python爬虫入门(一)urllib和urllib2分分快三计划

作者:编程技术

爬虫简要介绍

 什么是爬虫?

爬虫:正是抓取网页数据的次第。

HTTP和HTTPS

HTTP左券(HyperText Transfer Protocol,超文本传输协议):是一种发表和收取 HTML页面的法子。

HTTPS(Hypertext Transfer Protocol over Secure Socket Layer)轻易讲是HTTP的安全版,在HTTP下到场SSL层。

SSL(Secure Sockets Layer 套套接层)主要用来Web的平安传输公约,在传输层对网络连接举办加密,保证在Internet上多少传输的安全。

浏览器发送HTTP央浼的进度:

  1. 当顾客在浏览器的地方栏中输入一个USportageL并按回车键之后,浏览器会向HTTP服务器发送HTTP供给。HTTP乞求首要分为“Get”和“Post”三种方法。

  2. 当我们在浏览器输入U昂CoraL  的时候,浏览器发送一个Request诉求去赢得  的html文件,服务器把Response文件对象发送回给浏览器。

  3. 浏览器分析Response中的 HTML,发掘中间引用了数不尽其余文件,举个例子Images文件,CSS文件,JS文件。 浏览器会自动重新发送Request去获取图片,CSS文件,大概JS文件。

  4. 当全部的文件都下载成功后,网页会依照HTML语法结构,完整的显得出来了。

URL(Uniform / Universal Resource Locator的缩写)

概念:统一财富定位符,是用来完整地陈说Internet上网页和此外国资本源的地方的一种标记方法。

着力格式:scheme://host[:port#]/path/…/[?query-string][#anchor]

  • scheme:协议(例如:http, https, ftp)
  • host:服务器的IP地址或许域名
  • port#:服务器的端口(假若是走公约暗中同意端口,缺省端口80)
  • path:访谈能源的渠道
  • query-string:参数,发送给http服务器的数码
  • anchor:锚(跳转到网页的钦定锚点位置)

客户端HTTP请求

U大切诺基L只是标志财富的地方,而HTTP是用来交付和获取能源。顾客端发送一个HTTP需要到服务器的伸手音讯,包含以下格式:

请求行请求头部空行请求数据

一个突出的HTTP央浼

GET https://www.baidu.com/ HTTP/1.1
Host: www.baidu.com
Connection: keep-alive
Upgrade-Insecure-Requests: 1
User-Agent: Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/60.0.3112.101 Safari/537.36
Accept: text/html,application/xhtml xml,application/xml;q=0.9,image/webp,image/apng,*/*;q=0.8
Accept-Encoding: gzip, deflate, br
Accept-Language: zh,zh-CN;q=0.8,ar;q=0.6,zh-TW;q=0.4
Cookie: BAIDUID=AE4D1DA6B2D6689BB8C557B3436893E3:FG=1; BIDUPSID=AE4D1DA6B2D6689BB8C557B3436893E3; PSTM=1501466227; BD_UPN=12314353; BD_CK_SAM=1; PSINO=1; H_PS_PSSID=1420_25548_21080_20929; BDORZ=B490B5EBF6F3CD402E515D22BCDA1598; BDSVRTM=0

分分快三计划 1分分快三计划 2

1. Host (主机和端口号)

Host:对应网址URL中的Web名称和端口号,用于指定被请求资源的Internet主机和端口号,通常属于URL的一部分。
2. Connection (链接类型)

Connection:表示客户端与服务连接类型

    Client 发起一个包含 Connection:keep-alive 的请求,HTTP/1.1使用 keep-alive 为默认值。

    Server收到请求后:
        如果 Server 支持 keep-alive,回复一个包含 Connection:keep-alive 的响应,不关闭连接;
        如果 Server 不支持 keep-alive,回复一个包含 Connection:close 的响应,关闭连接。

    如果client收到包含 Connection:keep-alive 的响应,向同一个连接发送下一个请求,直到一方主动关闭连接。

keep-alive在很多情况下能够重用连接,减少资源消耗,缩短响应时间,比如当浏览器需要多个文件时(比如一个HTML文件和相关的图形文件),不需要每次都去请求建立连接。
3. Upgrade-Insecure-Requests (升级为HTTPS请求)

Upgrade-Insecure-Requests:升级不安全的请求,意思是会在加载 http 资源时自动替换成 https 请求,让浏览器不再显示https页面中的http请求警报。

HTTPS 是以安全为目标的 HTTP 通道,所以在 HTTPS 承载的页面上不允许出现 HTTP 请求,一旦出现就是提示或报错。
4. User-Agent (浏览器名称)

User-Agent:是客户浏览器的名称,以后会详细讲。
5. Accept (传输文件类型)

Accept:指浏览器或其他客户端可以接受的MIME(Multipurpose Internet Mail Extensions(多用途互联网邮件扩展))文件类型,服务器可以根据它判断并返回适当的文件格式。
举例:

Accept: */*:表示什么都可以接收。

Accept:image/gif:表明客户端希望接受GIF图像格式的资源;

Accept:text/html:表明客户端希望接受html文本。

Accept: text/html, application/xhtml xml;q=0.9, image/*;q=0.8:表示浏览器支持的 MIME 类型分别是 html文本、xhtml和xml文档、所有的图像格式资源。

q是权重系数,范围 0 =< q <= 1,q 值越大,请求越倾向于获得其“;”之前的类型表示的内容。若没有指定q值,则默认为1,按从左到右排序顺序;若被赋值为0,则用于表示浏览器不接受此内容类型。

