爬虫基础 之 urllib
一、urllib
1. 访问
urllib.request.urlopen()
参数:
- url:需要爬取的URL地址
- timeout:设置等待时间,指定时间内未得到相应时抛出异常
# 导入模块
import urllib.request
url = "http://www.baidu.com/"
# 向百度发起请求,得到相应对象
html = urllib.request.urlopen(url)
print(html.read().decode("utf-8")) # 得到网页源代码,为str类型
print(html.status) # 得到响应状态码
2.响应方法
1、bytes = response.read() # 获取原生的网页源码
2、string = response.read().decode("utf-8") # 获取网页源码并转码
3、url = response.geturl() # 获取资源的URL
4、code = response.getcode() # 获取响应状态码
5、string.encode() # string --> bytes
6、bytes.decode() # bytes --> string
3. 包装
3.1 User-Agent
urllib.request.Request()
作用:创建请求对象(包装请求,重构User-Agent,使程序更像正常人类请求)
参数:
- url:请求的url地址
- headers:添加请求头
使用
- 构造请求对象(重构User-Agent)
- 发送请求获取响应对象(urlopen)
- 获取响应内容
from urllib import request
url = "http://www.httpbin.org/get"
header = {"User-Agent" : "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/76.0.3809.100 Safari/537.36"}
# 向百度发起请求,得到相应对象
res = request.Request(url, headers=header)
res = request.urlopen(res)
html = res.read().decode("utf-8")
print(html)
另外,python还提供了第三库
fake_useragent来随机生成User-Agentfrom fake_useragent import UserAgent
useragent = UserAgent()
useragent = {"User-Agent" : useragent.random}
print(useragent)
print(useragent)
print(useragent)
print(useragent)
3.2 编码
urllib.parse.urlencode()
编码之前:https://www.baidu.com/s?&wd=美女
编码之后:https://www.baidu.com/s?&wd=%E7%BE%8E%E5%A5%B3
In [1]: from urllib import parse
In [2]: query_string = {"wd" : "美女"}
In [3]: reslut = parse.urlencode(query_string)
In [4]: print(reslut)
wd=%E7%BE%8E%E5%A5%B3
**访问百度**
from urllib import parse, request
from fake_useragent import UserAgent
header = {"User-Agent":UserAgent().random}
query_string = {"wd" : "美女"}
url = "https://www.baidu.com/s?" + parse.urlencode(query_string)
response = request.Request(url, headers=header)
html = request.urlopen(response).read().decode("utf-8")
print(html)
字符编码
In [10]: import urllib.parse
In [11]: string = urllib.parse.quote("美女")
In [13]: "https://www.baidu.com/s?wd=" + string
Out[13]: 'https://www.baidu.com/s?wd=%E7%BE%8E%E5%A5%B3'
字符解码
In [14]: import urllib.parse
In [15]: str = "%E7%BE%8E%E5%A5%B3"
In [16]: urllib.parse.unquote(str)
Out[16]: '美女'
3.3 多参数
In [1]: from urllib import parse
In [2]: query_string_dic = {
...: "wd" : "美女",
...: "pn" : "50"
...: }
In [3]: r = parse.urlencode(query_string_dic)
In [4]: r
Out[5]: 'wd=%E7%BE%8E%E5%A5%B3&pn=50'
不难发现,parse会在两个参数之间自动加上&符号,因此可以直接构造URL访问
3.4 拼接URL
字符串相加
'https://www.baidu.com/s?' + urlencode({"wd" : "美女", "pn" : "50"})字符串格式化(占位符)
'https://www.baidu.com/s?%s' % urlencode({"wd" : "美女", "pn" : "50"})format()
'https://www.baidu.com/s?{}'.format(urlencode({"wd" : "美女", "pn" : "50"}))
请求百度搜索的内容,把响应内容保存到本地文件
from urllib import request, parse
from fake_useragent import UserAgent
wd = input("请输入关键字:")
url = "https://www.baidu.com/?{}".format(parse.urlencode({"wd":wd}))
header = {"User-Agent" : UserAgent().random}
req = request.Request(url=url, headers=header)
res = request.urlopen(req)
html = res.read().decode("utf-8")
filename = "{}.html".format(wd)
with open(filename, "w") as f:
f.write(html)
在读写文件的时候经常遇见编码问题
在Windows中使用utf-8会报错
UnicodeEncodeError: 'gbk' codec can't encode character '\xbb' in position 30904: illegal multibyte sequence
在读写文件加上参数
with open("demo.txt", encoding="gbk18030") as f这种编码识别的国标会更多
4. 示例
百度贴吧数据抓取
要求
- 输入贴吧名称
- 输入起始页
- 输入终止页
- 保存到本地文件:第1页.html、第2页.html ...
