爬虫请求模块

模块名及导入

1、模块名：urllib.request
2、导入方式：
   1、import urllib.request
   2、from urllib import request

常用方法详解

(一)urllib.request.urlopen()方法

1.作用

　　向网站发起请求并获取响应对象

2.参数

1、URL：需要爬取的URL地址
2、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

3.第一个爬虫程序

　　打开浏览器，输入百度地址(http://www.baidu.com/)，得到百度的响应

# 导入请求模块(python标准库模块)
import urllib.request

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

# 向百度发请求,得到响应对象
response = urllib.request.urlopen(url)
# 获取响应对象内容(网页源代码)
# read() 是bytes类型 需要decode()转换成string 
# 读取百度页面HTML内容
print(response.read().decode('utf-8'))

4.相应对象(response)方法

　　提取相应对象
1、bytes = response.read()
    #read()结果为bytes类型
2、string = response.read().decode('utf-8')
    #read().decode()结果为string类型
3、url = response.geturl()
    #返回实际数据的url地址(重定向问题)
4、code = response.getcode()
    #返回http响应码
# 补充
5、string.encode() #转字节串bytes类型
6、bytes.decode()　#转字符串string类型

思考：网站如何来判定是人类正常访问还是爬虫程序访问？？？

# 向测试网站： http://httpbin.org/get 发请求,通过获取响应内容查看自己请求头
import urllib.request

url = 'http://httpbin.org/get'
response = urllib.request.urlopen(url)
print(response.read().decode('utf-8'))

# 结果中请求头中的User-Agent竟然是: "Python-urllib/3.7"!!!!!!!!!
# 我们需要重构User-Agent

(二)urllib.request.Request()

1.作用

　　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)

2.参数

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

3.使用流程

#1、构造请求对象(重构User-Agent)
　　req = urllib.request.Reuqest(
　　　　url='http://httpbin.org/get',
　　　　headers={'User-Agent':'Mozilla/5.0'}
　　)
#2、发请求获取响应对象(urlopen)
　　res = urllib.request.urlopen(req)
#3、获取响应对象内容
　　html = res.read().decode('utf-8')

4.示例

向测试网站（http://httpbin.org/get）发起请求，构造请求头并从响应中确认请求头信息

from urllib import request

# 定义常用变量
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)'}

# 1.构建请求对象
req = request.Request(url,headers=headers)
# 2.发请求获取响应对象
res = request.urlopen(req)
# 3.读取响应对象内容
html = res.read().decode('utf-8')
print(html)

URL地址编码模块

(一)模块名及导入

# 模块名
urllib.parse
# 导入
import urllib.parse
from urllib import parse

(二)作用

　　给URL地址中查询参数进行编码

编码前：https://www.baidu.com/s?wd=美女
编码后：https://www.baidu.com/s?wd=%E7%BE%8E%E5%A5%B3

(三)常用方法

1.urllib.parse.urlencode({dict})

(1)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'

# 示例代码
query_string = {'wd' : '美女'}
result = parse.urlencode(query_string)
# result: 'wd=%e7%be%8e%e5%a5%b3'

(2)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)

拼接URL地址的3种方式

#1、字符串相加
    baseur1 = 'http://www.baidu.com/s?'
    params = 'wd=%E7xxxx&pn=20'
    url = baseur1+params
#2、字符串格式化（占位符）
    params ='wd=%E7xxxx&pn=20'
    url = 'http://www.baidu.com/s?%s'%params
#3、format()方法
    url = 'http://www.baidu.com/s?{}'
    params ='wd=%E7xxxx&pn=20'
    url = url.format(params)

练习: 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


def get_url(word):
    baseurl = 'http://www.baidu.com/s?'
    params = parse.urlencode({'wd':word})
    url = baseurl + params

    return url

def request_url(url,filename):
    headers = {'User-Agent': 'Mozilla/5.0'}
    req = request.Request(url, headers=headers)
    res = request.urlopen(req)
    html = res.read().decode('utf-8')
    # 保存到本地文件
    with open(filename, 'w') as f:
        f.write(html)

if __name__ == '__main__':
    word = input('请输入搜索内容:')
    url = get_url(word)
    filename = '{}.html'.format(word)
    request_url(url,filename)

2.quote(string)编码

from urllib import parse

string = '美女'
print(parse.quote(string))
# 结果: %E7%BE%8E%E5%A5%B3

改写之前urlencode()代码，使用quote()方法实现

from urllib import parse

url = 'http://www.baidu.com/s?wd={}'
word = input('请输入要搜索的内容:')
query_string = parse.quote(word)
print(url.format(query_string))

3.unquote(string)解码

from urllib import parse

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

总结:

#1.urllib.request
    1,req=urllib.request.Request(url,headers)　　　　# 请求对象
    2.res= urllib.request.urlopen(req)　　　　# 二字节的形式打开文件
    3.html=res.read().decode('utf-8')　　　　# 读取文件 并转换为字符串
#2.res方法
    res.read() # 读取网络
    res.getcode() # 返回响应码
    res.geturl() # 重定向
#3.urllib.parse
　　#编码
　　urllib.parse.urlencode({})
　　urllib.parse.quote(srting)
　　#解码
　　urllib.parse.unquote()