Text:用于标准化地表示的文本信息,文本消息可以是多种字符集和或者多种格式的;Application:用于传输应用程序数据或者二进制数据。详细请点击
6. Referer (页面跳转处)

Referer:表明产生请求的网页来自于哪个URL,用户是从该 Referer页面访问到当前请求的页面。这个属性可以用来跟踪Web请求来自哪个页面,是从什么网站来的等。

有时候遇到下载某网站图片,需要对应的referer,否则无法下载图片,那是因为人家做了防盗链,原理就是根据referer去判断是否是本网站的地址,如果不是,则拒绝,如果是,就可以下载;
7. Accept-Encoding(文件编解码格式)

Accept-Encoding:指出浏览器可以接受的编码方式。编码方式不同于文件格式,它是为了压缩文件并加速文件传递速度。浏览器在接收到Web响应之后先解码,然后再检查文件格式,许多情形下这可以减少大量的下载时间。
举例:Accept-Encoding:gzip;q=1.0, identity; q=0.5, *;q=0

如果有多个Encoding同时匹配, 按照q值顺序排列,本例中按顺序支持 gzip, identity压缩编码,支持gzip的浏览器会返回经过gzip编码的HTML页面。 如果请求消息中没有设置这个域服务器假定客户端对各种内容编码都可以接受。
8. Accept-Language(语言种类)

Accept-Langeuage:指出浏览器可以接受的语言种类,如en或en-us指英语,zh或者zh-cn指中文,当服务器能够提供一种以上的语言版本时要用到。
9. Accept-Charset(字符编码)

Accept-Charset:指出浏览器可以接受的字符编码。
举例:Accept-Charset:iso-8859-1,gb2312,utf-8

    ISO8859-1:通常叫做Latin-1。Latin-1包括了书写所有西方欧洲语言不可缺少的附加字符,英文浏览器的默认值是ISO-8859-1.
    gb2312:标准简体中文字符集;
    utf-8:UNICODE 的一种变长字符编码,可以解决多种语言文本显示问题,从而实现应用国际化和本地化。

如果在请求消息中没有设置这个域,缺省是任何字符集都可以接受。
10. Cookie (Cookie)

Cookie:浏览器用这个属性向服务器发送Cookie。Cookie是在浏览器中寄存的小型数据体,它可以记载和服务器相关的用户信息,也可以用来实现会话功能,以后会详细讲。
11. Content-Type (POST数据类型)

Content-Type:POST请求里用来表示的内容类型。
举例:Content-Type = Text/XML; charset=gb2312:

指明该请求的消息体中包含的是纯文本的XML类型的数据,字符编码采用“gb2312”。

常用须要报头

分分快三计划 3分分快三计划 4

服务器和客户端的交互仅限于请求/响应过程,结束之后便断开,在下一次请求时,服务器会认为新的客户端。

为了维护他们之间的链接,让服务器知道这是前一个用户发送的请求,必须在一个地方保存客户端的信息。

Cookie:通过在 客户端 记录的信息确定用户的身份。

Session:通过在 服务器端 记录的信息确定用户的身份。

cookie和session

HTTP须要方法

序号   方法      描述
1     GET       请求指定的页面信息,并返回实体主体。
2     HEAD      类似于get请求,只不过返回的响应中没有具体的内容,用于获取报头
3     POST      向指定资源提交数据进行处理请求(例如提交表单或者上传文件),数据被包含在请求体中。POST请求可能会导致新的资源的建立和/或已有资源的修改。
4     PUT       从客户端向服务器传送的数据取代指定的文档的内容。
5     DELETE    请求服务器删除指定的页面。
6     CONNECT   HTTP/1.1协议中预留给能够将连接改为管道方式的代理服务器。
7     OPTIONS   允许客户端查看服务器的性能。
8     TRACE     回显服务器收到的请求,主要用于测试或诊断。

珍视措施get和post诉求

  • GET是从服务器上获取数据,POST是向服务器传送数据

  • GET诉求参数字突显示,都来得在浏览器网站上,HTTP服务器根据该央求所蕴涵UCRUISERL中的参数来爆发响应内容,即“Get”伏乞的参数是U揽胜L的一有的。 举例: http://www.baidu.com/s?wd=Chinese

  • POST央浼参数在伏乞体在那之中,新闻长度未有界定况且以隐式的主意进行发送,日常用来向HTTP服务器提交量非常的大的数目(比方伏乞中隐含众多参数可能文件上传操作等),央求的参数包涵在“Content-Type”音讯头里,指明该音讯体的传播媒介类型和编码.