代码实现
from urllib import parse, request
from fake_useragent import UserAgent
import time
import random
class BaiduSpider(object):
def __init__(self):
self.url = "http://tieba.baidu.com/f?kw{}&pn={}"
self.headers = {"User-Agent" : UserAgent().random}
# 获取响应页面
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
# 提取数据
def parse_page(self):
pass
# 保存数据
def write_page(self, filename, html):
with open(filename, "w", encoding="utf-8") as f:
f.write(html)
# 主函数
def main(self):
name = input("请输入贴吧名:")
start = int(input("请输入起始页:"))
end = int(input("请输入终止页:"))
# 拼接URL,发送请求
for page in range(start, end+1):
pn = (page - 1) * 50
kw = parse.quote(name)
url = self.url.format(kw, pn)
# 获取响应,保存
html = self.get_page(url)
filename = "{}-第{}页.html".format(name, page)
self.write_page(filename, html)
# 控制速度,随机休眠
time.sleep(random.randint(1, 3)) # 随机休眠1-3秒钟
if __name__ == '__main__':
spider = BaiduSpider()
spider.main()
爬虫基础 之 urllib的更多相关文章
- 【学习笔记】第二章 python安全编程基础---python爬虫基础(urllib)
一.爬虫基础 1.爬虫概念 网络爬虫(又称为网页蜘蛛),是一种按照一定的规则,自动地抓取万维网信息的程序或脚本.用爬虫最大的好出是批量且自动化得获取和处理信息.对于宏观或微观的情况都可以多一个侧面去了 ...
- 爬虫基础(1):urllib库
urllib库 urllib库是python中的一个基本网络请求库.用于模拟浏览器的行为,向指定服务器发送请求,并接收返回的数据. 在python3中所有的网络请求相关函数都集中在urllib.req ...
- Python爬虫基础之Urllib
一.随时随地爬取一个网页下来 怎么爬取网页?对网站开发了解的都知道,浏览器访问Url向服务器发送请求,服务器响应浏览器请求并返回一堆HTML信息,其中包括html标签,css样式,js脚本等.Chro ...
- 爬虫基础之urllib库(代码演示)
# 自定义opener from urllib.request import ProxyHandler,build_opener from urllib.error import URLError ...
- 爬虫基础之urllib库
urllib库的基本使用 urlopen() # 导入urllib库 import urllib # 往指定url发送请求,返回一个响应对象 response = urllib.request.url ...
- python 3.x 爬虫基础---Urllib详解
python 3.x 爬虫基础 python 3.x 爬虫基础---http headers详解 python 3.x 爬虫基础---Urllib详解 前言 爬虫也了解了一段时间了希望在半个月的时间内 ...
- 第三百三十六节,web爬虫讲解2—urllib库中使用xpath表达式—BeautifulSoup基础
第三百三十六节,web爬虫讲解2—urllib库中使用xpath表达式—BeautifulSoup基础 在urllib中,我们一样可以使用xpath表达式进行信息提取,此时,你需要首先安装lxml模块 ...
- 第三百二十七节,web爬虫讲解2—urllib库爬虫—基础使用—超时设置—自动模拟http请求
第三百二十七节,web爬虫讲解2—urllib库爬虫 利用python系统自带的urllib库写简单爬虫 urlopen()获取一个URL的html源码read()读出html源码内容decode(& ...
- Python爬虫基础
前言 Python非常适合用来开发网页爬虫,理由如下: 1.抓取网页本身的接口 相比与其他静态编程语言,如java,c#,c++,python抓取网页文档的接口更简洁:相比其他动态脚本语言,如perl ...
随机推荐
- GNU autotools 安装和使用
1. 下载 http://www.gnu.org/software/software.html 2. 安装 m4-1.4.11.tar.gz autoconf-2.63.tar.gz automake ...
- 如何用StatSVN统计SVN服务器某项目的代码量
startsvn下载地址: https://sourceforge.net/projects/statsvn/?source=typ_redirect svn下载地址: https://www.vis ...
- ORM之EF初识
之前有写过ef的codefirst,今天来更进一步认识EF! 一:EF的初步认识 ORM(Object Relational Mapping):对象关系映射,其实就是一种对数据访问的封装.主要实现流程 ...
- atlas笔记
目录 环境 Mysql+Atlas配置 atlas:mysql-proxy扩展,mysql中间件,可以实现分表.分库(sharding版本).读写分离.数据库连接池等功能! Atlas类似于Twemp ...
- Linux之基础系统优化
Linux基础系统优化 >>> https://www.cnblogs.com/pyyu/p/9355477.html Linux的网络功能相当强悍,一时之间我们无法了解所有的网络命 ...
- 织梦dedecms后台文件media_add.php任意上传漏洞解决办法
织梦在安装到阿里云服务器后阿里云后台会提示media_add.php后台文件任意上传漏洞,引起的文件是后台管理目录下的media_add.php文件,下面跟大家分享一下这个漏洞的修复方法: 首先找到并 ...
- 用ant.design的设计注意点---表单
设计的时候,输入表单项 最好放在一起,不要散落在页面各处,会导致表单项穿插存储数据,穿插验证表单,表单的样式设计要严格按照ant的版来,因为表单是交互最多最容易出错的地方,否则浪费太多工作量 持续集成 ...
- NetworkManager需要与不需要
需要: 1.nmcli配置网络 不需要: 1. ifcfg-eth1:0(网卡的子接口配置文件)生效
- 洛谷 p1047 校门外的树 线段树做法
非常easy, 注意一下它是两端开始,也就是说0的位置也有一棵树就好了 我由于太弱了,一道红题交了4,5遍 由于树的砍了就没了,lazy标记最大就是1; 直接贴代码吧 #include<bits ...
- wpf radiobuttong 去前面的圆点, 自定义radiobutton样式
自定义radiobutton样式代码: <windows.Resources> <LinearGradientBrush x:Key="CheckRadioFillNorm ...