Python 爬蟲從入門到進階之路（二）

豐寸發表於2019-06-20
Python爬蟲

上一篇文章我們對爬蟲有了一個初步認識，本篇文章我們開始學習 Python 爬蟲例項。

在 Python 中有很多庫可以用來抓取網頁，其中內建了 urllib 模組，該模組就能實現我們基本的網頁爬取。

在 Python2.x 和 Python3.x 中 urllib 模組是不一樣的，但是用法上差不多，我們先用 Python2.x 中的 urllib 來實現一個 demo。

在 Python2.x 中內建了 urllib 模組，但是 Python 創始人 Guido van Rossum 覺得其太臃腫了，於是又寫了一個 urllib2，兩者有很多不同，最顯著的如下：

（1）urllib僅可以接受URL，不能建立，設定headers的request類例項；

（2）但是urllib提供urlencode()方法用來GET查詢字串的產生，而urllib2則沒有（這是urllib和urllib2經常一起使用的主要原因）

（3）編碼工作使用urllib的urlencode()函式，幫我們講key:value這樣的鍵值對轉換成‘key=value’這樣的字串，解碼工作可以使用urllib的unquote()

函式

我們就使用 urllib2 來實現一個簡單的爬蟲：

1 # 匯入urllib2 庫
2 import urllib2
3 
4 # 向指定的url傳送請求，並返回伺服器響應的類檔案物件
5 response = urllib2.urlopen("http://www.baidu.com")
6 # 類檔案物件支援 檔案物件的操作方法，如read()方法讀取檔案全部內容，返回字串
7 html = response.read().decode("utf-8")
8 # 列印字串
9 print(html)

在上面的程式碼中我們其實就相當於模擬了檢視百度首頁，然後獲取百度首頁的 html 內容。

urllib2 在 python3.x 中被改為urllib.request,python2.x 的 urllib 和 urllib2 在 python3.x 中合併為 urllib

在 Python3.x 中實現上面的程式碼如下：

1 # 匯入urllib 庫
2 import urllib.request
3 
4 # 向指定的url傳送請求，並返回伺服器響應的類檔案物件
5 response = urllib.request.urlopen("http://www.baidu.com")
6 # 類檔案物件支援 檔案物件的操作方法，如read()方法讀取檔案全部內容，返回字串
7 html = response.read().decode("utf-8")
8 # 列印字串
9 print(html)

最終的列印結果如下，內容太長就截一小段：

歷史的車輪滾滾而來，雖然大部分 Python 使用者還在使用 Python2.x，但 Python3.x 肯定有其之長才被髮布的，本人作為小白，就選取 Python3.x 學習吧。

在我們上面的例子中，urlopen()的引數就是一個url地址；

但是如果需要執行更復雜的操作，比如增加HTTP報頭，必須建立一個 Request 例項來作為urlopen()的引數；而需要訪問的url地址則作為 Request 例項的引數。

 1 # 匯入urllib 庫
 2 import urllib.request
 3 
 4 # url 作為Request()方法的引數，構造並返回一個Request物件
 5 request = urllib.request.Request("http://www.baidu.com")
 6 # Request物件作為urlopen()方法的引數，傳送給伺服器並接收響應
 7 response = urllib.request.urlopen(request)
 8 # 類檔案物件支援 檔案物件的操作方法，如read()方法讀取檔案全部內容，返回字串
 9 html = response.read().decode("utf-8")
10 # 列印字串
11 print(html)

最終的列印結果一致。

新建Request例項，除了必須要有 url 引數之外，還可以設定另外兩個引數：

  1. data（預設空）：是伴隨 url 提交的資料（比如要post的資料），同時 HTTP 請求將從 "GET"方式 改為 "POST"方式。

  2. headers（預設空）：是一個字典，包含了需要傳送的HTTP報頭的鍵值對。

這兩個引數下面會說到。

但是這樣直接用 urllib 給一個網站傳送請求的話，確實略有些唐突了，就好比，人家每家都有門，你以一個路人的身份直接闖進去顯然不是很禮貌。而且有一些站點不喜歡被程式（非人為訪問）訪問，有可能會拒絕你的訪問請求。

但是如果我們用一個合法的身份去請求別人網站，顯然人家就是歡迎的，所以我們就應該給我們的這個程式碼加上一個身份，就是所謂的User-Agent頭。

  • 瀏覽器 就是網際網路世界上公認被允許的身份，如果我們希望我們的爬蟲程式更像一個真實使用者，那我們第一步，就是需要偽裝成一個被公認的瀏覽器。用不同的瀏覽器在傳送請求的時候，會有不同的User-Agent頭。

現在我們就來加一個 User-Agent 的報頭。

當我們開啟 https://www.baidu.com/，我們在開發者工具的 Network 下，我們會找到一個 

User-Agent: Mozilla/5.0 (Macintosh; Intel Mac OS X 10_14_4) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/73.0.3683.103 Safari/537.36

當然還有 Accept，Host，Cookie 等資訊，這裡我們先不考慮，後期會講到。

 1 # 匯入urllib 庫
 2 import urllib.request
 3 import ssl
 4 
 5 # 取消代理驗證
 6 ssl._create_default_https_context = ssl._create_unverified_context
 7 # User-Agent
 8 headers = {"User-Agent": "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_14_4) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/73.0.3683.103 Safari/537.36"}
 9 # url 作為Request()方法的引數，構造並返回一個Request物件
10 request = urllib.request.Request("http://www.baidu.com",headers=headers)
11 # Request物件作為urlopen()方法的引數，傳送給伺服器並接收響應
12 response = urllib.request.urlopen(request)
13 # 類檔案物件支援 檔案物件的操作方法，如read()方法讀取檔案全部內容，返回字串
14 html = response.read().decode("utf-8")
15 # 列印字串
16 print(html)

在上面的程式碼中，我們又引入了 ssl 模組，由於現在百度使用的是 https 協議，進入頁面需要代理驗證，為了不必要的麻煩，我們乾脆取消代理驗證，所以用到了 ssl 模組。

然後我們定義了一個 headers 的變數，即響應頭資訊，然後我們在 Request 的第二個形參中將 headers=headers，這樣我們在請求 https://www.baidu.com/，就相當於我們手動在瀏覽器輸入 url 連結是一樣的效果。

 

相關文章