HTTP响应状态码

分分快三计划 5分分快三计划 6

1xx:信息

100 Continue
服务器仅接收到部分请求,但是一旦服务器并没有拒绝该请求,客户端应该继续发送其余的请求。
101 Switching Protocols
服务器转换协议:服务器将遵从客户的请求转换到另外一种协议。



2xx:成功

200 OK
请求成功(其后是对GET和POST请求的应答文档)
201 Created
请求被创建完成,同时新的资源被创建。
202 Accepted
供处理的请求已被接受,但是处理未完成。
203 Non-authoritative Information
文档已经正常地返回,但一些应答头可能不正确,因为使用的是文档的拷贝。
204 No Content
没有新文档。浏览器应该继续显示原来的文档。如果用户定期地刷新页面,而Servlet可以确定用户文档足够新,这个状态代码是很有用的。
205 Reset Content
没有新文档。但浏览器应该重置它所显示的内容。用来强制浏览器清除表单输入内容。
206 Partial Content
客户发送了一个带有Range头的GET请求,服务器完成了它。



3xx:重定向

300 Multiple Choices
多重选择。链接列表。用户可以选择某链接到达目的地。最多允许五个地址。
301 Moved Permanently
所请求的页面已经转移至新的url。
302 Moved Temporarily
所请求的页面已经临时转移至新的url。
303 See Other
所请求的页面可在别的url下被找到。
304 Not Modified
未按预期修改文档。客户端有缓冲的文档并发出了一个条件性的请求(一般是提供If-Modified-Since头表示客户只想比指定日期更新的文档)。服务器告诉客户,原来缓冲的文档还可以继续使用。
305 Use Proxy
客户请求的文档应该通过Location头所指明的代理服务器提取。
306 Unused
此代码被用于前一版本。目前已不再使用,但是代码依然被保留。
307 Temporary Redirect
被请求的页面已经临时移至新的url。



4xx:客户端错误

400 Bad Request
服务器未能理解请求。
401 Unauthorized
被请求的页面需要用户名和密码。
401.1
登录失败。
401.2
服务器配置导致登录失败。
401.3
由于 ACL 对资源的限制而未获得授权。
401.4
筛选器授权失败。
401.5
ISAPI/CGI 应用程序授权失败。
401.7
访问被 Web 服务器上的 URL 授权策略拒绝。这个错误代码为 IIS 6.0 所专用。
402 Payment Required
此代码尚无法使用。
403 Forbidden
对被请求页面的访问被禁止。
403.1
执行访问被禁止。
403.2
读访问被禁止。
403.3
写访问被禁止。
403.4
要求 SSL。
403.5
要求 SSL 128。
403.6
IP 地址被拒绝。
403.7
要求客户端证书。
403.8
站点访问被拒绝。
403.9
用户数过多。
403.10
配置无效。
403.11
密码更改。
403.12
拒绝访问映射表。
403.13
客户端证书被吊销。
403.14
拒绝目录列表。
403.15
超出客户端访问许可。
403.16
客户端证书不受信任或无效。
403.17
客户端证书已过期或尚未生效。
403.18
在当前的应用程序池中不能执行所请求的 URL。这个错误代码为 IIS 6.0 所专用。
403.19
不能为这个应用程序池中的客户端执行 CGI。这个错误代码为 IIS 6.0 所专用。
403.20
Passport 登录失败。这个错误代码为 IIS 6.0 所专用。
404 Not Found
服务器无法找到被请求的页面。
404.0
没有找到文件或目录。
404.1
无法在所请求的端口上访问 Web 站点。
404.2
Web 服务扩展锁定策略阻止本请求。
404.3
MIME 映射策略阻止本请求。
405 Method Not Allowed
请求中指定的方法不被允许。
406 Not Acceptable
服务器生成的响应无法被客户端所接受。
407 Proxy Authentication Required
用户必须首先使用代理服务器进行验证,这样请求才会被处理。
408 Request Timeout
请求超出了服务器的等待时间。
409 Conflict
由于冲突,请求无法被完成。
410 Gone
被请求的页面不可用。
411 Length Required
"Content-Length" 未被定义。如果无此内容,服务器不会接受请求。
412 Precondition Failed
请求中的前提条件被服务器评估为失败。
413 Request Entity Too Large
由于所请求的实体的太大,服务器不会接受请求。
414 Request-url Too Long
由于url太长,服务器不会接受请求。当post请求被转换为带有很长的查询信息的get请求时,就会发生这种情况。
415 Unsupported Media Type
由于媒介类型不被支持,服务器不会接受请求。
416 Requested Range Not Satisfiable
服务器不能满足客户在请求中指定的Range头。
417 Expectation Failed
执行失败。
423
锁定的错误。



5xx:服务器错误

500 Internal Server Error
请求未完成。服务器遇到不可预知的情况。
500.12
应用程序正忙于在 Web 服务器上重新启动。
500.13
Web 服务器太忙。
500.15
不允许直接请求 Global.asa。
500.16
UNC 授权凭据不正确。这个错误代码为 IIS 6.0 所专用。
500.18
URL 授权存储不能打开。这个错误代码为 IIS 6.0 所专用。
500.100
内部 ASP 错误。
501 Not Implemented
请求未完成。服务器不支持所请求的功能。
502 Bad Gateway
请求未完成。服务器从上游服务器收到一个无效的响应。
502.1
CGI 应用程序超时。 ·
502.2
CGI 应用程序出错。
503 Service Unavailable
请求未完成。服务器临时过载或当机。
504 Gateway Timeout
网关超时。
505 HTTP Version Not Supported
服务器不支持请求中指明的HTTP协议版本

View Code

浏览器内核

浏览器                         内核
IE                           Trident
Chrome                       Webkit
Firefox                      Gecho
Opera                        Pesto
Safari(Apple)                Webkit 

