python爬虫

lz提示一点，python3中urllib包括了py2中的urllib+urllib2。[python2和python3的区别、转换及共存 - urllib]

怎样扒网页？

其实就是根据URL来获取它的网页信息，虽然我们在浏览器中看到的是一幅幅优美的画面，但是其实是由浏览器解释才呈现出来的，实质它是一段HTML代码，加 JS、CSS。

如果把网页比作一个人，那么HTML便是他的骨架，JS便是他的肌肉，CSS便是它的衣服。所以最重要的部分是存在于HTML中的。

扒网页的栗子
py2:

import urllib2
response = urllib2.urlopen("http://www.baidu.com")
print response.read()

py3:

from urllib import request

response = request.urlopen("http://www.baidu.com")

print(response.read().decode())

真正的程序就两行，运行结果：

Note:

1. urllib是干嘛的：The urllib.request module defines functions and classes which help in opening URLs (mostly HTTP) in a complex world — basic and digest authentication, redirections, cookies and more.

2. urllib.request.urlopen(url, data=None, [timeout, ]*, cafile=None, capath=None, cadefault=False)：重点部分是返回值, 这个函数返回一个 http.client.HTTPResponse 对象, 这个对象又有各种方法, 比如我们用到的read()方法。还有其它方法：geturl()、info()、getcode()。

3. response.read()要decode才能正常显示html内容，否则会是title="xe7x99xbexe5xbaxa6xe6x90x9cxe7xb4xa2"而不是title="百度搜索"了

4. response.read()只能运行一次就到结尾了，再次读取总是空值！
分析这两行代码

第一行调用的是urllib库里面的urlopen方法，传入一个URL，这个网址是百度首页，协议是HTTP协议，当然你也可以把HTTP换做FTP,FILE,HTTPS 等等，只是代表了一种访问控制协议。

urlopen一般接受三个参数，它的参数如下：
urlopen(url, data, timeout)
第一个参数url即为URL，第二个参数data是访问URL时要传送的数据，第三个timeout是设置超时时间。
第二三个参数是可以不传送的，data默认为空None，timeout默认为 socket._GLOBAL_DEFAULT_TIMEOUT。
第一个参数URL是必须要传送的，在这个例子里面我们传送了百度的URL，执行urlopen方法之后，返回一个response对象，返回信息便保存在这里面。
response.read()
response对象有一个read方法，可以返回获取到的网页内容。

http://blog.csdn.net/pipisorry/article/details/47905781

 

构造Requset
其实上面的urlopen参数可以传入一个request请求,它其实就是一个Request类的实例，构造时需要传入Url,Data等等的内容。

比如上面的两行代码，我们可以这么改写
import urllib2 
request = urllib2.Request("http://www.baidu.com")
response = urllib2.urlopen(request)
print response.read()

py3:

import urllib.request

 

request = urllib.request.Request("http://www.baidu.com")

response = urllib.request.urlopen(request)

print(response.read().decode())

运行结果是完全一样的，只不过中间多了一个request对象，推荐大家这么写，因为在构建请求时还需要加入好多内容，通过构建一个request，服务器响应请求得到应答，这样显得逻辑上清晰明确。
http://blog.csdn.net/pipisorry/article/details/47905781

数据传送POST和GET
上面的程序演示了最基本的网页抓取，不过，现在大多数网站都是动态网页，需要你动态地传递参数给它，它做出对应的响应。所以，在访问时，我们需要传递数据给它。最常见的情况就是登录注册的时候。
把数据用户名和密码传送到一个URL，然后你得到服务器处理之后的响应

