Python3 使用 urllib 编写爬虫

什么是爬虫

爬虫，也叫蜘蛛(Spider)，如果把互联网比喻成一个蜘蛛网，Spider就是一只在网上爬来爬去的蜘蛛。网络爬虫就是根据网页的地址来寻找网页的，也就是URL。举一个简单的例子，我们在浏览器的地址栏中输入的字符串就是URL，例如：https://www.baidu.com

URL就是同意资源定位符(Uniform Resource Locator)，它的一般格式如下(带方括号[]的为可选项)：

protocol :// hostname[:port] / path / [;parameters][?query]#fragment

URL的格式主要由三部分组成：

1. 1. protocol：第一部分就是协议，例如百度使用的就是https协议；　　
   2. hostname[:port]：第二部分就是主机名(还有端口号为可选参数)，一般网站默认的端口号为80，例如百度的主机名就是www.baidu.com，这个就是服务器的地址;　　
   3. path：第三部分就是主机资源的具体地址，如目录和文件名等。　　

爬虫就是根据URL来获取网页信息的。

Python3的urllib包

　　urllib包提供的模块可以用来使Python代码访问url。

　　从Python3官方的urllib包介绍可以知道，在Python3中的内置库中把Python2 的urllib、urllib2两个库整合成了urllib包。

　　在urllib包中只提供了4个模块：

1. 1. urllib.request：用来打开或者读取Urls
   2. urllib.error：包含urllib.request的异常信息
   3. urllib.parse：包含Urls需要的参数信息
   4. urllib.robotparser：配置robots.txt文件的相关功能

相对于Python 2中的变化

• 在Pytho2.x中使用import urllib2  --->  在Python3.x中会使用import urllib.request，urllib.error。
• 在Pytho2.x中使用import urllib  --->  在Python3.x中会使用import urllib.request，urllib.error，
  
• 在Pytho2.x中使用import urlparse  --->  在Python3.x中会使用import urllib.parse。
• 在Pytho2.x中使用import urlopen  --->  在Python3.x中会使用import urllib.request.urlopen。
• 在Pytho2.x中使用import urlencode  --->  在Python3.x中会使用import urllib.parse.urlencode。
• 在Pytho2.x中使用import urllib.quote  --->  对应的，在Python3.x中会使用import urllib.request.quote。
• 在Pytho2.x中使用cookielib.CookieJar  --->  对应的，在Python3.x中会使用http.CookieJar。
• 在Pytho2.x中使用urllib2.Request  --->  在Python3.x中会使用urllib.request.Request。

基本使用

urllib.request.urlopen()：访问一个URL，返回一个包含网页信息的对象

response.read()：获取返回对象的内容

response.getcode()：获取返回的HTTP Code

response.info()：获取返回的元数据信息，例如HTTP Header

response.geturl()：获取访问的url

# 使用Python访问博客园，获取网页信息

import urllib.request

response = urllib.request.urlopen('http://www.cnblogs.com/dachenzi')
data = response.read().decode('utf-8')

print(data)

利用Python下载一个图片

import urllib.request

url = 'http://img.lenovomm.com/s3/img/app/app-img-lestore/2370-2015-07-16035439-1437033279327.jpg?isCompress=true&width=320&height=480&quantity=1&rotate=true'

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

with open('img.jpg','wb') as f:  # 图片输入二进制文件，所以只需要使用b模式打开写入即可
    f.write(data)

注意：这里urlopen可以接受一个str，或者一个request对象

小练习

使用Python完成翻译小程序，输入中文返回英文信息，反正亦然。

# 1、使用浏览器访问，查看Network，确定提交数据访问的地址以及提交的data

定制HTTP header

　　HTTP Header，表示在浏览器在进行访问(HTTP请求)时携带的头部信息，什么叫定制HTTP请求头呢，举个栗子：其实每天活跃在网上的爬虫太多了，如果网站不进行限制的话，那么访问流量会很高，所以站点基本都会对爬虫进行基本的限制，而利用User-Agent (浏览器标示)是最常用的方式，使用浏览器和使用Python代码来访问站点时，浏览器标示时不同的。

　　本人的google浏览器是：Mozilla/5.0 (Macintosh; Intel Mac OS X 10_13_1) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/63.0.3239.84 Safari/537.36

　　python代码是：Python 3.6.3 ..

　　这里既然说定制，那么就是说可以对User-Agent等头部参数进行修改。

修改User-Agent

　　修改请求的User-Agent就需要先定制request对象了，然后把对象传给urlopen进行访问

import urllib.request

url = 'http://img.lenovomm.com/s3/img/app/app-img-lestore/2370-2015-07-16035439-1437033279327.jpg?isCompress=true&width=320&height=480&quantity=1&rotate=true'

head = {}
head['User-Agent'] = 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_13_1) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/63.0.3239.84 Safari/537.36'

request = urllib.request.Request(url,headers=head)  # 创建Request对象，并设置headers
response = urllib.request.urlopen(request)

data = response.read()

with open('img.jpg','wb') as f:
    f.write(data)