HTTP代理工科具Fiddler
Fiddler是一款强盛Web调节和测量试验工具,它能记录全体客户端和服务器的HTTP诉求.
分分快三计划 7

Request部分详解

  1. Headers —— 展现客户端发送到服务器的 HTTP 央浼的 header,显示为三个个别视图,满含了 Web 顾客端音信、Cookie、传输状态等。
  2. Textview —— 呈现 POST 央求的 body 部分为文本。
  3. WebForms —— 展现要求的 GET 参数 和 POST body 内容。
  4. HexView —— 用十六进制数据展现要求。
  5. Auth —— 显示响应 header 中的 Proxy-Authorization(代理身份验证) 和 Authorization(授权) 新闻.
  6. Raw —— 将整个央浼展现为纯文本。
  7. JSON - 展现JSON格式文件。
  8. XML —— 如若恳求的 body 是 XML 格式,便是用各自的 XML 树来展现它。

 Responser部分详解

  1. Transformer —— 展现响应的编码新闻。
  2. Headers —— 用分级视图突显响应的 header。
  3. TextView —— 使用文本展现相应的 body。
  4. ImageVies —— 借使央浼是图形能源,突显响应的图纸。
  5. HexView —— 用十六进制数据凸显响应。
  6. WebView —— 响应在 Web 浏览器中的预览效果。
  7. Auth —— 呈现响应 header 中的 Proxy-Authorization(代理身份验证) 和 Authorization(授权) 音信。
  8. Caching —— 展现此恳请的缓存新闻。
  9. Privacy —— 突显此呼吁的私密 (P3P) 消息。
  10. Raw —— 将整个响应展现为纯文本。
  11. JSON - 展现JSON格式文件。
  12. XML —— 假若响应的 body 是 XML 格式,便是用各自的 XML 树来显示它 。

 领悟了那些知识后,接下去真正迈向爬虫之路.......

收获AJAX加载的源委

稍稍网页内容使用AJAX加载,只要记得,AJAX平日再次来到的是JSON,间接对AJAX地址实行post或get,就回去JSON数据了。
"作为一名爬虫技术员,你最急需关爱的,是数码的发源了。"

#-*- coding:utf-8 -*-
#10.urllib2_ajax.py
import urllib
import urllib2

# demo1

url = "https://movie.douban.com/j/chart/top_list?type=11&interval_id=100:90&action"

headers={"User-Agent": "Mozilla...."}

# 变动的是这两个参数,从start开始往后显示limit个
formdata = {
    'start':'0',
    'limit':'10'
}
data = urllib.urlencode(formdata)

request = urllib2.Request(url, data = data, headers = headers)
response = urllib2.urlopen(request)

print(response.read())


#demo2
url = "https://movie.douban.com/j/chart/top_list?"
headers={"User-Agent": "Mozilla...."}

# 处理所有参数
formdata = {
    'type':'11',
    'interval_id':'100:90',
    'action':'',
    'start':'0',
    'limit':'10'
}
data = urllib.urlencode(formdata)

request = urllib2.Request(url, data = data, headers = headers)
response = urllib2.urlopen(request)

print response.read()

爬取贴吧内容

 先驾驭贴吧url组成:

分分快三计划 8

各种贴吧url都是以' kw=‘’贴吧名字‘’,再前面是 &pn=页数  (pn=0先是页,pn=46次之页,依次类推)

1.先写三个main,提醒客商输入要爬取的贴吧名,并用urllib.urlencode()举行转码,然后组合url

2.接下来,写多少个百度贴吧爬虫接口tiebaSpider(),须要传递3个参数给这些接口, 八个是main里组合的url地址,以至起首页码和甘休页码,表示要爬取页码的界定。

3.前方写出一个爬取一个网页的代码。然后,将它封装成二个小函数loadPage(),供我们使用。

4.将爬取到的每页的音信存款和储蓄在地面磁盘上,大家能够差不离写三个囤积文件的接口writePage()

# _*_ coding:utf-8 _*_
import urllib,urllib2

def loadPage(url,filename):
    #根据url发送请求,获取服务器响应文件
    print '正在下载'   filename
    headers = {'User-Agent':'Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/60.0.3112.101 Safari/537.36'}
    request = urllib2.Request(url,headers = headers)
    content = urllib2.urlopen(request).read()
    return content
def writePage(html,filename):
    #将html内容写入到本地
    print '正在保存'   filename
    with open(unicode(filename,'utf-8'),'w') as f:
        f.write(html)
    print '_' * 30

def tiebaSpider(url,beginPage,endPage):
    #贴吧爬虫调度器,负责组合处理每个页面的url
    for page in range(beginPage,endPage   1):
        pn = (page - 1) * 50
        filename = '第'   str(page)   '页.html'
        fullurl = url   '&pn='   str(pn)
        # print fullurl
        html = loadPage(fullurl,filename)
        writePage(html,filename)

if __name__ == '__main__':
    kw = raw_input('请输入贴吧名:')
    beginPage = int(raw_input('请输入起始页:'))
    endPage = int(raw_input('请输入结束页:'))

    url = 'https://tieba.baidu.com/f?'
    key = urllib.urlencode({'kw':kw})
    fullurl = url   key
    tiebaSpider(fullurl,beginPage,endPage)

通过输入想要寻找的贴吧名字,爬取内容并保留到地面

分分快三计划 9

关于CA

CA(Certificate Authority)是数字证书认证宗旨的简称,是指发放、管理、撤销数字证书的受信任的第三方机构,如新加坡数字认证股份有限集团、新加坡市数字证书认证核心有限公司等...