数据传送POST和GET两种方式及区别
最重要的区别是GET方式是直接以链接形式访问，链接中包含了所有的参数，当然如果包含了密码的话是一种不安全的选择，不过你可以直观地看到自己提交了什么内容。POST则不会在网址上显示所有的参数，不过如果你想直接查看提交了什么就不太方便了，可以酌情选择。
POST方式：
上面说的data参数就是用在这里的，我们传送的数据就是这个参数data。
import urllib
import urllib2
 
values = {"username":"1016903103@qq.com","password":"XXXX"}
data = urllib.urlencode(values) 
url = "https://passport.csdn.net/account/login?from=http://my.csdn.net/my/mycsdn"
request = urllib2.Request(url,data)
response = urllib2.urlopen(request)
print response.read()
我们引入了urllib库，现在我们模拟登陆CSDN，当然上述代码可能登陆不进去，因为还要做一些设置头部header的工作，或者还有一些参数没有设置全，还没有提及到在此就不写上去了，在此只是说明登录的原理。我们需要定义一个字典，名字为values，参数我设置了username和password，下面利用urllib的urlencode方法将字典编码，命名为data，构建request时传入两个参数，url和data，运行程序，即可实现登陆，返回的便是登陆后呈现的页面内容。当然你可以自己搭建一个服务器来测试一下。
GET方式：
至于GET方式我们可以直接把参数写到网址上面，直接构建一个带参数的URL出来即可。
import urllib
import urllib2
values={}
values['username'] = "1016903103@qq.com"
values['password']="XXXX"
data = urllib.urlencode(values) 
url = "http://passport.csdn.net/account/login"
geturl = url + "?"+data
request = urllib2.Request(geturl)
response = urllib2.urlopen(request)
print response.read()
Note:你可以print geturl，打印输出一下url，发现其实就是原来的url加？然后加编码后的参数http://passport.csdn.net/account/login?username=1016903103%40qq.com&password=XXXX和我们平常GET访问方式一模一样，这样就实现了数据的GET方式传送。

[HTTP 方法：GET 对比 POST]

[Python爬虫入门三之Urllib库的基本使用]

http://blog.csdn.net/pipisorry/article/details/47905781

 

设置Headers
有些网站不会同意程序直接用上面的方式进行访问，如果识别有问题，那么站点根本不会响应，所以为了完全模拟浏览器的工作，我们需要设置一些Headers 的属性。

打开我们的浏览器（Chrome），调试浏览器F12，打开网络监听network，比如知乎登录之后，这个页面包含了许许多多的内容，这些内容也不是一次性就加载完成的，实质上是执行了好多次请求，一般是首先请求HTML文件，然后加载JS，CSS 等等，经过多次请求之后，网页的骨架和肌肉全了，整个网页的效果也就出来了。

Note:上面的图是先点击name中的www.zhihu.com，再点headers才会出现。

拆分这些请求，我们只看一第一个请求，你可以看到，有个Request URL，还有headers，下面便是response。这个头中包含了许许多多是信息，有文件编码啦，压缩方式，请求的agent等等。
其中，agent就是请求的身份，如果没有写入请求身份，那么服务器不一定会响应，所以可以在headers中设置agent,例如下面的例子，这个例子只是说明了怎样设置的headers，小伙伴们看一下设置格式就好。
import urllib  
import urllib2  

url = 'http://www.server.com/login'
user_agent = 'Mozilla/4.0 (compatible; MSIE 5.5; Windows NT)'  
values = {'username' : 'cqc',  'password' : 'XXXX' }  
headers = { 'User-Agent' : user_agent }  
data = urllib.urlencode(values)  
request = urllib2.Request(url, data, headers)  
response = urllib2.urlopen(request)  
page = response.read() 

py3:

import urllib.request

from urllib.parse import urlencode

 

URL_ROOT = r'http://d.weibo.com/#_loginLayer_1440327422006'

 

values = {'username': '***, 'password': '&&&}

data = urlencode(values).encode()

# print(type(data), data)

 

user_agent = r'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/44.0.2403.157 Safari/537.36'

# user_agent = r'Mozilla/5.0 (Windows; U; Windows NT 6.1; en-US; rv:1.9.1.6) Gecko/20091201 Firefox/3.5.6'

headers = {'User-Agent': user_agent}

 

request = urllib.request.Request(URL_ROOT, data, headers)

response = urllib.request.urlopen(request)

 

page = response.read()

print(page)

py3-2:

u = urllib.URLopener() # Python 3: urllib.request.URLOpener

u.addheaders = []

u.addheader('User-Agent', 'Opera/9.80 (Windows NT 6.1; WOW64; U; de) Presto/2.10.289 Version/12.01')

u.addheader('Accept-Language', 'de-DE,de;q=0.9,en;q=0.8')

u.addheader('Accept', 'text/html, application/xml;q=0.9, application/xhtml+xml, image/png, image/webp, image/jpeg, image/gif, image/x-xbitmap, */*;q=0.1')

f = u.open(url)

content = f.read()

f.close()

py3-3:

[python] view plain copy

 print?

