欢迎加入QQ讨论群258996829
麦子学院 头像
苹果6袋
6
麦子学院

Python爬虫的Urllib库的高级用法详解

发布时间:2017-08-17 20:35  回复:0  查看:2370   最后回复:2017-08-17 20:35  

本文和大家分享的主要是python爬虫的Urllib库的高级用法相关内容,一起来看看吧,希望对大家学习python有所帮助。

  1.分分钟扒一个网页下来

  怎样扒网页呢?其实就是根据URL来获取它的网页信息,虽然我们在浏览器中看到的是一幅幅优美的画面,但是其实是由浏览器解释才呈现出来的,实质它 是一段HTML代码,加 JSCSS,如果把网页比作一个人,那么HTML便是他的骨架,JS便是他的肌肉,CSS便是它的衣服。所以最重要的部分是存在于HTML中的,下面我 们就写个例子来扒一个网页下来。

  import urllib2

  response = urllib2.urlopen("http://www.baidu.com";)print response.read()

  是的你没看错,真正的程序就两行,把它保存成 demo.py,进入该文件的目录,执行如下命令查看运行结果,感受一下。

  python demo.py

Python爬虫的Urllib库的高级用法详解

看,这个网页的已经被我们扒下来了,是不是很酸爽?

  2.分析扒网页的方法

  那么我们来分析这两行代码,第一行

  response = urllib2.urlopen("http://www.baidu.com";)

  首先我们调用的是urllib2库里面的urlopen方法,传入一个URL,这个网址是百度首页,协议是HTTP协议,当然你也可以把HTTP换做FTP,FILE,HTTPS 等等,只是代表了一种协议,urlopen一般接受三个参数,它的参数如下:

  urlopen(url, data, timeout)

  第一个参数url即为URL,第二个参数data是访问URL时要传送的数据,第三个timeout是设置超时时间。

  第二三个参数是可以不传送的,data默认为空Nonetimeout默认为 socket._GLOBAL_DEFAULT_TIMEOUT

  第一个参数URL是必须要传送的,在这个例子里面我们传送了百度的URL,执行urlopen方法之后,返回一个response对象,返回信息便保存在这里面。

  print response.read()

  response对象有一个read方法,可以返回获取到的网页内容。

  如果不加read直接打印会是什么?答案如下:

  <addinfourl at 139728495260376 whose fp =>

  直接打印出了该对象的描述,所以记得一定要加read方法,否则它不出来内容可就不怪我咯!

  3.构造Requset

  其实上面的urlopen参数可以传入一个request请求,它其实就是一个Request类的实例,构造时需要传入Url,Data等等的内容。比如上面的两行代码,我们可以这么改写

  import urllib2

  request = urllib2.Request("http://www.baidu.com";)response = urllib2.urlopen(request)

  print response.read()

  运行结果是完全一样的,只不过中间多了一个request对象,推荐大家这么写,因为在构建请求时还需要加入好多内容,通过构建一个request,服务器响应请求得到应答,这样显得逻辑上清晰明确。

  4.POSTGET数据传送

  上面的程序演示了最基本的网页抓取,不过,现在大多数网站都是动态网页,需要你动态地传递参数给它,它做出对应的响应。所以,在访问时,我们需要传递数据给它。最常见的情况是什么?对了,就是登录注册的时候呀。

  把数据用户名和密码传送到一个URL,然后你得到服务器处理之后的响应,这个该怎么办?下面让我来为小伙伴们揭晓吧!

  数据传送分为POSTGET两种方式,两种方式有什么区别呢?

