Python之Spider

今天python視頻教程欄目為大家介紹Python的Spider （爬蟲）相關知識。

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.request response = 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.request  response = 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/html
Last-Modified: Mon, 27 Sep 2004 01:23:20 GMT
Accept-Ranges: bytes
ETag: "0f4b59230a4c41:0"
Server: Microsoft-IIS/8.0
Date: Sun, 14 Aug 2016 07:16:01 GMT
Connection: close

Content-Length: 2827

輸入：response.getcode()

->200

3.1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.parse  url = '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 json  url = '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 json  url = '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'])

View Code

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)

View Code

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opener

opener = urllib.request.build_opener(proxy_support)

3，安裝opener(永久安裝，一勞永逸)

urllib.request.install_opener(opener)

3，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：