1. import urllib.request  
2. import http.cookiejar  
3.      
4. # head: dict of header  
5. def makeMyOpener(head = {  
6.     'Connection': 'Keep-Alive',  
7.     'Accept': 'text/html, application/xhtml+xml, */*',  
8.     'Accept-Language': 'en-US,en;q=0.8,zh-Hans-CN;q=0.5,zh-Hans;q=0.3',  
9.     'User-Agent': 'Mozilla/5.0 (Windows NT 6.3; WOW64; Trident/7.0; rv:11.0) like Gecko'  
10. }):  
11.     cj = http.cookiejar.CookieJar()  
12.     opener = urllib.request.build_opener(urllib.request.HTTPCookieProcessor(cj))  
13.     header = []  
14.     for key, value in head.items():  
15.         elem = (key, value)  
16.         header.append(elem)  
17.     opener.addheaders = header  
18.     return opener  
19.      
20. oper = makeMyOpener()  
21. uop = oper.open('http://www.baidu.com/', timeout = 1000)  
22. data = uop.read()  
23. print(data.decode())  

Note: 

1. urllib.parse.urlencode(query, doseq=False, safe='', encoding=None, errors=None)

urllib.parse.quote_plus(string, safe='', encoding=None, errors=None)

大概是把一个通俗的字符串, 转化为url格式的字符串。

2. py3中data参数是要进行任意编码（utf8...），否则出现错误TypeError: POST data should be bytes or an iterable of bytes. It cannot be of type str.   python2.7 是 ascii，3.3 是utf-8，都是string类型，但socket (urllib等都是基于socket) 使用bytes，要通过encode()转换。

3. 注意URL_ROOT不能编码，URL_ROOT = URL_ROOT.encode()，否则会出错：unknown url type: b'http

这样，我们设置了一个headers，在构建request时传入，在请求时，就加入了headers传送，服务器若识别了是浏览器发来的请求，就会得到响应。

对付防盗链
另外，我们还有对付"反盗链"的方式，服务器会识别headers中的referer是不是它自己，如果不是，有的服务器不会响应，所以我们还可以在headers中加入referer
例如我们可以构建下面的headers
headers = { 'User-Agent' : 'Mozilla/4.0 (compatible; MSIE 5.5; Windows NT)'  , 'Referer':'http://www.zhihu.com/articles' }  
同上面的方法，在传送请求时把headers传入Request参数里，这样就能应付防盗链了。
headers的一些属性需要特别注意一下
User-Agent : 有些服务器或 Proxy 会通过该值来判断是否是浏览器发出的请求
Content-Type : 在使用 REST 接口时，服务器会检查该值，用来确定 HTTP Body 中的内容该怎样解析。
application/xml ： 在 XML RPC，如 RESTful/SOAP 调用时使用
application/json ： 在 JSON RPC 调用时使用
application/x-www-form-urlencoded ： 浏览器提交 Web 表单时使用
在使用服务器提供的 RESTful 或 SOAP 服务时， Content-Type 设置错误会导致服务器拒绝服务
其他的有必要的可以审查浏览器的headers内容，在构建时写入同样的数据即可。

http://blog.csdn.net/pipisorry/article/details/47905781

设置Proxy（代理）
urllib2 默认会使用环境变量 http_proxy 来设置 HTTP Proxy。假如一个网站它会检测某一段时间某个IP 的访问次数，如果访问次数过多，它会禁止你的访问。所以你可以设置一些代理服务器来帮助你做工作，每隔一段时间换一个代理，网站君都不知道是谁在捣鬼了！
代理的设置用法
import urllib2
enable_proxy = True
proxy_handler = urllib2.ProxyHandler({"http" : 'http://some-proxy.com:8080'})
null_proxy_handler = urllib2.ProxyHandler({})
if enable_proxy:
    opener = urllib2.build_opener(proxy_handler)
else:
    opener = urllib2.build_opener(null_proxy_handler)
urllib2.install_opener(opener)

