Python之Spider

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

一、網(wǎng)絡(luò)爬蟲(chóng)

網(wǎng)絡(luò)爬蟲(chóng)又被稱(chēng)為網(wǎng)絡(luò)蜘蛛，我們可以把互聯(lián)網(wǎng)想象成一個(gè)蜘蛛網(wǎng)，每一個(gè)網(wǎng)站都是一個(gè)節(jié)點(diǎn)，我們可以使用一只蜘蛛去各個(gè)網(wǎng)頁(yè)抓取我們想要的資源。舉一個(gè)最簡(jiǎn)單的例子，你在百度和谷歌中輸入‘Python'，會(huì)有大量和Python相關(guān)的網(wǎng)頁(yè)被檢索出來(lái)，百度和谷歌是如何從海量的網(wǎng)頁(yè)中檢索出你想要的資源，他們靠的就是派出大量蜘蛛去網(wǎng)頁(yè)上爬取，檢索關(guān)鍵字，建立索引數(shù)據(jù)庫(kù)，經(jīng)過(guò)復(fù)雜的排序算法，結(jié)果按照搜索關(guān)鍵字相關(guān)度的高低展現(xiàn)給你。

千里之行，始于足下，我們從最基礎(chǔ)的開(kāi)始學(xué)習(xí)如何寫(xiě)一個(gè)網(wǎng)絡(luò)爬蟲(chóng)，實(shí)現(xiàn)語(yǔ)言使用Python。

二、Python如何訪(fǎng)問(wèn)互聯(lián)網(wǎng)

想要寫(xiě)網(wǎng)絡(luò)爬蟲(chóng)，第一步是訪(fǎng)問(wèn)互聯(lián)網(wǎng)，Python如何訪(fǎng)問(wèn)互聯(lián)網(wǎng)呢？

在Python中，我們使用urllib包訪(fǎng)問(wèn)互聯(lián)網(wǎng)。（在Python3中，對(duì)這個(gè)模塊做了比較大的調(diào)整，以前有urllib和urllib2,在3中對(duì)這兩個(gè)模塊做了統(tǒng)一合并，稱(chēng)為urllib包。包下面包含了四個(gè)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(gè)最簡(jiǎn)單的例子，如何獲取獲取網(wǎng)頁(yè)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(wǎng)絡(luò)簡(jiǎn)單使用

首先我們用兩個(gè)小demo練一下手，一個(gè)是使用python代碼下載一張圖片到本地，另一個(gè)是調(diào)用有道翻譯寫(xiě)一個(gè)翻譯小軟件。

3.1根據(jù)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(gè)對(duì)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(shí)現(xiàn)翻譯功能

我們想實(shí)現(xiàn)翻譯功能，我們需要拿到請(qǐng)求鏈接。首先我們需要進(jìn)入有道首頁(yè)，點(diǎn)擊翻譯，在翻譯界面輸入要翻譯的內(nèi)容，點(diǎn)擊翻譯按鈕，就會(huì)向服務(wù)器發(fā)起一個(gè)請(qǐng)求，我們需要做的就是拿到請(qǐng)求地址和請(qǐng)求參數(shù)。

我在此使用谷歌瀏覽器實(shí)現(xiàn)拿到請(qǐng)求地址和請(qǐng)求參數(shù)。首先點(diǎn)擊右鍵，點(diǎn)擊檢查（不同瀏覽器點(diǎn)擊的選項(xiàng)可能不同，同一瀏覽器的不同版本也可能不同），進(jìn)入圖一所示，從中我們可以拿到請(qǐng)求請(qǐng)求地址和請(qǐng)求參數(shù)，在Header中的Form Data中我們可以拿到請(qǐng)求參數(shù)。

（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(zhí)行如下：

{"type":"EN2ZH_CN","errorCode":0,"elapsedTime":0,"translateResult":[[{"src":"i love you","tgt":"我愛(ài)你"}]],"smartResult":{"type":1,"entries":["","我愛(ài)你。"]}}

對(duì)于上述結(jié)果，我們可以看到是一個(gè)json串，我們可以對(duì)此解析一下，并且對(duì)代碼進(jìn)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(guī)避風(fēng)險(xiǎn)

服務(wù)器檢測(cè)出請(qǐng)求不是來(lái)自瀏覽器，可能會(huì)屏蔽掉請(qǐng)求，服務(wù)器判斷的依據(jù)是使用‘User-Agent',我們可以修改改字段的值，來(lái)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(wèn)題，例如一個(gè)網(wǎng)絡(luò)爬蟲(chóng)下載圖片軟件，在短時(shí)間內(nèi)大量下載圖片，服務(wù)器可以可以根據(jù)IP訪(fǎng)問(wèn)次數(shù)判斷是否是正常訪(fǎng)問(wèn)。所有上述做法還有很大的問(wèn)題。我們可以通過(guò)兩種做法解決辦法，一是使用延遲，例如5秒內(nèi)訪(fǎng)問(wèn)一次。另一種辦法是使用代理。

延遲訪(fǎng)問(wèn)（休眠5秒，缺點(diǎn)是訪(fǎng)問(wèn)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(fǎng)問(wèn)：讓代理訪(fǎng)問(wèn)資源，然后講訪(fǎng)問(wèn)到的資源返回。服務(wù)器看到的是代理的IP地址，不是自己地址，服務(wù)器就沒(méi)有辦法對(duì)你做限制。

步驟：

1，參數(shù)是一個(gè)字典｛'類(lèi)型' : '代理IP：端口號(hào)' ｝ //類(lèi)型是http,https等

proxy_support = urllib.request.ProxyHandler({})

2，定制、創(chuàng)建一個(gè)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(diào)用opener（調(diào)用的時(shí)候使用）

opener.open(url)

五、批量下載網(wǎng)絡(luò)圖片

圖片下載來(lái)源為煎蛋網(wǎng)（http://jandan.net)

圖片下載的關(guān)鍵是找到圖片的規(guī)律，如找到當(dāng)前頁(yè)，每一頁(yè)的圖片鏈接，然后使用循環(huán)下載圖片。下面是程序代碼（待優(yōu)化,正則表達(dá)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(yùn)行效果如下：