码迷,mamicode.com
首页 > 编程语言 > 详细

Python Spider

时间:2016-08-15 12:48:10      阅读:279      评论:0      收藏:0      [点我收藏+]

标签:

一、网络爬虫

      网络爬虫又被称为网络蜘蛛(???),我们可以把互联网想象成一个蜘蛛网,每一个网站都是一个节点,我们可以使用一只蜘蛛去各个网页抓取我们想要的资源。举一个最简单的例子,你在百度和谷歌中输入‘Python‘,会有大量和Python相关的网页被检索出来,百度和谷歌是如何从海量的网页中检索出你想要的资源,他们靠的就是派出大量蜘蛛去网页上爬取,检索关键字,建立索引数据库,经过复杂的排序算法,结果按照搜索关键字相关度的高低展现给你。

     千里之行,始于足下,我们从最基础的开始学习如何写一个网络爬虫,实现语言使用Python。

二、Python如何访问互联网

      想要写网络爬虫,第一步是访问互联网,Python如何访问互联网呢?

      在Python中,我们使用urllib包访问互联网。(在Python3中,对这个模块做了比较大的调整,以前有urllib和urllib2,在3中对这两个模块做了统一合并,称为urllib包。包下面包含了四个模块,urllib.request,urllib.error,urllib.parse,urllib.robotparser),目前主要使用的是urllib.request。

      我们首先举一个最简单的例子,如何获取获取网页的源码:

import urllib.request
response = urllib.request.urlopen(https://docs.python.org/3/)
html = response.read()
print(html.decode(utf-8))

三、Python网络简单使用

       首先我们用两个小demo练一下手,一个是使用python代码下载一张图片到本地,另一个是调用百度翻译写一个翻译小软件。

       3.1根据图片链接下载图片,代码如下:

import urllib.request

response = urllib.request.urlopen(http://www.3lian.com/e/ViewImg/index.html?url=http://img16.3lian.com/gif2016/w1/3/d/61.jpg)
image = response.read()

with open(123.jpg,wb) as f:
    f.write(image)

       其中response是一个对象

       输入:response.geturl()

       ->‘http://www.3lian.com/e/ViewImg/index.html?url=http://img16.3lian.com/gif2016/w1/3/d/61.jpg‘
       输入:response.info()

       -><http.client.HTTPMessage object at 0x10591c0b8>

       输入:print(response.info())

       ->Content-Type: text/html
           Last-Modified: Mon, 27 Sep 2004 01:23:20 GMT
           Accept-Ranges: bytes
           ETag: "0f4b59230a4c41:0"
           Server: Microsoft-IIS/8.0
           Date: Sun, 14 Aug 2016 07:16:01 GMT
           Connection: close

           Content-Length: 2827

       输入:response.getcode()

       ->200

       3.1使用有道词典实现翻译功能

            我们想实现翻译功能,我们需要拿到请求链接。首先我们需要进入有道首页,点击翻译,在翻译界面输入要翻译的内容,点击翻译按钮,就会向服务器发起一个请求,我们需要做的就是拿到请求地址和请求参数。

            我在此使用谷歌浏览器实现拿到请求地址和请求参数。首先点击右键,点击检查(不同浏览器点击的选项可能不同,同一浏览器的不同版本也可能不同),进入图一所示,从中我们可以拿到请求请求地址和请求参数,在Header中的Form Data中我们可以拿到请求参数。

技术分享

 

 (图一)

代码段如下:

import urllib.request
import urllib.parse

url = http://fanyi.youdao.com/translate?smartresult=dict&smartresult=rule&smartresult=ugc&sessionFrom=dict2.index
data = {}
data[type] = AUTO
data[i] = i love you
data[doctype] = json
data[xmlVersion] = 1.8
data[keyfrom] = fanyi.web
data[ue] = UTF-8
data[action] = FY_BY_CLICKBUTTON
data[typoResult] = true
data = urllib.parse.urlencode(data).encode(utf-8)
response = urllib.request.urlopen(url,data)
html = response.read().decode(utf-8)
print(html)

      上述代码执行如下:

         {"type":"EN2ZH_CN","errorCode":0,"elapsedTime":0,"translateResult":[[{"src":"i love you","tgt":"我爱你"}]],"smartResult":{"type":1,"entries":["","我爱你。"]}}

      对于上述结果,我们可以看到是一个json串,我们可以对此解析一下,并且对代码进行完善一下:

import urllib.request
import urllib.parse
import json

url = http://fanyi.youdao.com/translate?smartresult=dict&smartresult=rule&smartresult=ugc&sessionFrom=dict2.index
data = {}
data[type] = AUTO
data[i] = i love you
data[doctype] = json
data[xmlVersion] = 1.8
data[keyfrom] = fanyi.web
data[ue] = UTF-8
data[action] = FY_BY_CLICKBUTTON
data[typoResult] = true
data = urllib.parse.urlencode(data).encode(utf-8)
response = urllib.request.urlopen(url,data)
html = response.read().decode(utf-8)
target = json.loads(html)
print(target[translateResult][0][0][tgt])

 