设置Timeout 
urlopen方法第三个参数就是timeout的设置，可以设置等待多久超时，为了解决一些网站实在响应过慢而造成的影响。
例如下面的代码,如果第二个参数data为空那么要特别指定是timeout是多少，写明形参，如果data已经传入，则不必声明。
import urllib2
response = urllib2.urlopen('http://www.baidu.com', timeout=10)
import urllib2
response = urllib2.urlopen('http://www.baidu.com',data, 10)

使用 HTTP 的 PUT 和 DELETE 方法
http协议有六种请求方法，get,head,put,delete,post,options，我们有时候需要用到PUT方式或者DELETE方式请求。
PUT：这个方法比较少见。HTML表单也不支持这个。本质上来讲， PUT和POST极为相似，都是向服务器发送数据，但它们之间有一个重要区别，PUT通常指定了资源的存放位置，而POST则没有，POST的数据存放位置由服务器自己决定。
DELETE：删除某一个资源。基本上这个也很少见，不过还是有一些地方比如amazon的S3云服务里面就用的这个方法来删除资源。
如果要使用 HTTP PUT 和 DELETE ，只能使用比较低层的 httplib 库。虽然如此，我们还是能通过下面的方式，使 urllib2 能够发出 PUT 或DELETE 的请求，不过用的次数的确是少，在这里提一下。
import urllib2
request = urllib2.Request(uri, data=data)
request.get_method = lambda: 'PUT' # or 'DELETE'
response = urllib2.urlopen(request)

使用DebugLog
可以通过下面的方法把 Debug Log 打开，这样收发包的内容就会在屏幕上打印出来，方便调试，这个也不太常用，仅提一下
import urllib2
httpHandler = urllib2.HTTPHandler(debuglevel=1)
httpsHandler = urllib2.HTTPSHandler(debuglevel=1)
opener = urllib2.build_opener(httpHandler, httpsHandler)
urllib2.install_opener(opener)
response = urllib2.urlopen('http://www.baidu.com')

http://blog.csdn.net/pipisorry/article/details/47905781

 

 

Cookie的使用

用 Python 来登录网站, 用Cookies记录登录信息, 然后就可以抓取登录之后才能看到的信息。

什么是cookies?

Cookie，指某些网站为了辨别用户身份、进行session跟踪而储存在用户本地终端上的数据（通常经过加密）。
比如说有些网站需要登录后才能访问某个页面，在登录之前，你想抓取某个页面内容是不允许的。那么我们可以利用Urllib库保存我们登录的Cookie，然后再抓取其他页面就达到目的了。
opener的概念
当你获取一个URL你使用一个opener(一个urllib2.OpenerDirector的实例)。在前面，我们都是使用的默认的opener，也就是urlopen。

urlopen是一个特殊的opener，可以理解成opener的一个特殊实例，传入的参数仅仅是url，data，timeout。
如果我们需要用到Cookie，只用这个opener是不能达到目的的，所以我们需要创建更一般的opener来实现对Cookie的设置。
Cookielib
cookielib模块的主要作用是提供可存储cookie的对象，以便于与urllib2模块配合使用来访问Internet资源。Cookielib模块非常强大，我们可以利用本模块的CookieJar类的对象来捕获cookie并在后续连接请求时重新发送，比如可以实现模拟登录功能。该模块主要的对象有CookieJar、FileCookieJar、MozillaCookieJar、LWPCookieJar。
它们的关系：CookieJar —-派生—->FileCookieJar  —-派生—–>MozillaCookieJar和LWPCookieJar

使用cookie登录的步骤
1）获取Cookie保存到变量
首先，我们先利用CookieJar对象实现获取cookie的功能，存储到变量中，先来感受一下
import urllib2
import cookielib
#声明一个CookieJar对象实例来保存cookie
cookie = cookielib.CookieJar()
#利用urllib2库的HTTPCookieProcessor对象来创建cookie处理器
handler=urllib2.HTTPCookieProcessor(cookie)
#通过handler来构建opener
opener = urllib2.build_opener(handler)
#此处的open方法同urllib2的urlopen方法，也可以传入request
response = opener.open('http://www.baidu.com')
for item in cookie:
    print 'Name = '+item.name
    print 'Value = '+item.value

py3:

import urllib.request

import http.cookiejar

 