CA的法力是反省评释持有者身份的合法性,并签发证书,防止证书被伪造或篡改,乃至对注解和密钥举办管理。

现实生活中得以用身份ID来验证身份, 那么在互连网世界里,数字证书正是居民身份证。和现实生活差别的是,并非各样上网的客户都有数字证书的,往往独有当壹个人索要证实自个儿的地点的时候才须求用到数字证书。

普通客户常常是没有须求,因为网址并不爱戴是什么人访谈了网址,以往的网址只关切流量。但是反过来,网址就必要证实本人的地方了。

譬喻说未来钓鱼网址非常多的,譬喻你想访谈的是www.baidu.com,但事实上您探访的是www.daibu.com”,所以在提交自身的苦衷新闻在此之前要求证实一下网址的地方,须要网址彰显数字证书。

貌似不奇怪的网址都会继续努力出示自身的数字证书,来确定保证客商端和网址服务器之间的通信数据是加密安全的。

诚如HTTP诉求提交数据,要求编码成 UOdysseyL编码格式,然后做为url的一部分,恐怕作为参数字传送到Request对象中。

GET乞求日常用于大家向服务器获取数据,比方说,大家用百度找出知乎

发现GET

分分快三计划 10

 

 

分分快三计划 11

分分快三计划 12

用urllib.urlencode()进行转码,然后组合url

# _*_ coding:utf-8 _*_
import urllib,urllib2

url = 'http://www.baidu.com/s'
headers = {'UserAgent':'Mozilla'}
keyword = raw_input('请输入关键字:')
wd = urllib.urlencode({'wd':keyword})
fullurl = url   '?'   wd
print fullurl
request = urllib2.Request(fullurl,headers=headers)
response = urllib2.urlopen(request)
print response.read()

下一场输加入关贸总协定组织键字,爬取下相应的内容

分分快三计划 13

 分分快三计划 14

主题材料:为什么不经常候POST也能在U兰德LX570L内见到数据?

  • GET格局是以直接以链接方式拜望,链接中蕴含了拥有参数,服务器端用Request.QueryString获取变量的值。要是带有了密码的话是一种不安全的选用,可是你能够直观地收看本人付出了什么内容。
  • POST则不会在网站上呈现全数的参数,服务器端用Request.Form获取提交的数码,在Form提交的时候。可是HTML代码里假设不钦定method属性,则默以为GET伏乞,Form中提交的多寡将会叠合在url之后,以?与url分开

    • 表单数据足以当作U翼虎L字段(method="get")可能HTTP POST(method="post")的情势来发送。举例在上面包车型地铁HTML代码中,表单数据将因为(method="get")而增大到U瑞虎L上;
    <form action="form_action.asp" method="get">
    <p>First name: <input type="text" name="fname" /></p>
    <p>Last name: <input type="text" name="lname" /></p>
    <input type="submit" value="Submit" />
    </form>
    

分分快三计划 15

 获取Ajax格局加载的多少

爬虫最亟需关切的不是页面音讯,而是页面消息的数量来源

Ajax格局加载的页面,数据来源一定是JSON,直接对AJAX地址进行post或get,得到JSON,正是得到了网页数据,

(1)先通过浏览器访谈豆瓣电影名次的榜单

 分分快三计划 16

(2)浏览器访谈后,通过抓包工具就能够取得大家想要的部分音信

 分分快三计划 17

分分快三计划 18

假诺response里面有 JSON数据,我们就足以找到服务器的数码来源

浅析开采变动的是start value和limit value, type,interval_id,action,固定不改变,那七个url中已经包涵了,所以formdata只用传start和limit

import urllib
import urllib2


url = 'https://movie.douban.com/typerank?type_name=剧情&type=11&interval_id=100:90&action='
headers = {'User-Agent':'Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/60.0.3112.101 Safari/537.36'}

# start和limit可以自己随便设置
formdata = {'start':'20','limit':'100'}

data = urllib.urlencode(formdata)
request = urllib2.Request(url,data = data,headers=headers)

response = urllib2.urlopen(request)
print response.read()

 

POST方式:

地点我们说了Request诉求对象里有data参数,它正是用在POST里,大家要传递的数量就是其一参数data,data是二个字典,里面要相配键值对。

urllib和urllib2的要害分歧

 urllib和urllib2都是承受UEnclaveL诉求的连带模块,可是提供了分化的效劳,最通晓的分化如下:

(1)urllib仅尚可U科雷傲L,无法创制,设置headers的request类实例;

(2)不过urllib提供urlencode()方法用来GET查询字符串的发出,而urllib2则从未(那是urllib和urllib2日常一齐使用的显要缘由)

(3)编码职业选拔urllib的urlencode()函数,帮大家讲key:value那样的键值对调换来‘key=value’那样的字符串,解码工作能够应用urllib的unquote()

函数

 urllib.encode()的使用

urlencode()里面必需是字典类型

# _*_ coding:utf-8 _*_
import urllib

dic = {'derek':'编码'}
print urllib.urlencode(dic)    #derek=编码

m = urllib.urlencode(dic)

print urllib.unquote(m)         #derek=编码

参考

  1. 破解有道翻译反爬虫机制
  2. 浏览器验证网站数字证书的流水生产线

urllib2

所谓网页抓取,正是把URAV4L地址中钦赐的网络财富从网络流中读抽取来,保存到地面。 在Python中有众多库能够用来抓取网页,先读书urllib2

urllib2模块直接导入就足以用,在python3中urllib2被改为urllib.request

开头爬虫需求忧盛危明的片段工具

(1)下载Fiddeler抓包工具,百度向来下载安装就足以(抓包)

