Python爬虫-2

Python爬虫-2

Python爬虫-2

[TOC]

Urllib模块简介与基础使用

Urllib模块是一个可以用于编写爬虫的非常常用的模块, 接下来我们将为大家介绍Urllib基础使用方面的知识。

打开一个网页对象

urlib包中

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
## 爬取网页
import urllib.request

# url = "http://www.jd.com" # 要爬取的页面
# openurl = urllib.request.urlopen(url) # 获取网页对象
# data1 = openurl.read() # 获取网页对象数据
# data2 = data1.decode("utf-8", "ignore") # 网页解码,以utf-8方式并且忽视编码错误

data = urllib.request.urlopen("http://www.jd.com").read().decode("utf-8", "ignore")
print(len(data)) # 取长度,看看有没有数据
# 106153

## 获取标题
import re

pat = "<title>(.*?)</title>"
print(re.compile(pat, re.S).findall(data)) # 避免多行re.S,在数据data中寻找
# ['京东(JD.COM)-正品低价、品质保障、配送及时、轻松购物!']

将一个网页信息爬虫到硬盘

urllib.request.urlretrieve("网页url",filename="文件路径名")

1
2
3
## 将网页直下载到本地

urllib.request.urlretrieve("http://www.jd.com", filename="C:/Users/hibis/Desktop/jd.html")

浏览器伪装

1
data3 = urllib.request.urlopen("https://wwww.qiushibaike.com/").read().decode("utf-8","ignore")

报错

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
Traceback (most recent call last):
File "F:/untitled/Urlib.py", line 26, in <module>
data3 = urllib.request.urlopen("https://wwww.qiushibaike.com/").read().decode("utf-8","ignore")
File "C:\Python38\lib\urllib\request.py", line 222, in urlopen
return opener.open(url, data, timeout)
File "C:\Python38\lib\urllib\request.py", line 531, in open
response = meth(req, response)
File "C:\Python38\lib\urllib\request.py", line 640, in http_response
response = self.parent.error(
File "C:\Python38\lib\urllib\request.py", line 569, in error
return self._call_chain(*args)
File "C:\Python38\lib\urllib\request.py", line 502, in _call_chain
result = func(*args)
File "C:\Python38\lib\urllib\request.py", line 649, in http_error_default
raise HTTPError(req.full_url, code, msg, hdrs, fp)
urllib.error.HTTPError: HTTP Error 404: Not Found

对方识别了爬虫,不是浏览器就拒绝访问

打开开发者模式,发现

1
2
3
请求网址:https://www.qiushibaike.com/
请求方法:GET
User-Agent:Mozilla/5.0 (Windows NT 10.0; Win64; x64; rv:74.0) Gecko/20100101 Firef

User-Agent字段中字段表明是不是浏览器

创建 operner 对象,可以添加高级设置。
创建元组属性。

1
UA = ("User-Agent", "Mozilla/5.0 (Windows NT 10.0; Win64; x64; rv:74.0) Gecko/20100101 Firef")

加入元组属性即可,伪装参数,安装全局opener

1
urllib.request.install_opener(opener)

实际案例:

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
import urllib.request

## 浏览器伪装
# 直接打开链接容易被拒绝访问
# data3 = urllib.request.urlopen("https://wwww.qiushibaike.com/").read().decode("utf-8","ignore")
url = "https://www.qiushibaike.com"

# operner
opener = urllib.request.build_opener()
UA = ("User-Agent", "Mozilla/5.0 (Windows NT 10.0; Win64; x64; rv:74.0) Gecko/20100101 Firef")
opener.addheaders = [UA]

# urlopen 伪装
urllib.request.install_opener(opener)
data = urllib.request.urlopen(url).read().decode("utf-8", "ignore")
print(len(data))

用户代理池

过多次数单一浏览器访问会被拒绝,用多个浏览器标识构成集合,作为一个访问池

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
import random
import urllib.request

url = "https://www.qiushibaike.com/"
# 用户代理池
uapools = ["Mozilla/5.0 (Windows NT 10.0; Win64; x64; rv:74.0) Gecko/20100101 Firefox/74.0",
"Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/81.0.4044.9 Safari/537.36", ]


# 自定义代理函数

def UA():
opener = urllib.request.build_opener()
thisua = random.choice(uapools)
ua = ("User-Agent", thisua)
opener.addheaders = [ua]
urllib.request.install_opener(opener)
print("当前使用的UA" + str(thisua))


for i in range(0, 10):
UA()
data = urllib.request.urlopen(url).read().decode("utf-8", "ignore")
print(len(data))
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
当前使用的UAMozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/81.0.4044.9 Safari/537.36
9869
当前使用的UAMozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/81.0.4044.9 Safari/537.36
9869
当前使用的UAMozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/81.0.4044.9 Safari/537.36
9869
当前使用的UAMozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/81.0.4044.9 Safari/537.36
9869
当前使用的UAMozilla/5.0 (Windows NT 10.0; Win64; x64; rv:74.0) Gecko/20100101 Firefox/74.0
9869
当前使用的UAMozilla/5.0 (Windows NT 10.0; Win64; x64; rv:74.0) Gecko/20100101 Firefox/74.0
9869
当前使用的UAMozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/81.0.4044.9 Safari/537.36
9869
当前使用的UAMozilla/5.0 (Windows NT 10.0; Win64; x64; rv:74.0) Gecko/20100101 Firefox/74.0
9869
当前使用的UAMozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/81.0.4044.9 Safari/537.36
9869
当前使用的UAMozilla/5.0 (Windows NT 10.0; Win64; x64; rv:74.0) Gecko/20100101 Firefox/74.0
9869

