爬虫——urllib爬虫模块

　　网络爬虫也称为网络蜘蛛、网络机器人，抓取网络的数据。其实就是用Python程序模仿人点击浏览器并访问网站，而且模仿的越逼真越好。一般爬取数据的目的主要是用来做数据分析，或者公司项目做数据测试，公司业务所需数据。而数据来源可以来自于公司内部数据，第三方平台购买的数据，还可以通过网络爬虫爬取数据。python在网络爬虫方向上有着成熟的请求、解析模块，以及强大的Scrapy网络爬虫框架。

爬虫分类

1、通用网络爬虫：搜索引擎使用，遵守robots协议(君子协议)robots协议 ：网站通过robots协议告诉搜索引擎哪些页面可以抓取，哪些页面不能抓取。https://www.taobao.com/robots.txt2、聚焦网络爬虫 ：自己写的爬虫程序

爬虫爬取数据步骤

1、确定需要爬取的URL地址2、由请求模块向URL地址发出请求，并得到网站的响应3、从响应内容中提取所需数据1、所需数据，保存2、页面中有其他需要继续跟进的URL地址，继续第2步去发请求，如此循环

请求模块

from urllib import request

request.urlopen()　　向网站发起请求并获取响应对象

参数：

• URL：需要爬取的URL地址
• timeout: 设置等待超时时间，指定时间内未得到响应抛出超时异常

响应对象(response)方法

• string = response.read().decode('utf-8')  获取响应对象内容(网页源代码)，返回内容为字节串bytes类型，顺便需要decode转换成string。
• url = response.geturl()      返回实际数据的URL地址
• code = response.getcode()     返回HTTP响应码

from urllib import request
url = 'http://www.baidu.com/'

# 向百度发请求,得到响应对象
response = request.urlopen(url)

# 返回网页源代码
print(response.read().decode('utf-8'))

# 返回http响应码
print(response.getcode())       # 200
# 返回实际数据URL地址
print(response.geturl())        # http://www.baidu.com/

urllib.request.Request()　　创建请求对象(包装请求，重构User-Agent，使程序更像正常人类请求)

参数

• URL：请求的URL地址
• headers：添加请求头(爬虫和反爬虫斗争的第一步)

使用流程

1、创建请求对象(重构User-Agent)   req = urllib.request.Request(url=url,headers={'User-Agent':'Mozilla/5.0 xxxx'})2、请求对象发起请求，获取响应对象(urlopen)   res = urllib.request.urlopen(req)3、通过相应对象获取响应内容   html = res.read().decode('utf-8')

from urllib import request

url = 'http://httpbin.org/get'
headers = {'User-Agent':'Mozilla/4.0 (compatible; MSIE 8.0; Windows NT 6.1; WOW64; Trident/4.0; SLCC2; .NET CLR 2.0.50727; .NET CLR 3.5.30729; .NET CLR 3.0.30729; Media Center PC 6.0; .NET4.0C; InfoPath.3)'}

# 创建请求对象(包装请求)
req = request.Request(url=url,headers=headers)
# 发请求,获取响应对象
res = request.urlopen(req)
# 读取内容,返回网页代码
html = res.read().decode('utf-8')

print(html)

URL地址编码

urllib.parse.urlencode({dict})

URL地址中一个查询参数

查询参数：{'wd' : '美女'}

urlencode编码后：'wd=%e7%be%8e%e5%a5%b3'

from urllib import parse

url = 'http://www.baidu.com/s?'

query_string = parse.urlencode({'wd':'美女'})
print(query_string)         # wd=%E7%BE%8E%E5%A5%B3
url = url + query_string
# http://www.baidu.com/wd=%E7%BE%8E%E5%A5%B3

URL地址中多个查询参数

from urllib import parse
query_string_dict = {'wd' : '美女',
                    'pn' : '50'}
query_string = parse.urlencode(query_string_dict)
url = 'http://www.baidu.com/s?{}'.format(query_string)
print(url)
# http://www.baidu.com/s?wd=%E7%BE%8E%E5%A5%B3&pn=50

拼接URL地址的3种方式

1、字符串相加'https://www.baidu.com/s?' + urlencode({'wd':'美女','pn':'50'})2、字符串格式化(占位符)'https://www.baidu.com/s?%s' % urlencode({'wd':'美女','pn':'50'})3、format()方法'https://www.baidu.com/s?{}'.format(urlencode({'wd':'美女','pn':'50'}))

示例 在百度中输入要搜索的内容，把响应内容保存到本地文件

from urllib import request
from urllib import parse

# 定义常用变量
word = input('请输入搜索内容:')
url = 'http://www.baidu.com/s?'
headers = {'User-Agent':'Mozilla/5.0'}

# url编码,拼接完整URL
query_string = parse.urlencode({'wd':word})
url = url + query_string

# 三步走
req = request.Request(url=url,headers=headers)
res = request.urlopen(req)
html = res.read().decode('utf-8')

filename = '{}.html'.format(word)
with open(filename,'w',encoding='utf-8') as f:
    f.write(html) 

urllib.parse.quote(string)编码

from urllib import parse
parse.quote('美女')       # %E7%BE%8E%E5%A5%B3

urllib.parse.unquote(string)解码

from urllib import parse

result = parse.unquote('%E7%BE%8E%E5%A5%B3')
print(result)       # 美女

百度贴吧网页获取

1. 输入贴吧名称
2. 输入起始页
3. 输入终止页
4. 保存到本地文件：第1页.html、第2页.html ...

实现步骤

1、找URL规律

1、不同吧2、不同页   第1页:http://tieba.baidu.com/f?kw=????&pn=0   第2页:http://tieba.baidu.com/f?kw=????&pn=50   第n页:pn=(n-1)*50

2、获取网页内容

3、保存(本地文件、数据库)

from urllib import request,parse
import time
import random

class BaiduSpider(object):
    def __init__(self):
        self.url = 'http://tieba.baidu.com/f?kw={}&pn={}'
        self.headers = {'User-Agent':'Mozilla/5.0'}

    # 获取响应
    def get_page(self,url):
        req = request.Request(url=url,headers=self.headers)
        res = request.urlopen(req)
        html = res.read().decode('utf-8')
        return html

    # 保存数据
    def write_page(self,filename,html):
        with open(filename,'w') as f:
            f.write(html)

    # 主函数
    def main(self):
        name = input('请输入贴吧名:')
        start = int(input('请输入起始页:'))
        end = int(input('请输入终止页:'))

        # 拼接URL地址,发请求
        for page in range(start,end+1):
            pn = (page-1)*50
            kw = parse.quote(name)          # url编码
            url = self.url.format(kw,pn)
            html = self.get_page(url)       # 获取响应,并保存
            filename = '{}-第{}页.html'.format(name,page)
            self.write_page(filename,html)
            print('第{}页爬取成功'.format(page))  # 提示进度
            time.sleep(random.randint(1,3))     # 控制爬取速度

if __name__ == '__main__':
    spider = BaiduSpider()
    spider.main()