  "Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1; SV1; AcooBrowser; .NET CLR 1.1.4322; .NET CLR 2.0.50727)",
     "Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 6.0; Acoo Browser; SLCC1; .NET CLR 2.0.50727; Media Center PC 5.0; .NET CLR 3.0.04506)",
     "Mozilla/4.0 (compatible; MSIE 7.0; AOL 9.5; AOLBuild 4337.35; Windows NT 5.1; .NET CLR 1.1.4322; .NET CLR 2.0.50727)",
     "Mozilla/5.0 (Windows; U; MSIE 9.0; Windows NT 9.0; en-US)",
     "Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; Win64; x64; Trident/5.0; .NET CLR 3.5.30729; .NET CLR 3.0.30729; .NET CLR 2.0.50727; Media Center PC 6.0)",
     "Mozilla/5.0 (compatible; MSIE 8.0; Windows NT 6.0; Trident/4.0; WOW64; Trident/4.0; SLCC2; .NET CLR 2.0.50727; .NET CLR 3.5.30729; .NET CLR 3.0.30729; .NET CLR 1.0.3705; .NET CLR 1.1.4322)",
     "Mozilla/4.0 (compatible; MSIE 7.0b; Windows NT 5.2; .NET CLR 1.1.4322; .NET CLR 2.0.50727; InfoPath.2; .NET CLR 3.0.04506.30)",
     "Mozilla/5.0 (Windows; U; Windows NT 5.1; zh-CN) AppleWebKit/523.15 (KHTML, like Gecko, Safari/419.3) Arora/0.3 (Change: 287 c9dfb30)",
     "Mozilla/5.0 (X11; U; Linux; en-US) AppleWebKit/527+ (KHTML, like Gecko, Safari/419.3) Arora/0.6",
     "Mozilla/5.0 (Windows; U; Windows NT 5.1; en-US; rv:1.8.1.2pre) Gecko/20070215 K-Ninja/2.1.1",
     "Mozilla/5.0 (Windows; U; Windows NT 5.1; zh-CN; rv:1.9) Gecko/20080705 Firefox/3.0 Kapiko/3.0",
     "Mozilla/5.0 (X11; Linux i686; U;) Gecko/20070322 Kazehakase/0.4.5",
     "Mozilla/5.0 (X11; U; Linux i686; en-US; rv:1.9.0.8) Gecko Fedora/1.9.0.8-1.fc10 Kazehakase/0.5.6",
     "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/535.11 (KHTML, like Gecko) Chrome/17.0.963.56 Safari/535.11",
     "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_7_3) AppleWebKit/535.20 (KHTML, like Gecko) Chrome/19.0.1036.7 Safari/535.20",
     "Opera/9.80 (Macintosh; Intel Mac OS X 10.6.8; U; fr) Presto/2.9.168 Version/11.52",

更多的User-Agent

添加heades的另一种方法

除了在代码中通过字典定义header以外，还可以使用request对象的add_header()方法，进行添加

import urllib.request

url = 'http://img.lenovomm.com/s3/img/app/app-img-lestore/2370-2015-07-16035439-1437033279327.jpg?isCompress=true&width=320&height=480&quantity=1&rotate=true'

# head = {}
# head['User-Agent'] = 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_13_1) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/63.0.3239.84 Safari/537.36'

request = urllib.request.Request(url)  # 创建Request对象，并设置headers
request.add_header('User-Agent','Mozilla/5.0 (Macintosh; Intel Mac OS X 10_13_1) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/63.0.3239.84 Safari/537.36')
response = urllib.request.urlopen(request)

data = response.read()

with open('img.jpg','wb') as f:
    f.write(data)

HTTP代理

　　HTTP代理也是爬虫常用的方法，我们的代码可以使用不同的代理来爬url，这样可以避免IP被站点封掉。

　　什么是HTTP代理？ 简单来说我们把请求发给代理服务器，由代理服务器帮我们访问请求后把返回的数据原封不动的返回给我们。

使用HTTP代理的步骤

1、创建一个HTTP代理

http_proxy = urlib.request.ProxyHandler({'代理类型':'IP:Port'})

2、定制创建一个opener

opener = urllib.request.build_opener(http_proxy)

PS: 当我们使用urlopen访问url时，其实使用的是默认的opener来进行工作的，我们可以对其进行定制，这里就是定制它使用http代理进行访问

3、安装opener

urllib.request.install_opener(opener)

PS：执行完毕后，后续所有的请求都会使用该opener进行访问，所以如果只是一次特殊的请求，那么可以使用 opener.open(url) 来访问url

import urllib.request

# create http_proxy
http_proxy = urllib.request.ProxyHandler(proxies = {'http':'114.215.192.184:8081'})

# create opener
opener = urllib.request.build_opener(http_proxy)

response = opener.open('http://ifconfig.io/')
data = response.read()

print(data)

PS：这里可以定义多个http_list,利用random随机选择

import random

http_proxy_list = [
    '110.73.10.15:8123',
    '114.230.105.34:21642'
]

http_proxy = urllib.request.ProxyHandler(proxies = {'http':random.choice(http_proxy_list)})

添加header

opener也是可以添加header的，使用addheaders = [('key','value')] 进行添加

opener = urllib.request.build_opener(http_proxy)
opener.addheaders = [('User-Agent','Mozilla/5.0 ')]