抓取步骤

1、确定所抓取数据在响应中是否存在（右键 - 查看网页源码 - 搜索关键字）
2、数据存在: 查看URL地址规律
3、写正则表达式,来匹配数据
4、程序结构
    1、使用随机User-Agent
    2、每爬取1个页面后随机休眠一段时间

# 程序结构
class xxxSpider(object):
    def __init__(self):
        # 定义常用变量,url,headers及计数等
        
    def get_html(self):
        # 获取响应内容函数,使用随机User-Agent
    
    def parse_html(self):
        # 使用正则表达式来解析页面，提取数据
    
    def write_html(self):
        # 将提取的数据按要求保存，csv、MySQL数据库等
        
    def main(self):
        # 主函数，用来控制整体逻辑
        
if __name__ == '__main__':
    # 程序开始运行时间戳
    start = time.time()
    spider = xxxSpider()
    spider.main()
    # 程序运行结束时间戳
    end = time.time()
    print('执行时间:%.2f' % (end-start))

程序结构

案例:百度贴吧数据抓取

要求:

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：
　　例如:赵丽颖吧-第1页.html、赵丽颖吧-第2页.html ...

实现步骤:

(1)查看是否为静态页面

　　通过右键-查看网页源代码-搜索数据关键字

(2)找url规律

　　第一页:http://tieba.baidu.com/f?kw=??&pn=0

　　第二页:http://tieba.baidu.com/f?kw=??&pn=0

　　第n页: http://tieba.baidu.com/f?kw=??&pn=(n-1)*50

(3)获取网页内容

(4)保存(本地文件,数据库)

(5)实现代码

from urllib import request
from urllib import parse
import time
import random
from useragents import ua_list


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

  # 获取相应内容
  def get_html(self, url):
    headers = {
      'User-Agent': random.choice(ua_list)
    }
    req = request.Request(url=url, headers=headers)
    res = request.urlopen(req)
    html = res.read().decode('utf-8')
    print(headers)
    return html

  # 解析相应内容(提取所需数据)
  def parse_html(self):
    pass

  # 保存
  def write_html(self, filename, html):
    with open(filename, 'w', encoding='utf-8') as f:
      f.write(html)

  # 主函数
  def main(self):
    # 拼接每一页的地址
    # 接收用户的输入(例如贴吧名,第几页)
    name = input('请输入贴吧名:')
    begin = int(input('请输入起始页'))
    end = int(input('请输入终止页'))
    # url 缺两个数据: 贴名吧  pn
    params = parse.quote(name)
    for page in range(begin, end + 1):
      pn = (page - 1) * 50
      url = self.url.format(params, pn)
      filename = '{}-第{}页.html'.format(name, page)

      # 调用类内函数
      html = self.get_html(url)
      self.write_html(filename, html)
      # 每爬取1个页面随机休眠1-3秒钟
      time.sleep(random.randint(1, 3))
      print('第%d页爬取完成' % page)


if __name__ == '__main__':
  start = time.time()
  spider = BaiduSpider()
  spider.main()
  end = time.time()
  print('执行时间:%.2f' % (end-start))

实现代码

ua_list = [
  'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/535.1 (KHTML, like Gecko) Chrome/14.0.835.163 Safari/535.1',
  'Mozilla/5.0 (Windows NT 6.1; WOW64; rv:6.0) Gecko/20100101 Firefox/6.0',
  'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/534.50 (KHTML, like Gecko) Version/5.1 Safari/534.50',
  'Opera/9.80 (Windows NT 6.1; U; zh-cn) Presto/2.9.168 Version/11.50',

]

useragents.py配置文件

正则解析模块re

(一)re模块使用流程

方法一:

　　r_list=re.findall('正则表达式',html,re.S)

方法二:

　　创建正则编译对象
　　pattern = re.compile(r'正则表达式',re.S)
　　r_list = pattern.findall(html)

(二)正则表达式元字符

元字符	含义
.	任意一个字符（不包括）
d	一个数字
s	空白字符
S	非空白字符
[]	包含[]内容
*	出现0次或多次
+	出现1次或多次

思考：请写出匹配任意一个字符的正则表达式？

import re
# 方法一
pattern = re.compile('.',re.s)
# 方法二
pattern = re.compile('[sS]')

(三)贪婪匹配和非贪婪匹配

贪婪匹配(默认)

1、在整个表达式匹配成功的前提下,尽可能多的匹配 *
2、表示方式：.*　　.+　　.?

非贪婪匹配

1、在整个表达式匹配成功的前提下,尽可能少的匹配 *
2、表示方式：.*?　　.+?　　.??