(2)下载chrome浏览器代理插件 Proxy-SwitchyOmega(代理)

(3)下载chrome浏览器插件XPath(剖析HTML)

(4)工具网址:

           (json剖判网址)

           (url编码解码网址)

先写个简单的爬虫百度页面

urlopen

# _*_ coding:utf-8 _*_
import urllib2

#向指定的url地址发送请求,并返回服务器响应的类文件对象
response = urllib2.urlopen('http://www.baidu.com/')
#服务器返回的类文件对象支持python文件对象的操作方法
#read()方法就是读取文件里的全部内容,返回字符串
html = response.read()
print html

urllib2暗中同意的User-Agent是Python-urllib/2.7,轻松被检查到是爬虫,所以我们要布局一个伸手对象,要用到request方法。

仿照浏览器采访

python爬虫入门(一)urllib和urllib2分分快三计划。浏览器访问时通过抓包工具得到的headers音信如下:

GET https://www.baidu.com/ HTTP/1.1
Host: www.baidu.com
Connection: keep-alive
Cache-Control: max-age=0
Upgrade-Insecure-Requests: 1
User-Agent: Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/60.0.3112.101 Safari/537.36
Accept: text/html,application/xhtml xml,application/xml;q=0.9,image/webp,image/apng,*/*;q=0.8
Accept-Encoding: gzip, deflate, br
Accept-Language: zh,zh-CN;q=0.8,ar;q=0.6,zh-TW;q=0.4
Cookie: BAIDUID=AE4D1DA6B2D6689BB8C557B3436893E3:FG=1; BIDUPSID=AE4D1DA6B2D6689BB8C557B3436893E3; PSTM=1501466227; BD_CK_SAM=1; PSINO=1; BDORZ=B490B5EBF6F3CD402E515D22BCDA1598; BD_HOME=0; H_PS_PSSID=1420_25548_21080_20929; BD_UPN=12314353

我们要设置User-Agent模仿浏览器去拜见数据

# _*_ coding:utf-8 _*_
import urllib2

# User-Agent是爬虫与反爬虫的第一步
ua_headers = {'User-Agent':'Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/60.0.3112.101 Safari/537.36'}
# 通过urllib2.Request()方法构造一个请求对象
request = urllib2.Request('http://www.baidu.com/',headers=ua_headers)

#向指定的url地址发送请求,并返回服务器响应的类文件对象
response = urllib2.urlopen(request)

# 服务器返回的类文件对象支持python文件对象的操作方法
# read()方法就是读取文件里的全部内容,返回字符串
html = response.read()

print html

Request总共四个参数,除了必供给有url参数,还也可以有上边三个:

  1. data(暗中同意空):是陪伴 url 提交的多寡(比方要post的多寡),同有的时候候 HTTP 央求将从 "GET"形式 改为 "POST"格局。

  2. headers(暗中认可空):是一个字典,包涵了急需发送的HTTP报头的键值对。

response的常用方法

# _*_ coding:utf-8 _*_
import urllib2

# User-Agent是爬虫与反爬虫的第一步
ua_headers = {'User-Agent':'Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/60.0.3112.101 Safari/537.36'}
# 通过urllib2.Request()方法构造一个请求对象
request = urllib2.Request('http://www.baidu.com/',headers=ua_headers)

#向指定的url地址发送请求,并返回服务器响应的类文件对象
response = urllib2.urlopen(request)

# 服务器返回的类文件对象支持python文件对象的操作方法
# read()方法就是读取文件里的全部内容,返回字符串
html = response.read()

# 返回HTTP的响应吗,成功返回200,4服务器页面出错,5服务器问题
print response.getcode()     #200

# 返回数据的实际url,防止重定向
print response.geturl()     #https://www.baidu.com/

# 返回服务器响应的HTTP报头
print response.info()

# print html

自便选择三个Use-Agent

为了避防封IP,先生成三个user-agent列表,然后从当中随机选拔一个

# _*_ coding:utf-8 _*_
import urllib2
import random

url = 'http:/www.baidu.com/'