Process finished with exit code 0

批量爬取糗事百科段子数据

目标网站:https://www.qiushibaike.com/
目标数据:热门段子
要求:自动翻页

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
import urllib.request
import re
import random
import time

uapools = [
"Mozilla/5.0 (Windows NT 10.0; Win64; x64; rv:74.0) Gecko/20100101 Firefox/74.0",
"Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/81.0.4044.9 Safari/537.36",
"Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.1; Maxthon 2.0)",
]


def UA():
opneer = urllib.request.build_opener()
thisua = random.choice(uapools)
ua = ("User-Agent", thisua)
opneer.addheaders = [ua]
urllib.request.install_opener(opneer)
print("当前使用UA: " + str(thisua))


for i in range(0, 35):
UA()
thisurl = "https://www.qiushibaike.com/8hr/page/" + str(i + 1) + "/"
try:
data = urllib.request.urlopen(thisurl).read().decode("utf-8", "ignore")
pat = '<div class="content">.*?<span>(.*?)</span>.*?</div>'
rst = re.compile(pat, re.S).findall(data)
for j in range(0, len(rst)):
print(rst[j])
print("-------")
except Exception as err:
pass

爬取慕课网页课件中的图片

课程地址:http://mooc1.chaoxing.com/course/200903990.html
课程名称:普通地质学

分析链接结构

课程列表结构分析

课程列表

章节列表:

1
2
3
4
申报书:http://mooc1.chaoxing.com/nodedetailcontroller/visitnodedetail?courseId=200903990&knowledgeId=167036766
教学大纲:http://mooc1.chaoxing.com/nodedetailcontroller/visitnodedetail?courseId=200903990&knowledgeId=116724219
课程简介:http://mooc1.chaoxing.com/nodedetailcontroller/visitnodedetail?courseId=200903990&knowledgeId=116724220
课程教案:http://mooc1.chaoxing.com/nodedetailcontroller/visitnodedetail?courseId=200903990&knowledgeId=167037929

得出规律,章节类表统一链接

1
http://mooc1.chaoxing.com/nodedetailcontroller/visitnodedetail?courseId=200903990&knowledgeId=[num]
名称 knowledgeId
课程思政示范课程申报书 1部分
申报书 167036766
课程概要 2部分
教学大纲 116724219
课程简介 116724220
课程教案 167037929
教学课件 3部分
绪论 116724181
第一章 地球的概述
第一节 地球形状大小及表面特征 116724221
第二节 地球的物理性质 116724222
第三节 地球的圈层结构 116724223
第四节 地质作用概述 116724224
第二章 矿物 116724188
第三章 岩浆作用与岩浆岩 116724189
第四章 变质作用与变质岩 116724200
第五章 外动力地质作用与沉积岩 116724194
第六章 地质年代 116724201
第七章 构造运动与地质构造 116724208
第八章 板块构造学说 116724195
第九章 风化作用 116724191
第十章 风的地质作用 116724179
第十一章 河流的地质作用 116724180
第十二章 地下水的地质作用 116724178
第十三章 冰川的地质作用 116724202
第十四章 湖泊及沼泽的地质作用 116724209
第十五章 海水的地质作用 116724193
第十七章 块体运动 116724192

课件结构分析

例如第二章矿物

课件链接

每一个页面内图片课件链接都来自一个窗口,打开源代码,截取部分,找到规律。

1
2
3
<div class="imglook" id="img">
<img class="documentImg" index="1" src="https://s3.ananas.chaoxing.com/doc/cc/1b/14/60addc1f45fa315b87420b3a43045d1e/thumb/1.png" style="width:100%;" id="ext-gen1042"><img class="documentImg" index="2" src="https://s3.ananas.chaoxing.com/doc/cc/1b/14/60addc1f45fa315b87420b3a43045d1e/thumb/2.png" style="width:100%;" id="ext-gen1043"><img class="documentImg" index="3" src="https://s3.ananas.chaoxing.com/doc/cc/1b/14/60addc1f45fa315b87420b3a43045d1e/thumb/3.png" style="width:100%;" id="ext-gen1044"><img class="documentImg" index="4" src="https://s3.ananas.chaoxing.com/doc/cc/1b/14/60addc1f45fa315b87420b3a43045d1e/thumb/4.png" style="width:100%;" id="ext-gen1045"><img class="documentImg" index="5" src="https://s3.ananas.chaoxing.com/doc/cc/1b/14/60addc1f45fa315b87420b3a43045d1e/thumb/5.png" style="width:100%;" id="ext-gen1046"><img class="documentImg" index="6" src="https://s3.ananas.chaoxing.com/doc/cc/1b/14/60addc1f45fa315b87420b3a43045d1e/thumb/6.png" style="width:100%;" id="ext-gen1047"><img class="documentImg" index="7"
....
1
2
<div id="img" class="imglook"><img/></div>
//*[@id="ext-gen1042"]

如果直接爬取文件内容,无法读取。因为后台采用ajax异步传输方式将pdf传输到前台浏览器。

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
import requests
from lxml import etree
import urllib.request

url1 = "https://www.baidu.com"
url = "http://mooc1.chaoxing.com/nodedetailcontroller/visitnodedetail?courseId=200903990&knowledgeId=116724188"
headers = {
"User-Agent": "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/59.0.3071.115 Safari/537.36"}
response = requests.get(url=url, headers=headers)
# response.encoding = 'utf-8'
wb_date = response.text

html = etree.HTML(wb_date)
print(wb_date)
b = html.xpath('//img/@src')
# //*[@id="img"]

print(b)
print(b[0])
文章作者: HibisciDai
文章链接: http://hibiscidai.com/2020/03/14/Python爬虫-2/
版权声明: 本博客所有文章除特别声明外,均采用 CC BY-NC-SA 4.0 许可协议。转载请注明来自 HibisciDai