URL_ROOT = r'http://d.weibo.com/'

 

cookie = http.cookiejar.CookieJar() # 声明一个CookieJar对象实例来保存cookie

handler = urllib.request.HTTPCookieProcessor(cookie) # 利用urllib2库的HTTPCookieProcessor对象来创建cookie处理器

opener = urllib.request.build_opener(handler) # 通过handler来构建opener

 

response = opener.open(URL_ROOT) # 此处的open方法同urllib2的urlopen方法，也可以传入request

 

for item in cookie:

print('Name = ' + item.name)

print('Value = ' + item.value)

我们使用以上方法将cookie保存到变量中，然后打印出了cookie中的值，运行结果如下
Name = YF-Page-G0

Value = dc8d8d4964cd93a7c3bfa7640c1bd10c

Note:py3中opener也可以这样使用：

request = urllib.request.Request(URL_ROOT, postdata, headers)

response = opener.open(request)

或者：

urllib.request.install_opener(opener)

request = urllib.request.Request(URL_ROOT, postdata, headers)

response = urllib.request.urlopen(request)

 

2）保存Cookie到文件
上面我们将cookie保存到了cookie这个变量中，如果我们想将cookie保存到文件中该怎么做呢？这时，我们就要用到FileCookieJar这个对象了，在这里我们使用它的子类MozillaCookieJar来实现Cookie的保存

[python] view plain copy

 print?

1. import cookielib  
2. import urllib2  
3.     
4. filename = 'cookie.txt'  # 设置保存cookie的文件，同级目录下的cookie.txt  
5. cookie = cookielib.MozillaCookieJar(filename)  # 声明一个MozillaCookieJar对象实例来保存cookie，之后写入文件  
6.     
7. handler = urllib2.HTTPCookieProcessor(cookie)  # 利用urllib2库的HTTPCookieProcessor对象来创建cookie处理器  
8. opener = urllib2.build_opener(handler)  # 通过handler来构建opener  
9. response = opener.open("http://www.baidu.com")  # 创建一个请求，原理同urllib2的urlopen  
10.     
11. cookie.save(ignore_discard=True, ignore_expires=True)  # 保存cookie到文件  

py3:

import urllib.request, urllib.parse, urllib.error

import http.cookiejar

 

URL_ROOT = 'http://www.jobbole.com/login/'

values = {'name': '******', 'password': '******'}

postdata = urllib.parse.urlencode(values).encode()

user_agent = r'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/44.0.2403.157 Safari/537.36'

headers = {'User-Agent': user_agent}

 

cookie_filename = 'cookie.txt'

cookie = http.cookiejar.LWPCookieJar(cookie_filename)

handler = urllib.request.HTTPCookieProcessor(cookie)

opener = urllib.request.build_opener(handler)

 

request = urllib.request.Request(URL_ROOT, postdata, headers)

try:

response = opener.open(request)

except urllib.error.URLError as e:

print(e.reason)

 

cookie.save(ignore_discard=True, ignore_expires=True) # 保存cookie到cookie.txt中

for item in cookie:

print('Name = ' + item.name)

print('Value = ' + item.value)

Note: 

1. 不同cookie写入文件方法的解释：

FileCookieJar(filename)：创建FileCookieJar实例，检索cookie信息并将信息存储到文件中，filename是文件名。

MozillaCookieJar(filename)：创建与Mozilla cookies.txt文件兼容的FileCookieJar实例。

LWPCookieJar(filename)：创建与libwww-perl Set-Cookie3文件兼容的FileCookieJar实例。

2. save方法的两个参数的官方解释：

ignore_discard: save even cookies set to be discarded. 即使cookies将被丢弃也将它保存下来

ignore_expires: save even cookies that have expiredThe file is overwritten if it already exists.如果在该文件中cookies已经存在，则覆盖原文件写入

3. python3中如果直接使用http.cookiejar.CookieJar(filename)的方式会出错：self._policy._now = self._now = int(time.time()) AttributeError: 'str' object has no attribute '_now'。注意要将CookieJar改为LWPCookieJar。

我们将这两个全部设置为True。运行之后，cookies将被保存到cookie.txt文件中，我们查看一下内容

 3）从文件中获取Cookie并访问
那么我们已经做到把Cookie保存到文件中了，如果以后想使用，可以利用下面的方法来读取cookie并访问网站，感受一下

[python] view plain copy

 print?