# 可以试User-Agent列表,也可以是代理列表
ua_list = ["Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.1 (KHTML, like Gecko) Chrome/22.0.1207.1 Safari/537.1",
    "Mozilla/5.0 (X11; CrOS i686 2268.111.0) AppleWebKit/536.11 (KHTML, like Gecko) Chrome/20.0.1132.57 Safari/536.11",
    "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/536.6 (KHTML, like Gecko) Chrome/20.0.1092.0 Safari/536.6",
    "Mozilla/5.0 (Windows NT 6.2) AppleWebKit/536.6 (KHTML, like Gecko) Chrome/20.0.1090.0 Safari/536.6",
    "Mozilla/5.0 (Windows NT 6.2; WOW64) AppleWebKit/537.1 (KHTML, like Gecko) Chrome/19.77.34.5 Safari/537.1",
    "Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/536.5 (KHTML, like Gecko) Chrome/19.0.1084.9 Safari/536.5",
    "Mozilla/5.0 (Windows NT 6.0) AppleWebKit/536.5 (KHTML, like Gecko) Chrome/19.0.1084.36 Safari/536.5",
    "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/536.3 (KHTML, like Gecko) Chrome/19.0.1063.0 Safari/536.3",
    "Mozilla/5.0 (Windows NT 5.1) AppleWebKit/536.3 (KHTML, like Gecko) Chrome/19.0.1063.0 Safari/536.3",
    "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_8_0) AppleWebKit/536.3 (KHTML, like Gecko) Chrome/19.0.1063.0 Safari/536.3",
    "Mozilla/5.0 (Windows NT 6.2) AppleWebKit/536.3 (KHTML, like Gecko) Chrome/19.0.1062.0 Safari/536.3",
    "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/536.3 (KHTML, like Gecko) Chrome/19.0.1062.0 Safari/536.3",
    "Mozilla/5.0 (Windows NT 6.2) AppleWebKit/536.3 (KHTML, like Gecko) Chrome/19.0.1061.1 Safari/536.3",
    "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/536.3 (KHTML, like Gecko) Chrome/19.0.1061.1 Safari/536.3",
    "Mozilla/5.0 (Windows NT 6.1) AppleWebKit/536.3 (KHTML, like Gecko) Chrome/19.0.1061.1 Safari/536.3",
    "Mozilla/5.0 (Windows NT 6.2) AppleWebKit/536.3 (KHTML, like Gecko) Chrome/19.0.1061.0 Safari/536.3",
    "Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/535.24 (KHTML, like Gecko) Chrome/19.0.1055.1 Safari/535.24",
    "Mozilla/5.0 (Windows NT 6.2; WOW64) AppleWebKit/535.24 (KHTML, like Gecko) Chrome/19.0.1055.1 Safari/535.24"
]

# 在User-Agent列表中随机选择一个User-Agent
user_agent = random.choice(ua_list)

# 构造一个请求
request = urllib2.Request(url)

# add_header()方法添加/修改一个HTTP报头
request.add_header('User-Agent',user_agent)

#get_header()获取一个已有的HTTP报头的值,注意只能第一个字母大写,后面的要小写
print request.get_header('User-agent')

urllib.urlencode()

urllib和urllib2都是接受U奔驰G级L须要的相关参数,可是提供了分化的职能。多个最醒指标不如如下:

  • urllib仅还不错ULacrosseL,不可能成立设置了headers的Request类实例;
  • 但是urllib提供了urlencode方法用来GET查询字符串的发生,而urllib2则从未。(那是urllib和urllib2日常一同利用的根本原因)
  • 编码职业采取urllib的urlencode()python爬虫入门(一)urllib和urllib2分分快三计划。函数,帮我们将key:value如此的键值对转变来"key=value"诸如此比的字符串,解码职业得以采用urllib的unquote()函数。(注意,不是urllib.urlencode())
#-*- coding:utf-8 -*-
#06.urllib2_urlencode.py
import urllib2
import urllib

word = {"wd":"传智播客"}

#通过urllib.urlencode()方法,将字典键值对按URL编码转换,从而能被web服务器接受
encode = urllib.urlencode(word)

print(encode)
#通过urllib.unquote()方法,把URL编码字符串,转换回原始字符串

print(urllib.unquote("wd=传智播客"))

貌似HTTP央求提交数据,须求编码成U冠道L编码格式,然后作为url的一片段,或然当作参数字传送到Request对象中。

urllib2默许只协理HTTP/HTTPS的GET和POST方法

本篇将介绍urllib2的Get和Post方法,更加多内容请参见:python学习指南

Get方式

Get乞请通常用于大家向服务器获取数据,譬喻说,大家用百度寻找传智播客;https://www.baidu.com/s?wd=传智播客

浏览器的url会跳转如图所示
分分快三计划 19

在其间大家可以看出在呼吁部分里,http://www.baidu.com/s而后出现叁个长长的字符串,在那之中就隐含笔者门要询问的最重要词传智播客,于是大家能够品尝采用暗中同意的Get方式来发送央求。

#-*- coding:utf-8 -*-
#07.urllib2_get.py

import urllib
import urllib2

url = "http://www.baidu.com/s"
word = {"wd":"传智播客"}
word = urllib.urlencode(word) #转换成url编码格式(字符串)

newurl = url   "?"   word

headers = {"User-Agent":"Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/51.0.2704.103 Safari/537.36"}

request = urllib2.Request(newurl,headers = headers)

response = urllib2.urlopen(request)

print(response.read())

管理HTTPS央求SSL证书验证

后天随地可以知道https起头的网址,urllib2可以为HTTPS须要验证SSL证书,就好像web浏览器同样,若是网址的SSL证书是经过CA认证的,则能够健康访问,如https://www.baidu.com/...
若是SSL证书验证不经过,恐怕操作系统不相信赖服务器的安全证书,比如浏览器在做客12306网址如:"https://www.12306.cn/normhweb/"的时候,会警示顾客证书不受信赖。(据书上说12306网络证书是本身的,未有通过CA认证)
分分快三计划 20
urllib2在做客的时候则会报出SSLError:

import urllib2

url = "https://www.12306.cn/mormhweb/"

headers = {"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/54.0.2840.99 Safari/537.36"}

request = urllib2.Request(url, headers = headers)

response = urllib2.urlopen(request)

print(response.read())

