溫馨提示×

您好,登錄后才能下訂單哦!

密碼登錄×
登錄注冊(cè)×
其他方式登錄
點(diǎn)擊 登錄注冊(cè) 即表示同意《億速云用戶服務(wù)條款》

詳解python中urllib爬蟲模塊

發(fā)布時(shí)間:2020-07-21 10:52:12 來(lái)源:億速云 閱讀:134 作者:小豬 欄目:開發(fā)技術(shù)

小編這次要給大家分享的是詳解python中urllib爬蟲模塊,文章內(nèi)容豐富,感興趣的小伙伴可以來(lái)了解一下,希望大家閱讀完這篇文章之后能夠有所收獲。

前言

網(wǎng)絡(luò)爬蟲也稱為網(wǎng)絡(luò)蜘蛛、網(wǎng)絡(luò)機(jī)器人,抓取網(wǎng)絡(luò)的數(shù)據(jù)。其實(shí)就是用Python程序模仿人點(diǎn)擊瀏覽器并訪問(wèn)網(wǎng)站,而且模仿的越逼真越好。一般爬取數(shù)據(jù)的目的主要是用來(lái)做數(shù)據(jù)分析,或者公司項(xiàng)目做數(shù)據(jù)測(cè)試,公司業(yè)務(wù)所需數(shù)據(jù)。

而數(shù)據(jù)來(lái)源可以來(lái)自于公司內(nèi)部數(shù)據(jù),第三方平臺(tái)購(gòu)買的數(shù)據(jù),還可以通過(guò)網(wǎng)絡(luò)爬蟲爬取數(shù)據(jù)。python在網(wǎng)絡(luò)爬蟲方向上有著成熟的請(qǐng)求、解析模塊,以及強(qiáng)大的Scrapy網(wǎng)絡(luò)爬蟲框架。

爬蟲分類

1、通用網(wǎng)絡(luò)爬蟲:搜索引擎使用,遵守robots協(xié)議(君子協(xié)議)

robots協(xié)議 :網(wǎng)站通過(guò)robots協(xié)議告訴搜索引擎哪些頁(yè)面可以抓取,哪些頁(yè)面不能抓取。

2、聚焦網(wǎng)絡(luò)爬蟲 :自己寫的爬蟲程序

爬蟲爬取數(shù)據(jù)步驟

  • 確定需要爬取的URL地址
  • 由請(qǐng)求模塊向URL地址發(fā)出請(qǐng)求,并得到網(wǎng)站的響應(yīng)
  • 從響應(yīng)內(nèi)容中提取所需數(shù)據(jù)
    • 所需數(shù)據(jù),保存
    • 頁(yè)面中有其他需要繼續(xù)跟進(jìn)的URL地址,繼續(xù)第2步去發(fā)請(qǐng)求,如此循環(huán)

請(qǐng)求模塊

from urllib import request

request.urlopen()  向網(wǎng)站發(fā)起請(qǐng)求并獲取響應(yīng)對(duì)象

參數(shù):

URL:需要爬取的URL地址

timeout: 設(shè)置等待超時(shí)時(shí)間,指定時(shí)間內(nèi)未得到響應(yīng)拋出超時(shí)異常

響應(yīng)對(duì)象(response)方法

  • string = response.read().decode('utf-8') 獲取響應(yīng)對(duì)象內(nèi)容(網(wǎng)頁(yè)源代碼),返回內(nèi)容為字節(jié)串bytes類型,順便需要decode轉(zhuǎn)換成string。
  • url = response.geturl() 返回實(shí)際數(shù)據(jù)的URL地址
  • code = response.getcode() 返回HTTP響應(yīng)碼
from urllib import request
url = 'http://www.baidu.com/'

# 向百度發(fā)請(qǐng)求,得到響應(yīng)對(duì)象
response = request.urlopen(url)

# 返回網(wǎng)頁(yè)源代碼
print(response.read().decode('utf-8'))

# 返回http響應(yīng)碼
print(response.getcode())    # 200
# 返回實(shí)際數(shù)據(jù)URL地址
print(response.geturl())    # http://www.baidu.com/

urllib.request.Request()  創(chuàng)建請(qǐng)求對(duì)象(包裝請(qǐng)求,重構(gòu)User-Agent,使程序更像正常人類請(qǐng)求)

參數(shù)

URL:請(qǐng)求的URL地址

headers:添加請(qǐng)求頭(爬蟲和反爬蟲斗爭(zhēng)的第一步)

使用流程

1、創(chuàng)建請(qǐng)求對(duì)象(重構(gòu)User-Agent)

req = urllib.request.Request(url=url,headers={'User-Agent':'Mozilla/5.0 xxxx'})

2、請(qǐng)求對(duì)象發(fā)起請(qǐng)求,獲取響應(yīng)對(duì)象(urlopen)

res = urllib.request.urlopen(req)

3、通過(guò)相應(yīng)對(duì)象獲取響應(yīng)內(nèi)容

html = res.read().decode('utf-8')

from urllib import request
url = 'http://httpbin.org/get'
headers = {'User-Agent':'Mozilla/4.0 (compatible; MSIE 8.0; Windows NT 6.1; WOW64; Trident/4.0; SLCC2; .NET CLR 2.0.50727; .NET CLR 3.5.30729; .NET CLR 3.0.30729; Media Center PC 6.0; .NET4.0C; InfoPath.3)'}
# 創(chuàng)建請(qǐng)求對(duì)象(包裝請(qǐng)求)
req = request.Request(url=url,headers=headers)
# 發(fā)請(qǐng)求,獲取響應(yīng)對(duì)象
res = request.urlopen(req)
# 讀取內(nèi)容,返回網(wǎng)頁(yè)代碼
html = res.read().decode('utf-8')
print(html)

