python爬虫第五天

 

 

    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

http://account.chinaunix.net/login/?url=http%3a%2f%2fbbs.chinaunix.net%2f

 

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。