python爬虫第五天
程序员文章站
2022-06-16 10:22:32
cookie 我们访问网页是通过http协议进行的,而http协议是一个无状态协议(无法维持会话之间的状态),比如我们登录一个网站成功后访问另一个网页,那么登录状态就会消失,十分不方便。而我们可以通过Cookie保存会话信息,将会话信息保存在客户端,或者用session保存会话信息在服务器端。但是服 ......
cookie
我们访问网页是通过http协议进行的,而http协议是一个无状态协议(无法维持会话之间的状态),比如我们登录一个网站成功后访问另一个网页,那么登录状态就会消失,十分不方便。而我们可以通过cookie保存会话信息,将会话信息保存在客户端,或者用session保存会话信息在服务器端。但是服务器端会给客户端发送sessionid等信息,这些信息一般保存在cookie中,大部分时候我们都要用到cookie,而爬虫中我们可以通过cookie保持登录状态进行内容爬取。
cookiejar实战精析
注意:python3中使用cookiejar库进行处理,而在python2中可以使用cookielib库进行处理。
现在我们登录chinaunix论坛,http://bbs.chinaunix.net
我们先注册一下,然后我们可以通过fiddler工具进行分析,不过我们现在先使用f12调出调试界面,登录输入用户名密码,点击登录,观察调试界面。在network下找到登录request url字段得到post表单网址。(书中这样写的,但是现在网页自动跳转了,我没找到。。直接用了书上的可以用。)
import urllib.request
import urllib.parse
import http.cookiejar
#这里填写登录成功的url,这里的loginhash是书上的。这里用肯定不行,这里得在登录页面拿到才行
url="http://bbs.chinaunix.net/member.php?mod=logging&action=login&logsubmit=yes&loginhash=l68q"
postdata=urllib.parse.urlencode({
#这里填写用户名密码,自己填自己的吧
"username":"yang",
"password":"1234567890"
}).encode('utf-8')
req=urllib.request.request(url,postdata)
req.add_header('user-agent','mozilla/5.0 (windows nt 10.0; wow64) applewebkit/537.36 (khtml, like gecko) chrome/63.0.3239.132 safari/537.36')
#创建cookiejar对象
cjar=http.cookiejar.cookiejar()
#使用httpcookieprocessor创建cookie处理器,并以其为参数opener为参数
opener=urllib.request.build_opener(urllib.request.httpcookieprocessor(cjar))
#将opener安装为全局
urllib.request.install_opener(opener)
file=opener.open(req)
data=file.read()
file=open("d:/crawler/9.html","wb")
file.write(data)
file.close()
url2="http://bbs.chinaunix.net"
data2=urllib.request.urlopen(url2).read()
fhandle=open("d:/crawler/10.html","wb")
fhandle.write(data2)
fhandle.close()
这个代码我还没有弄成功,先放在这里吧。
接下来开始手写爬虫实战
图片爬虫实战
首先我们先实现一个简单的爬虫,我们打开京东首页www.jd.com
进入手机分类商品,我们点击下一页发现网址变了,
http://list.jd.com/list.html?cat=9987,653,655&page=2&sort=sort_rank_asc&trans=1&jl=6_0_0&ms=6#j_main
可以发现这里是使用get方法请求的,如何自动爬取其他页的情况呢?我们可以使用for循环每次循环后把page字段加1,即自动切换到下一页,之后我们要获取对应的图片,使用正则表达式匹配源码中的图片的链接部分,然后通过urllib.request.urlretrieve()方法将对应的链接保存在本地。
我们要先过滤点信息走,我们右击查看源代码:我们要找到一个唯一的标识,并且包含要爬取得内容,以及尽量少的无关信息。这里我们找到<div id = "plist">
这是开头的部分,结尾的标识<div class="page clearfix"满足要求
这样过滤就是:用正则表达式只取这两个标识中间的内容:patl='<div id="plist".+?<div class="page clearfix">'
import re
import urllib.request
import urllib.error
def craw(url,page):
html1=urllib.request.urlopen(url).read()
html1=str(html1)
pat1='<div id="plist".+?<div class="page clearfix">'
result1=re.compile(pat1).findall(html1)
result1=result1[0]
pat2='<img width="220" height="220" data-img="1" src="//(.+?\.jpg)">'
imagelist=re.compile(pat2).findall(result1)
x=1
for imageurl in imagelist:
imagename="d://crawler/image/image"+str(page)+str(x)+".jpg"
imageurl="http://"+imageurl
try:
urllib.request.urlretrieve(imageurl,filename=imagename)
except urllib.error.urlerror as e:
if hasattr(e,"code"):
x+=1
if hasattr(e,"reason"):
x+=1
x+=1
for i in range(1,15):
url="http://list.jd.com/list.html?cat=9987,653,655&page="+str(i)
craw(url,i)
这样就爬取成功了,我亲测可以。
今天实在是懒就写这么多了
此文是我在学习《精通python网络爬虫》(韦玮著)的总结,纯手打。
上一篇: Docker镜像细节