  最重要的区别是GET方式是直接以链接形式访问,链接中包含了所有的参数,当然如果包含了密码的话是一种不安全的选择,不过你可以直观地看到自己提交了什么内容。POST则不会在网址上显示所有的参数,不过如果你想直接查看提交了什么就不太方便了,大家可以酌情选择。

  POST方式:

  上面我们说了data参数是干嘛的?对了,它就是用在这里的,我们传送的数据就是这个参数data,下面一下POST方式。

import urllib

import urllib2

values = {"username":"1016903103@qq.com","password":"XXXX"}

data = urllib.urlencode(values)

url = "https://passport.csdn.net/account/login?from=http://my.csdn.net/my/mycsdn";

request = urllib2.Request(url,data)

response = urllib2.urlopen(request)

print response.read()

  我们引入了urllib库,现在我们模拟登陆CSDN,当然上述代码可能登陆不进去,因为还要做一些设置头部header的工作,或者还有一些参数 没有设置全,还没有提及到在此就不写上去了,在此只是说明登录的原理。我们需要定义一个字典,名字为values,参数我设置了username和 password,下面利用urlliburlencode方法将字典编码,命名为data,构建request时传入两个参数,urldata,运 行程序,即可实现登陆,返回的便是登陆后呈现的页面内容。当然你可以自己搭建一个来测试一下。

  注意上面字典的定义方式还有一种,下面的写法是等价的

import urllib

import urllib2

values = {}

values['username'] = "1016903103@qq.com"

values['password'] = "XXXX"

data = urllib.urlencode(values)

url = "http://passport.csdn.net/account/login?from=http://my.csdn.net/my/mycsdn";

request = urllib2.Request(url,data)

response = urllib2.urlopen(request)

print response.read()

  以上方法便实现了POST方式的传送

  GET方式:

  至于GET方式我们可以直接把参数写到网址上面,直接构建一个带参数的URL出来即可。

import urllib

import urllib2

values={}

values['username'] = "1016903103@qq.com"

values['password']="XXXX"

data = urllib.urlencode(values)

url = "http://passport.csdn.net/account/login";

geturl = url + "?"+data

request = urllib2.Request(geturl)

response = urllib2.urlopen(request)

print response.read()

  你可以print geturl,打印输出一下url,发现其实就是原来的url加?然后加编码后的参数

  http://passport.csdn.net/account/login?username=1016903103%40qq.com&password=XXXX

  和我们平常GET访问方式一模一样,这样就实现了数据的GET方式传送。

  1.设置Headers

  有些网站不会同意程序直接用上面的方式进行访问,如果识别有问题,那么站点根本不会响应,所以为了完全模拟浏览器的工作,我们需要设置一些Headers 的属性。

  首先,打开我们的浏览器,调试浏览器F12,我用的是Chrome,打开网络监听,示意如下,比如知乎,点登录之后,我们会发现登陆之后界面都变化 了,出现一个新的界面,实质上这个页面包含了许许多多的内容,这些内容也不是一次性就加载完成的,实质上是执行了好多次请求,一般是首先请求HTML文 件,然后加载JSCSS 等等,经过多次请求之后,网页的骨架和肌肉全了,整个网页的效果也就出来了。

Python爬虫的Urllib库的高级用法详解

拆分这些请求,我们只看一第一个请求,你可以看到,有个Request URL,还有headers,下面便是response,图片显示得不全,小伙伴们可以亲身实验一下。那么这个头中包含了许许多多是信息,有文件编码啦,压缩方式啦,请求的agent啦等等。

  其中,agent就是请求的身份,如果没有写入请求身份,那么服务器不一定会响应,所以可以在headers中设置agent,例如下面的例子,这个例子只是说明了怎样设置的headers,小伙伴们看一下设置格式就好。

  import urllib  import urllib2

  url = 'http://www.server.com/login'

  user_agent = 'Mozilla/4.0 (compatible; MSIE 5.5; Windows NT)'

  values = {'username' : 'cqc',  'password' : 'XXXX' }

  headers = { 'User-Agent' : user_agent }

  data = urllib.urlencode(values)

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

  response = urllib2.urlopen(request)

  page = response.read()

  这样,我们设置了一个headers,在构建request时传入,在请求时,就加入了headers传送,服务器若识别了是浏览器发来的请求,就会得到响应。

  另外,我们还有 对付反盗链 的方式,对付防盗链,服务器会识别headers中的referer是不是它自己,如果不是,有的服务器不会响应,所以我们还可以在headers中加入referer

