Python之Spider

今天欄目為大家介紹Python的Spider （爬蟲）相關知識。

一、網路爬蟲

網路爬蟲又被稱為網路蜘蛛，我們可以把網際網路想象成一個蜘蛛網，每一個網站都是一個節點，我們可以使用一隻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，建立索引資料庫，經過複雜的排序演演算法，結果按照搜尋鍵碼相關度的高低展現給你。

千里之行，始於足下，我們從最基礎的開始學習如何寫一個網路爬蟲，實現語言使用Python。

二、Python如何存取網際網路

想要寫網路爬蟲，第一步是存取網際網路，Python如何存取網際網路呢？

在Python中，我們使用urllib包存取網際網路。（在Python3中，對這個模組做了比較大的調整，以前有urllib和urllib2,在3中對這兩個模組做了統一合併，稱為urllib包。包下面包含了四個模組，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原始碼：

import urllib.request
response = urllib.request.urlopen('https://docs.python.org/3/')
html = response.read()print(html.decode('utf-8'))

三、Python網路簡單使用

首先我們用兩個小demo練一下手，一個是使用python程式碼下載一張圖片到本地，另一個是呼叫有道翻譯寫一個翻譯小軟體。

3.1根據圖片連結下載圖片，程式碼如下：

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是一個物件

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，我們需要拿到請求連結。首先我們需要進入有道首頁，點選翻譯，在翻譯介面輸入要翻譯的內容，點選翻譯按鈕，就會向伺服器發起一個請求，我們需要做的就是拿到請求地址和請求引數。

我在此使用谷歌瀏覽器實現拿到請求地址和請求引數。首先點選右鍵，點選檢查（不同瀏覽器點選的選項可能不同，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引數，在Header中的Form Data中我們可以拿到請求引數。

（圖一）

程式碼段如下：

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)

上述程式碼執行如下：

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

對於上述結果，我們可以看到是一個json串，我們可以對此解析一下，並且對程式碼進行完善一下：

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

伺服器檢測出請求不是來自瀏覽器，可能會遮蔽掉請求，伺服器判斷的依據是使用‘User-Agent',我們可以修改改欄位的值，來隱藏自己。程式碼如下：

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，例如一個網路爬蟲下載圖片軟體，在短時間內大量下載圖片，伺服器可以可以根據IP存取次數判斷是否是正常存取。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秒記憶體取一次。另一種辦法是使用代理。

延遲存取（休眠5秒，缺點是存取效率低下）：

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

代理存取：讓代理存取資源，然後講存取到的資源返回。伺服器看到的是代理的IP地址，不是自己地址，伺服器就沒有辦法對你做限制。

步驟：

1，引數是一個字典｛'型別' : '代理IP：埠號' ｝ //型別是http,https等

proxy_support = urllib.request.ProxyHandler({})

2，客製化、建立一個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，呼叫opener（呼叫的時候使用）

opener.open(url)

五、批次下載網路圖片

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，每一頁的圖片連結，然後使用迴圈下載圖片。下面是程式程式碼（待優化,正規表示式匹配，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()

程式碼執行效果如下：

更多相關免費學習推薦：

以上就是Python之Spider的詳細內容，更多請關注TW511.COM其它相關文章！