四、规避风险

       服务器检测出请求不是来自浏览器,可能会屏蔽掉请求,服务器判断的依据是使用‘User-Agent‘,我们可以修改改字段的值,来隐藏自己。代码如下:

技术分享
import urllib.request
import urllib.parse
import json

url = http://fanyi.youdao.com/translate?smartresult=dict&smartresult=rule&smartresult=ugc&sessionFrom=dict2.index
data = {}
data[type] = AUTO
data[i] = i love you
data[doctype] = json
data[xmlVersion] = 1.8
data[keyfrom] = fanyi.web
data[ue] = UTF-8
data[action] = FY_BY_CLICKBUTTON
data[typoResult] = true
data = urllib.parse.urlencode(data).encode(utf-8)
req = urllib.request.Request(url, data)
req.add_header(User-Agent,Mozilla/5.0 (Macintosh; Intel Mac OS X 10_11_2) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/52.0.2743.116 Safari/537.36)
response = urllib.request.urlopen(url, data)
html = response.read().decode(utf-8)
target = json.loads(html)
print(target[translateResult][0][0][tgt])
View Code

       上述做法虽然可以隐藏自己,但是还有很大问题,例如一个网络爬虫下载图片软件,在短时间内大量下载图片,服务器可以可以根据IP访问次数判断是否是正常访问。所有上述做法还有很大的问题。我们可以通过两种做法解决办法,一是使用延迟,例如5秒内访问一次。另一种办法是使用代理。

      延迟访问(休眠5秒,缺点是访问效率低下):

技术分享
import urllib.request
import urllib.parse
import json
import time


while True:
    content = input(please input content(input q exit program):)
    if content == q:
        break;

    url = http://fanyi.youdao.com/translate?smartresult=dict&smartresult=rule&smartresult=ugc&sessionFrom=dict2.index
    data = {}
    data[type] = AUTO
    data[i] = content
    data[doctype] = json
    data[xmlVersion] = 1.8
    data[keyfrom] = fanyi.web
    data[ue] = UTF-8
    data[action] = FY_BY_CLICKBUTTON
    data[typoResult] = true
    data = urllib.parse.urlencode(data).encode(utf-8)
    req = urllib.request.Request(url, data)
    req.add_header(User-Agent,Mozilla/5.0 (Macintosh; Intel Mac OS X 10_11_2) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/52.0.2743.116 Safari/537.36)
    response = urllib.request.urlopen(url, data)
    html = response.read().decode(utf-8)
    target = json.loads(html)
    print(target[translateResult][0][0][tgt])
    time.sleep(5)
View Code

      代理访问:让代理访问资源,然后讲访问到的资源返回。服务器看到的是代理的IP地址,不是自己地址,服务器就没有办法对你做限制。

      步骤:

      1,参数是一个字典{‘类型‘ : ‘代理IP:端口号‘ } //类型是http,https等

       proxy_support = urllib.request.ProxyHandler({})

      2,定制、创建一个opener

       opener = urllib.request.build_opener(proxy_support)

      3,安装opener(永久安装,一劳永逸)

       urllib.request.install_opener(opener)

      3,调用opener(调用的时候使用)

        opener.open(url)

五、批量下载网络图片

       图片下载来源为煎蛋网(http://jandan.net)

       图片下载的关键是找到图片的规律,如找到当前页,每一页的图片链接,然后使用循环下载图片。下面是程序代码(待优化):

import urllib.request
import os

def url_open(url):
    req = urllib.request.Request(url)
    req.add_header(User-Agent,Mozilla/5.0)
    response = urllib.request.urlopen(req)
    html = response.read()
    return html

def get_page(url):
    html = url_open(url).decode(utf-8)
    a = html.find(current-comment-page) + 23
    b = html.find(],a)
    return html[a:b]


def find_image(url):
    html = url_open(url).decode(utf-8)
    image_addrs = []
    a = html.find(img src=)
    while a != -1:
        b = html.find(.jpg,a,a + 150)
        if b != -1:
            image_addrs.append(html[a+9:b+4])
        else:
            b = a + 9
        a = html.find(img src=,b)
    for each in image_addrs:
        print(each)
    return image_addrs

def save_image(folder,image_addrs):
    for each in image_addrs:
        filename = each.split(/)[-1]
        with open(filename,wb) as f:
            img = url_open(each)
            f.write(img)

def download_girls(folder = girlimage,pages = 20):
    os.mkdir(folder)
    os.chdir(folder)
    url = http://jandan.net/ooxx/
    page_num = int(get_page(url))

    for i in range(pages):
        page_num -= i
        page_url = url + page- + str(page_num) + #comments
        image_addrs = find_image(page_url)
        save_image(folder,image_addrs)

if __name__ == __main__:
    download_girls()
     

 代码运行效果如下:技术分享

 

                                               注:目前处于自学python阶段,上述所写属于学习笔记。刚接触python有两周时间,如有错误,欢迎指正。所学资源来自小甲鱼视频。

   

 

Python Spider

标签:

原文地址:http://www.cnblogs.com/wangyaoguo/p/5769944.html

(0)
(0)
   
举报
评论 一句话评论(0
登录后才能评论!
© 2014 mamicode.com 版权所有  联系我们:gaon5@hotmail.com
迷上了代码!