一、網絡爬蟲

網絡爬蟲又被稱為網絡蜘蛛（🕷️），我們可以把互聯網想象成一個蜘蛛網，每一個網站都是一個節點，我們可以使用一只蜘蛛去各個網頁抓取我們想要的資源。舉一個最簡單的例子，你在百度和谷歌中輸入‘Python’，會有大量和Python相關的網頁被檢索出來，百度和谷歌是如何從海量的網頁中檢索出你想要的資源，他們靠的就是派出大量蜘蛛去網頁上爬取，檢索關鍵字，建立索引數據庫，經過復雜的排序算法，結果按照搜索關鍵字相關度的高低展現給你。

千里之行，始于足下，我們從最基礎的開始學習如何寫一個網絡爬蟲，實現語言使用Python。

二、Python如何訪問互聯網

想要寫網絡爬蟲，第一步是訪問互聯網，Python如何訪問互聯網呢？

在Python中，我們使用urllib包訪問互聯網。（在Python3中，對這個模塊做了比較大的調整，以前有urllib和urllib2,在3中對這兩個模塊做了統一合并，稱為urllib包。包下面包含了四個模塊，urllib.request，urllib.error，urllib.parse，urllib.robotparser），目前主要使用的是urllib.request。

我們首先舉一個最簡單的例子，如何獲取獲取網頁的源碼：

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

三、Python網絡簡單使用

首先我們用兩個小demo練一下手，一個是使用python代碼下載一張圖片到本地，另一個是調用有道翻譯寫一個翻譯小軟件。

3.1根據圖片鏈接下載圖片，代碼如下：

import urllib.requestresponse = 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是一個對象

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

輸入：response.info()-><http.client.HTTPMessage object at 0x10591c0b8>

輸入：print(response.info())->Content-Type: text/htmlLast-Modified: Mon, 27 Sep 2004 01:23:20 GMTAccept-Ranges: bytesETag: '0f4b59230a4c41:0'Server: Microsoft-IIS/8.0Date: Sun, 14 Aug 2016 07:16:01 GMTConnection: closeContent-Length: 2827

輸入：response.getcode()->200

3.2使用有道詞典實現翻譯功能

我們想實現翻譯功能，我們需要拿到請求鏈接。首先我們需要進入有道首頁，點擊翻譯，在翻譯界面輸入要翻譯的內容，點擊翻譯按鈕，就會向服務器發起一個請求，我們需要做的就是拿到請求地址和請求參數。

我在此使用谷歌瀏覽器實現拿到請求地址和請求參數。首先點擊右鍵，點擊檢查（不同瀏覽器點擊的選項可能不同，同一瀏覽器的不同版本也可能不同），進入圖一所示，從中我們可以拿到請求請求地址和請求參數，在Header中的Form Data中我們可以拿到請求參數。

（圖一）

代碼段如下：

import urllib.requestimport urllib.parseurl = ’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)

上述代碼執行如下：

{'type':'EN2ZH_CN','errorCode':0,'elapsedTime':0,'translateResult':[[{'src':'i love you','tgt':'我愛你'}]],'smartResult':{'type':1,'entries':['','我愛你。']}}

對于上述結果，我們可以看到是一個json串，我們可以對此解析一下，并且對代碼進行完善一下：

import urllib.requestimport urllib.parseimport jsonurl = ’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、規避風險

服務器檢測出請求不是來自瀏覽器，可能會屏蔽掉請求，服務器判斷的依據是使用‘User-Agent’,我們可以修改改字段的值，來隱藏自己。代碼如下：

import urllib.requestimport urllib.parseimport jsonurl = ’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’])

上述做法雖然可以隱藏自己，但是還有很大問題，例如一個網絡爬蟲下載圖片軟件，在短時間內大量下載圖片，服務器可以可以根據IP訪問次數判斷是否是正常訪問。所有上述做法還有很大的問題。我們可以通過兩種做法解決辦法，一是使用延遲，例如5秒內訪問一次。另一種辦法是使用代理。

延遲訪問（休眠5秒，缺點是訪問效率低下）：

import urllib.requestimport urllib.parseimport jsonimport timewhile 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)

代理訪問：讓代理訪問資源，然后講訪問到的資源返回。服務器看到的是代理的IP地址，不是自己地址，服務器就沒有辦法對你做限制。

步驟：

1，參數是一個字典｛’類型’ : ’代理IP：端口號’ ｝ //類型是http,https等proxy_support = urllib.request.ProxyHandler({})

2，定制、創建一個openeropener = urllib.request.build_opener(proxy_support)

3，安裝opener(永久安裝，一勞永逸)urllib.request.install_opener(opener)

4，調用opener（調用的時候使用）opener.open(url)

五、批量下載網絡圖片

圖片下載來源為煎蛋網（http://jandan.net)

圖片下載的關鍵是找到圖片的規律，如找到當前頁，每一頁的圖片鏈接，然后使用循環下載圖片。下面是程序代碼（待優化,正則表達式匹配，IP代理）：

import urllib.requestimport osdef 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 htmldef 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_addrsdef 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()

代碼運行效果如下：

到此這篇關于Python爬蟲之Spider類用法簡單介紹的文章就介紹到這了,更多相關Python爬蟲Spider類內容請搜索好吧啦網以前的文章或繼續瀏覽下面的相關文章希望大家以后多多支持好吧啦網！