站長資訊網
        最全最豐富的資訊網站

        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。

        Python之Spider

        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。

        Python之Spider

        (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:Python之Spider

        贊(0)
        分享到: 更多 (0)
        網站地圖   滬ICP備18035694號-2    滬公網安備31011702889846號
        主站蜘蛛池模板: 亚洲日韩精品无码专区网址| 午夜DY888国产精品影院| 人妻少妇看A偷人无码精品视频| 国产精品扒开腿做爽爽爽视频| 自拍偷在线精品自拍偷| 9久久9久久精品| 无码人妻精品一区二区三区久久久| 人人妻人人澡人人爽欧美精品| 国产精品无码AV一区二区三区| 国内精品手机在线观看视频| 少妇精品无码一区二区三区| 久久se这里只有精品| 四虎永久在线精品国产免费 | 国产精品久久久99| 国产成人久久精品区一区二区| 国产精品免费久久久久影院 | 国产成人精品免费视频大全| 精品无码日韩一区二区三区不卡| 国产成人无码久久久精品一| 亚洲精品欧美二区三区中文字幕| 99精品热这里只有精品| 久久亚洲精品人成综合网| 免费精品国产自产拍在线观看| 久久精品天天中文字幕人妻| 久久精品国产一区二区三区不卡| 精品无码AV一区二区三区不卡| 2022国产精品最新在线| 久久精品亚洲日本波多野结衣| 国产精品国产三级国产a| 久久精品国产亚洲麻豆| 91精品国产综合久久婷婷 | 国产成人精品久久亚洲| 国产精品亚洲日韩欧美色窝窝色欲| 国内精品久久久久久久影视麻豆| 亚洲精品国产成人片| 亚洲精品无码日韩国产不卡?V| 国产精品视频网| 2021国产精品成人免费视频| 99re久久精品国产首页2020| 国产精品久久久久AV福利动漫| 合区精品久久久中文字幕一区|