTPError，以及对它们的一些处理。
1.URLError
首先解释下URLError可能产生的原因：
∙网络无连接，即本机无法上网
∙连接不到特定的服务器
∙服务器不存在
在代码中，我们需要用try-except语句来包围并捕获相应的异常。
下面是一个例子，先感受下它的风骚
1
2
3
4
5
6
7
importurllib2
requset=urllib2.Request（'.xxxxx.'）
try:
urllib2.urlopen（requset）
excepturllib2.URLError,e:
printe.reason
我们利用了urlopen方法访问了一个不存在的网址，运行结果如下：
1
[Errno11004]getaddrinfofailed
它说明了错误代号是11004，错误原因是 getaddrinfofailed
2.HTTPError
HTTPError是URLError的子类，在你利用urlopen方法发出一个请求时，服务器上都会对应一个应答对象response，其中它包含一个数字”状态码”。
举个例子，假如response是一个”重定向”，需定位到别的地址获取文档，urllib2将对此进行处理。
其他不能处理的，urlopen会产生一个HTTPError，对应相应的状态吗，HTTP状态码表示HTTP协议所返回的响应的状态。
下面将状态码归结如下：
100：
继续 客户端应当继续发送请求。
客户端应当继续发送请求的剩余部分，或者如果请求已经完成，忽略这个响应。
101：
转换协议 在发送完这个响应最后的空行后，服务器将会切换到在Upgrade消息头中定义的那些协议。
只有在切换新的协议更有好处的时候才应该采取类似措施。
102：
继续处理 由WebDAV（RFC2518）扩展的状态码，代表处理将被继续执行。
200：
请求成功 处理方式：
获得响应的内容，进行处理
201：
请求完成，结果是创建了新资源。
新创建资源的URI可在响应的实体中得到 处理方式：
爬虫中不会遇到
202：
请求被接受，但处理尚未完成 处理方式：
阻塞等待
204：
服务器端已经实现了请求，但是没有返回新的信息。
如果客户是用户代理，则无须为此更新自身的文档视图。
处理方式：
丢弃
300：
该状态码不被HTTP/1.0的应用程序直接使用，只是作为3XX类型回应的默认解释。
存在多个可用的被请求资源。
处理方式：
若程序中能够处理，则进行进一步处理，如果程序中不能处理，则丢弃
301：
请求到的资源都会分配一个永久的URL，这样就可以在将来通过该URL来访问此资源 处理方式：
重定向到分配的URL
302：
请求到的资源在一个不同的URL处临时保存 处理方式：
重定向到临时的URL
304：
请求的资源未更新 处理方式：
丢弃
400：
非法请求 处理方式：
丢弃
401：
未授权 处理方式：
丢弃
403：
禁止 处理方式：
丢弃
404：
没有找到 处理方式：
丢弃
500：
服务器内部错误 服务器遇到了一个未曾预料的状况，导致了它无法完成对请求的处理。
一般来说，这个问题都会在服务器端的源代码出现错误时出现。
501：
服务器无法识别 服务器不支持当前请求所需要的某个功能。
当服务器无法识别请求的方法，并且无法支持其对任何资源的请求。
502：
错误网关 作为网关或者代理工作的服务器尝试执行请求时，从上游服务器接收到无效的响应。
503：
服务出错 由于临时的服务器维护或者过载，服务器当前无法处理请求。
这个状况是临时的，并且将在一段时间以后恢复。
HTTPError实例产生后会有一个code属性，这就是是服务器发送的相关错误号。
因为urllib2可以为你处理重定向，也就是3开头的代号可以被处理，并且100-299X围的指示成功，所以你只能看到400-599的错误。
下面我们写一个例子来感受一下，捕获的异常是HTTPError，它会带有一个code属性，就是错误代号，另外我们又打印了reason属性，这是它的父类URLError的属性。
1
2
3
4
5
6
7
8
importurllib2
req=urllib2.Request（'
try:
urllib2.urlopen（req）
excepturllib2.HTTPError,e:
printe.code
printe.reason
运行结果如下
1
2
403
Forbidden
错误代号是403，错误原因是Forbidden，说明服务器禁止访问。
我们知道，HTTPError的父类是URLError，根据编程经验，父类的异常应当写到子类异常的后面，如果子类捕获不到，那么可以捕获父类的异常，所以上述的代码可以这么改写
1
2
3
4
5
6
7
8
9
10
11
importurllib2
req=urllib2.Request（'
try:
urllib2.urlopen（req）
excepturllib2.HTTPError,e:
printe.code
excepturllib2.URLError,e:
printe.reason
else:
print"OK"
如果捕获到了HTTPError，则输出code，不会再处理URLError异常。
如果发生的不是HTTPError，则会去捕获URLError异常，输出错误原因。
另外还可以加入hasattr属性提前对属性进行判断，代码改写如下
1
2
3
4
5
6
7
8
9
10
11
12
importurllib2
req=urllib2.Request（'
try:
urllib2.urlopen（req）
excepturllib2.URLError,e:
ifhasattr（e,"code"）:
printe.code
ifhasattr（e,"reason"）:
printe.reason
else:
print"OK"
首先对异常的属性进行判断，以免出现属性输出报错的现象。
以上，就
升级会员 