运维结果:
urllib2.URLError: <urlopen error [SSL: CERTIFICATE_VERIFY_FAILED] certificate verify failed (_ssl.c:590)>
故而,假诺现在遭遇这种网址,我们供给单独管理SSL证书,让程序忽视SSL证书验证错误,就能够符合规律访谈。

import urllib
import urllib2
# 1. 导入Python SSL处理模块
import ssl

# 2. 表示忽略未经核实的SSL证书认证
context = ssl._create_unverified_context()

url = "https://www.12306.cn/mormhweb/"

headers = {"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/54.0.2840.99 Safari/537.36"}

request = urllib2.Request(url, headers = headers)

# 3. 在urlopen()方法里 指明添加 context 参数
response = urllib2.urlopen(request, context = context)

print response.read()

有道词典翻译网址:

输入测验数据,再通过利用Fiddler观望,在那之中有一条是POST央求,而向服务器发送的呼吁数据而不是在url里,那么大家能够试着模拟那一个POST需要。
分分快三计划 21
于是乎,大家能够品尝用POST格局发送央浼。

#-*- coding:utf-8 -*-
#09.urllib2_post.py

import urllib
import urllib2

#POST请求的目标URL
url = "http://fanyi.youdao.com/translate?smartresult=dict&smartresult=rule&smartresult=ugc&sessionFrom=null"

headers = {"User-Agent":"Mozilla...."}

formate = {
    "type":"AUTO",
    "i":"i love python",
    "doctype":"json",
    "xmlVersion":"1.8",
    "keyform":"fanyi.web",
    "ue":"utf-8",
    "action":"FY_BY_ENTER",
    "typoResult":"true"
}

data = urllib.urlencode(formate)

request = urllib2.Request(url, data=data, headers = headers)

response = urllib2.urlopen(request)

print("-"*30)
print(response.read())

出殡POST央浼时,供给特别注意headers的局地质量:

Content-Length:是指发送的表单数据长度为144,也便是字符个数是1肆17个;
X-Requested-With:表示Ajax异步央求。
Content-Type: application/x-www-form-urlencoded:表示浏览器提交web表单时,表单数据会依照name1=value1&name2=value2键值对方式开展编码。

批量爬取贴吧页面数据

第一我们创造三个python文件,tiebaSpider.py,大家要成功的是,输入八个百度贴吧的地点,举例:
百度贴吧英雄联盟吧第一页:[](

第二页:[](

第二页:[](

开采规律了吧,贴吧中各种页面差别之处,就是url最后的pn的值,其他的都以一律的,大家能够抓住那些原理。

简言之写三个小爬虫程序,来爬虫百度英雄缔盟吧的有所网页

  • 先写二个main,提醒客户输入要爬取的贴吧名,并用urllib.urlencode()进行转码,然后组合url,倘使是lol吧,那么结合的url正是: http://tieba.baidu.com/f?kw=lol

    # 模拟 main 函数 if name == "main":

    kw = raw_input("请输入需要爬取的贴吧:")
    # 输入起始页和终止页,str转成int类型
    beginPage = int(raw_input("请输入起始页:"))
    endPage = int(raw_input("请输入终止页:"))
    
    url = "http://tieba.baidu.com/f?"
    key = urllib.urlencode({"kw" : kw})
    
    # 组合后的url示例:http://tieba.baidu.com/f?kw=lol
    url = url   key
    tiebaSpider(url, beginPage, endPage)
    
  • 接下去,大家写二个百度贴吧爬虫接口,大家要求传递3个参数给这几个接口,多个是main里组合url地址,以至发轫页和甘休页码
    ,表示要爬取页码的限制。

    def tiebaSpider(url, beginPage, endPage):

    """
        作用:负责处理url,分配每个url去发送请求
        url:需要处理的第一个url
        beginPage: 爬虫执行的起始页面
        endPage: 爬虫执行的截止页面
    """
    
    for page in range(beginPage, endPage   1):
        pn = (page - 1) * 50

        filename = "第"   str(page)   "页.html"
        # 组合为完整的 url,并且pn值每次增加50
        fullurl = url   "&pn="   str(pn)
        #print fullurl

        # 调用loadPage()发送请求获取HTML页面
        html = loadPage(fullurl, filename)
        # 将获取到的HTML页面写入本地磁盘文件
        writeFile(html, filename)
  • 小编们早就以前写出几个爬取八个网页的代码。现在,大家得以把它封装成多个loadPage,供大家运用。

    def loadPage(url, filename):

    '''
        作用:根据url发送请求,获取服务器响应文件
        url:需要爬取的url地址
        filename: 文件名
    '''
    print "正在下载"   filename
    
    headers = {"User-Agent": "Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; Trident/5.0;"}
    
    request = urllib2.Request(url, headers = headers)
    response = urllib2.urlopen(request)
    return response.read()
    
  • 最后只要大家期待将爬取到了每页的消息囤积在地点磁盘上,大家得以轻易写二个仓库储存文件的接口。

    def writeFile(html, filename):

    """
        作用:保存服务器响应文件到本地磁盘文件里
        html: 服务器响应文件
        filename: 本地磁盘文件名
    """
    print "正在存储"   filename
    with open(filename, 'w') as f:
        f.write(html)
    print "-" * 20
    

实质上过多网址都以如此的,同类网址下的html页面编号,分别对应网站后的网页序号,只要发觉规律就可以批量爬取页面了。

本文由分分快三计划发布,转载请注明来源

关键词: 分分快三计划 python