示例:

import re

html = '''
<html>
    <div><p>九霄龙吟惊天变</p></div>
    <div><p>风云际会浅水游</p></div>
</html>
'''
# 贪婪匹配
pattern = re.compile('<div><p>.*</p></div>',re.S)
r_list = pattern.findall(html)
　　#['<div><p>九霄龙吟惊天变</p></div>
    <div><p>风云际会浅水游</p>']

# 非贪婪匹配
pattern = re.compile('<div><p>.*?</p></div>',re.S)
r_list = pattern.findall(html)
print(r_list)
　　#['<div><p>九霄龙吟惊天变</p>', '<div><p>风云际会浅水游</p>']

pattern = re.compile('<div><p>(.*?)</p></div>',re.S)
r_list = pattern.findall(html)
print(r_list)
　　#['九霄龙吟惊天变', '风云际会浅水游']

(四)正则表达式分组

作用: 在完整的模式中定义子模式，将每个圆括号中子模式匹配出来的结果提取出来

示例:

import re

s = 'A B C D'
p1 = re.compile('w+s+w+')
print(p1.findall(s))
# 分析结果是什么？？？['A B','C D']

p2 = re.compile('(w+)s+w+')
print(p2.findall(s))
# 分析结果是什么？？？
#第一步:把()去掉,先匹配完整 ['A B','C D']
#第二步:提取分组()中内容 ['A','C']

p3 = re.compile('(w+)s+(w+)')
print(p3.findall(s))
# 分析结果是什么？？？
# 第一步:把()去掉,先匹配完整 ['A B','C D']
# 第二部:提取分组()中内容 [('A','B'),('C','D')]

分组总结:

1、在网页中,想要什么内容,就加()

2、先按整体正则匹配,然后再提取分组()中的内容

　　如果有2个及以上分组(),则结果中以元组形式显示 [(),(),()]

练习1:页面结构如下

<div class="animal">
    <p class="name">
        <a title="Tiger"></a>
    </p>
    <p class="content">
        Two tigers two tigers run fast
    </p>
</div>

<div class="animal">
    <p class="name">
        <a title="Rabbit"></a>
    </p>

    <p class="content">
        Small white rabbit white and white
    </p>
</div>

从以上html代码结构中完成如下内容信息的提取：

问题1 ：[('Tiger',' Two...'),('Rabbit','Small..')]
问题2 ：
    动物名称 ：Tiger
    动物描述 ：Two tigers two tigers run fast
    **********************************************
    动物名称 ：Rabbit
    动物描述 ：Small white rabbit white and white

# r = r'title="(.*?)".*?class="content">s+(.*?)s+</p>'
r = r'<div class="animal">.*?<a title="(.*?)".*?<p class="content">s+(.*?)s+</p>'

pattern = re.compile(r, re.S)
r_list = pattern.findall(html)
print(r_list)
#遍历方法1
for i, j in r_list:
  print('动物名称:',i,'动物描述:',j)
  print("*"*20)
#遍历方法2
for r in r_list:
  print('动物名称:',r[0].strip())
  print('动物描述:',r[1].strip())
  print("*" * 20)

练习2:爬取猫眼电影信息：猫眼电影-榜单-top100榜

第1步完成：
    猫眼电影-第1页.html
    猫眼电影-第2页.html
    ... ... 

第2步完成：
    1、提取数据 ：电影名称、主演、上映时间
    2、先打印输出,然后再写入到本地文件

from urllib import request, parse
import re
import time
import random
from useragents import ua_list


class MaoyanSpider(object):
  def __init__(self):
    self.url = 'https://maoyan.com/board/4?offset={}'
    #计数
    self.num=0

  def get_html(self, url):
    headers = {
      'User-Agent': random.choice(ua_list)
    }
    req = request.Request(url=url, headers=headers)
    res = request.urlopen(req)
    html = res.read().decode('utf-8')
    #直接调用解析函数
    self.parse_html(html)

  def parse_html(self,html):
    #创建正则的编译对象
    re_='<div class="movie-item-info">.*?title="(.*?)".*?<p class="star">(.*?)</p>.*?<p class="releasetime">(.*?)</p> '
    pattern = re.compile(re_,re.S)
    #film_list:[('霸王别姬','张国荣','1993')]
    film_list = pattern.findall(html)
    self.write_html(film_list)

  def write_html(self,film_list):
    film_dict={}
    for film in film_list:
      film_dict['name']=film[0].strip()
      film_dict['star']=film[1].strip()
      film_dict['time']=film[2].strip()[5:15]
      print(film_dict)
      self.num += 1
  def main(self):
    for offset in range(0, 91, 10):
      url = self.url.format(offset)

      self.get_html(url)
      time.sleep(random.randint(1,2))
    print('共抓取数据',self.num,"部")


if __name__ == '__main__':
  start = time.time()
  spider = MaoyanSpider()
  spider.main()
  end = time.time()
  print('执行时间:%.2f' % (end - start))

爬取猫眼电影信息

ua_list = [
  'Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; WOW64; Trident/5.0)',
  'Mozilla/5.0 (Windows NT 6.1; WOW64; rv:6.0) Gecko/20100101 Firefox/6.0',
  'Mozilla/5.0 (Windows NT 6.1) AppleWebKit/535.1 (KHTML, like Gecko) Chrome/13.0.782.41 Safari/535.1 QQBrowser/6.9.11079.201',
  'Opera/9.80 (Windows NT 6.1; U; zh-cn) Presto/2.9.168 Version/11.50',

]

useragents.py配置文件