URL地址編碼

urllib.parse.urlencode({dict})

URL地址中一個(gè)查詢參數(shù)

查詢參數(shù):{'wd' : '美女'}

urlencode編碼后:'wd=%e7%be%8e%e5%a5%b3'

from urllib import parse
url = 'http://www.baidu.com/s?'
query_string = parse.urlencode({'wd':'美女'})
print(query_string)     # wd=%E7%BE%8E%E5%A5%B3
url = url + query_string
# http://www.baidu.com/wd=%E7%BE%8E%E5%A5%B3

URL地址中多個(gè)查詢參數(shù)

from urllib import parse
query_string_dict = {'wd' : '美女',
          'pn' : '50'}
query_string = parse.urlencode(query_string_dict)
url = 'http://www.baidu.com/s?{}'.format(query_string)
print(url)
# http://www.baidu.com/s?wd=%E7%BE%8E%E5%A5%B3&pn=50

拼接URL地址的3種方式

1、字符串相加

'https://www.baidu.com/s?' + urlencode({'wd':'美女','pn':'50'})

2、字符串格式化(占位符)

'https://www.baidu.com/s?%s' % urlencode({'wd':'美女','pn':'50'})

3、format()方法

'https://www.baidu.com/s?{}'.format(urlencode({'wd':'美女','pn':'50'}))

示例 在百度中輸入要搜索的內(nèi)容,把響應(yīng)內(nèi)容保存到本地文件

from urllib import request
from urllib import parse

# 定義常用變量
word = input('請(qǐng)輸入搜索內(nèi)容:')
url = 'http://www.baidu.com/s?'
headers = {'User-Agent':'Mozilla/5.0'}

# url編碼,拼接完整URL
query_string = parse.urlencode({'wd':word})
url = url + query_string

# 三步走
req = request.Request(url=url,headers=headers)
res = request.urlopen(req)
html = res.read().decode('utf-8')

filename = '{}.html'.format(word)
with open(filename,'w',encoding='utf-8') as f:
  f.write(html)

urllib.parse.quote(string)編碼

from urllib import parse
parse.quote('美女')    # %E7%BE%8E%E5%A5%B3

urllib.parse.unquote(string)解碼

from urllib import parse
result = parse.unquote('%E7%BE%8E%E5%A5%B3')
print(result)    # 美女

百度貼吧網(wǎng)頁(yè)獲取

  • 輸入貼吧名稱
  • 輸入起始頁(yè)
  • 輸入終止頁(yè)
  • 保存到本地文件:第1頁(yè).html、第2頁(yè).html ...

實(shí)現(xiàn)步驟

1、找URL規(guī)律

1、不同吧

2、不同頁(yè)

第1頁(yè):http://tieba.baidu.com/f?kw=????&pn=0

第2頁(yè):http://tieba.baidu.com/f?kw=????&pn=50

第n頁(yè):pn=(n-1)*50

2、獲取網(wǎng)頁(yè)內(nèi)容

3、保存(本地文件、數(shù)據(jù)庫(kù))

from urllib import request,parse
import time
import random

class BaiduSpider(object):
  def __init__(self):
    self.url = 'http://tieba.baidu.com/f?kw={}&pn={}'
    self.headers = {'User-Agent':'Mozilla/5.0'}

  # 獲取響應(yīng)
  def get_page(self,url):
    req = request.Request(url=url,headers=self.headers)
    res = request.urlopen(req)
    html = res.read().decode('utf-8')
    return html

  # 保存數(shù)據(jù)
  def write_page(self,filename,html):
    with open(filename,'w') as f:
      f.write(html)

  # 主函數(shù)
  def main(self):
    name = input('請(qǐng)輸入貼吧名:')
    start = int(input('請(qǐng)輸入起始頁(yè):'))
    end = int(input('請(qǐng)輸入終止頁(yè):'))

    # 拼接URL地址,發(fā)請(qǐng)求
    for page in range(start,end+1):
      pn = (page-1)*50
      kw = parse.quote(name)     # url編碼
      url = self.url.format(kw,pn)
      html = self.get_page(url)    # 獲取響應(yīng),并保存
      filename = '{}-第{}頁(yè).html'.format(name,page)
      self.write_page(filename,html)
      print('第{}頁(yè)爬取成功'.format(page)) # 提示進(jìn)度
      time.sleep(random.randint(1,3))   # 控制爬取速度

if __name__ == '__main__':
  spider = BaiduSpider()
  spider.main()

看完這篇關(guān)于詳解python中urllib爬蟲模塊的文章,如果覺得文章內(nèi)容寫得不錯(cuò)的話,可以把它分享出去給更多人看到。

向AI問(wèn)一下細(xì)節(jié)

免責(zé)聲明:本站發(fā)布的內(nèi)容(圖片、視頻和文字)以原創(chuàng)、轉(zhuǎn)載和分享為主,文章觀點(diǎn)不代表本網(wǎng)站立場(chǎng),如果涉及侵權(quán)請(qǐng)聯(lián)系站長(zhǎng)郵箱:is@yisu.com進(jìn)行舉報(bào),并提供相關(guān)證據(jù),一經(jīng)查實(shí),將立刻刪除涉嫌侵權(quán)內(nèi)容。

AI