用python语言编写网络爬虫

本文主要用到python3自带的urllib模块编写轻量级的简单爬虫。至于怎么定位一个网页中具体元素的url可自行百度火狐浏览器的firebug插件或者谷歌浏览器的自带方法。

1、访问一个网址

re=urllib.request.urlopen('网址‘）

打开的也可以是个urllib.request.Request对象，后边也可以跟数据参数，当有传入数据时会自动变为POST请求；

2、urllib.request.Request(url,data=None,headers={})对象属性和方法

     full_url
     type
     host
     data
     selector
     method
     get_method()
     add_header(key,val)
     add_unredirected_header(key,header)
     has_header(header)
     remove_header(header)
     get_full_url(header)
     set_proxy(host,type)
     get_header(header_name,default=None)
15　　  header_items()    

3、已连接对象的可用方法：

 re.read()    　　　　　　　　 读取内容，想要将内容保存下来，需先新建一个相应格式的文件，再将读取到的内容写入到这个文件内即可；
 re.geturl()    　　　　　　  可取得已打开对象的url地址；
 re.info()    　　　　　　　　 可取得响应服务器的信息；
 re.getcode()    　　　　　　 可取得响应状态码；
 urllib.parse.urlencode()　　将一个存储post数据的字典转换成打开网页所需要的数据格式；

可用json.loads()将文本转换成键值对

可在传地址时将header以一个字典数据的形式传入，以隐藏自己的访问方式；也可用re.add_header('')    的方式进行追加；

4、当知道一个文件的url时可用此方法直接下载保存到本地

urllib.request.urlretrieve('http://wx1.sinaimg.cn/mw600/9bbc284bgy1ffkuafn4xtj20dw0jgh08.jpg','bc.jpg')

5、登录功能的实现(post)

（1）利用session保留登录状态

 login_data = {
             '_xsrf': getXSRF(baseurl),
             'password': password,
             'remember_me': 'true',
             'email': email,
 session = requests.session()
 content = session.post(url, headers = headers_base, data = login_data)
 s = session.get("http://www.zhihu.com", verify = False)
 print s.text.encode('utf-8')

(2)利用cookie进行登录

 post = {
             'ua':self.ua,
             'TPL_checkcode':'',
             'CtrlVersion': '1,0,0,7',
             'TPL_password':'',
 }
 #将POST的数据进行编码转换
 postData = urllib.urlencode(post)
 cookie = cookielib.LWPCookieJar()
 cookieHandler = urllib2.HTTPCookieProcessor(cookie)
 opener = urllib2.build_opener(cookieHandler, urllib2.HTTPHandler)
 #第一次登录获取验证码尝试，构建request
 request = urllib2.Request(loginURL,postData,loginHeaders)
 #得到第一次登录尝试的相应
 response = self.opener.open(request)
 #获取其中的内容
 content = response.read().decode('gbk')
  

网站常用的编码方式有utf8,gbk,gb2132,gb18030等

6、代理的使用

同一个Ip设备在短时间内访问一个服务器次数过多会被服务器禁止访问，所以很多时候我们都需要用天代理来帮助我们解决这个问题。方法如下：

 proxy_support = urllib.request.ProxyHandler({类型：代理ip和端口号})
 opner = urllib.request.build_opener(proxy_suppoert)
 urllib.request.install_opener(opener)  #可选安装
 opener.open(url)        #或直接调用opener代理

注：如想实现更复杂的可使用更全面的scrapy框架。

附：自己写的一个验证网上代理的有效性的爬虫，此爬虫先从网站上获取代理的地址，然后使用这个代理来访问百度，验证是否能得到百度的网页，如能则将此代理地址保存。

 import threading,time,pickle,re
 import urllib.request

 class ProxyCheck(threading.Thread):
     def __init__(self,proxylist):
         threading.Thread.__init__(self)
         self.proxylist = proxylist
         self.timeout = 5
         self.test_url = 'http://www.baidu.com'
         self.test_str = ''
         self.checkedProxyList = []

     def checkProxy(self):
         cookies = urllib.request.HTTPCookieProcessor()
         for proxy in self.proxylist:
             proxy_handler = urllib.request.ProxyHandler({'http':r'%s://%s:%s' %(proxy[0],proxy[1],proxy[2])})
             opener = urllib.request.build_opener(cookies,proxy_handler)
             opener.addheaders = [('User-Agent', 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 '
                                                 '(KHTML, like Gecko) Chrome/54.0.2840.99 Safari/537.36')]
             urllib.request.install_opener(opener)
             t1 = time.time()
             try:
                 req = urllib.request.urlopen(self.test_url,timeout=self.timeout)
                 result = req.read().decode('utf-8')
                 timeused = time.time() - t1
                 pos = result.find(self.test_str)
                 if pos > 1:
                     self.checkedProxyList.append((proxy[0],proxy[1],proxy[2],proxy[3],timeused))
                     print((proxy[0],proxy[1],proxy[2],proxy[3],timeused))
                 else:
                     continue
             except:
                 continue
     # def sort(self):
     #     sorted(self.checkedProxyList,cmp=lambda x,y:cmp(x[4],y[4]))
     def save(self,filename):
         with open("%s.txt"%filename,'w') as f:
             for proxy in self.checkedProxyList:
                 f.write("{}\t{}:{}\t{}\t{}\n".format(*proxy))
         with open("%s.pickle"%filename,'wb') as fb:
             pickle.dump(self.checkedProxyList,fb)

     def run(self):
         self.checkProxy()
         self.save("checked-50")

 class xiciProxy:
     def __init__(self):
         self.alllist = []
     def grep(self,url):
         # req = urllib.request.Request(url)
         # req.add_header('User-Agent', 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 '
         #                             '(KHTML, like Gecko) Chrome/54.0.2840.99 Safari/537.36')

         result1 = urllib.request.urlopen(req)
         result2 = result1.read().decode('utf-8')

         regex = r"<td>(\d+.\d+.\d+.\d+)</td>\n.*?" \
                 r"<td>(\d+)</td>\n.*?" \
                 r"\n.*?" \
                 r"<a href=.*?>(.*?)</a>\n.*?" \
                 r"\n.*?" \
                 r"\n.*?" \
                 r"<td>(HTTPS?)</td>"
         get = re.findall(regex,result2)
         proxylist = []
         for i in get:
             proxylist.append((i[3],i[0],i[1],i[2]))
         return proxylist
     def save(self,filename):
         with open("%s.txt"%filename,'w') as f:
             for proxy in self.alllist:
                 f.write("{}\t{}:{}\t{}\n".format(*proxy))
         with open("%s.pickle"%filename,'wb') as fb:
             pickle.dump(self.alllist,fb)
     def run(self):
         for i in range(51,1951):
             url = "http://www.xicidaili.com/nn/{}".format(i)
             print(url)
             proxylist = self.grep(url)
             self.alllist += proxylist
             if i % 50 == 0:
                 self.save("xiciproxy-{}".format(i))
                 self.alllist = []

 with open("xiciproxy-50.pickle","rb") as fb:
     proxylist = pickle.load(fb)
 ProxyCheck(proxylist).run()