  例如我们可以构建下面的headers

  headers = { 'User-Agent' : 'Mozilla/4.0 (compatible; MSIE 5.5; Windows NT)'  ,

  'Referer':'http://www.zhihu.com/articles' }

  同上面的方法,在传送请求时把ers传入Request参数里,这样就能应付防盗链了。

  另外headers的一些属性,下面的需要特别注意一下:

  User-Agent : 有些服务器或 Proxy 会通过该值来判断是否是浏览器发出的请求

  Content-Type : 在使用 REST 接口时,服务器会检查该值,用来确定 HTTP Body 中的内容该怎样解析。

  application/ : 在 XML RPC,如 RESTful/SOAP 调用时使用

  application/json : 在 JSON RPC 调用时使用

  application/x-www-form-urlencoded : 浏览器提交 Web 表单时使用

  在使用服务器提供的 RESTful 或 SOAP 服务时, Content-Type 设置错误会导致服务器拒绝服务

  其他的有必要的可以审查浏览器的headers内容,在构建时写入同样的数据即可。

  2. Proxy(代理)的设置

  urllib2 默认会使用 http_proxy 来设置 HTTP Proxy。假如一个网站它会某一段时间某个IP 的访问次数,如果访问次数过多,它会禁止你的访问。所以你可以设置一些来帮助你做工作,每隔一段时间换一个代理,网站君都不知道是谁在捣鬼了,这酸爽!

  下面一段代码说明了的设置用法

  import urllib2

  enable_proxy = True

  proxy_handler = urllib2.ProxyHandler({"http" : 'http://some-proxy.com:8080'})

  null_proxy_handler = urllib2.ProxyHandler({})if enable_proxy:

  opener = urllib2.build_opener(proxy_handler)

  else:

  opener = urllib2.build_opener(null_proxy_handler)

  urllib2.install_opener(opener)

  3.Timeout 设置

  上一节已经说过urlopen方法了,第三个参数就是timeout的设置,可以设置等待多久超时,为了解决一些网站实在响应过慢而造成的影响。

  例如下面的代码,如果第二个参数为空那么要特别指定是timeout是多少,写明形参,如果data已经传入,则不必。

  import urllib2

  response = urllib2.urlopen('http://www.baidu.com', timeout=10)

  import urllib2response = urllib2.urlopen('http://www.baidu.com',data, 10)

  4.使用 HTTP 的 PUT 和 DELETE 方法

  http协议有六种请求方法,get,,put,delete,post,options,我们有时候需要用到PUT方式或者DELETE方式请求。

  PUT:这个方法比较少见。HTML表单也不支持这个。本质上来讲, PUTPOST极为相似,都是向服务器发送数据,但它们之间有一个重要区别,PUT通常指定了资源的存放位置,而POST则没有,POST的数据存放位置由服务器自己决定。

  DELETE:删除某一个资源。基本上这个也很少见,不过还是有一些地方比如amazonS3云服务里面就用的这个方法来删除资源。

  如果要使用 HTTP PUT 和 DELETE ,只能使用比较低层的 httplib 库。虽然如此,我们还是能通过下面的方式,使 urllib2 能够发出 PUT DELETE 的请求,不过用的次数的确是少,在这里提一下。

  import urllib2request = urllib2.Request(uri, data=data)request.get_method = lambda: 'PUT' # or 'DELETE'response = urllib2.urlopen(request)

  5.使用DebugLog

  可以通过下面的方法把 Debug Log 打开,这样收发包的内容就会在屏幕上打印出来,方便调试,这个也不太常用,仅提一下

  import urllib2

  httpHandler = urllib2.HTTPHandler(debuglevel=1)

  httpsHandler = urllib2.HTTPSHandler(debuglevel=1)

  opener = urllib2.build_opener(httpHandler, httpsHandler)

  urllib2.install_opener(opener)

  response = urllib2.urlopen('http://www.baidu.com')

 

 

来源:博客园

您还未登录,请先登录

热门帖子

最新帖子