1. import cookielib  
2. import urllib2  
3.     
4. cookie = cookielib.MozillaCookieJar()  # 创建MozillaCookieJar实例对象  
5. cookie.load('cookie.txt', ignore_discard=True, ignore_expires=True)  # 从文件中读取cookie内容到变量  
6.     
7. req = urllib2.Request("http://www.baidu.com")  # 创建请求的request  
8. opener = urllib2.build_opener(urllib2.HTTPCookieProcessor(cookie))  # 利用urllib2的build_opener方法创建一个opener  
9. response = opener.open(req)  
10. print response.read()  

py3:

import urllib.request

import urllib.parse

import urllib.error

import http.cookiejar

 

cookie_filename = 'cookie_jar.txt'

cookie = http.cookiejar.MozillaCookieJar(cookie_filename)

cookie.load(cookie_filename, ignore_discard=True, ignore_expires=True)

handler = urllib.request.HTTPCookieProcessor(cookie)

opener = urllib.request.build_opener(handler)

 

get_url = 'http://www.jobbole.com/' # 利用cookie请求访问另一个网址

get_request = urllib.request.Request(get_url)

get_response = opener.open(get_request)

print(get_response.read().decode())

[python3爬虫 - cookie登录实战]

设想，如果我们的 cookie.txt 文件中保存的是某个人登录百度的cookie，那么我们提取出这个cookie文件内容，就可以用以上方法模拟这个人的账号登录百度。[Python爬虫入门六之Cookie的使用]

 

 

URL错误处理

URL错误状态码

urlopen会产生一个HTTPError，对应相应的状态吗，HTTP状态码表示HTTP协议所返回的响应的状态。下面将状态码归结如下：

100：继续  客户端应当继续发送请求。客户端应当继续发送请求的剩余部分，或者如果请求已经完成，忽略这个响应。

101： 转换协议  在发送完这个响应最后的空行后，服务器将会切换到在Upgrade 消息头中定义的那些协议。只有在切换新的协议更有好处的时候才应该采取类似措施。

102：继续处理   由WebDAV（RFC 2518）扩展的状态码，代表处理将被继续执行。

200：请求成功      处理方式：获得响应的内容，进行处理

201：请求完成，结果是创建了新资源。新创建资源的URI可在响应的实体中得到    处理方式：爬虫中不会遇到

202：请求被接受，但处理尚未完成    处理方式：阻塞等待

204：服务器端已经实现了请求，但是没有返回新的信 息。如果客户是用户代理，则无须为此更新自身的文档视图。    处理方式：丢弃

300：该状态码不被HTTP/1.0的应用程序直接使用， 只是作为3XX类型回应的默认解释。存在多个可用的被请求资源。    处理方式：若程序中能够处理，则进行进一步处理，如果程序中不能处理，则丢弃
301：请求到的资源都会分配一个永久的URL，这样就可以在将来通过该URL来访问此资源    处理方式：重定向到分配的URL

302：请求到的资源在一个不同的URL处临时保存     处理方式：重定向到临时的URL

304：请求的资源未更新     处理方式：丢弃

400：非法请求     处理方式：丢弃

401：未授权     处理方式：丢弃

403：禁止     处理方式：丢弃

404：没有找到     处理方式：丢弃

500：服务器内部错误  服务器遇到了一个未曾预料的状况，导致了它无法完成对请求的处理。一般来说，这个问题都会在服务器端的源代码出现错误时出现。

501：服务器无法识别  服务器不支持当前请求所需要的某个功能。当服务器无法识别请求的方法，并且无法支持其对任何资源的请求。

502：错误网关  作为网关或者代理工作的服务器尝试执行请求时，从上游服务器接收到无效的响应。

503：服务出错   由于临时的服务器维护或者过载，服务器当前无法处理请求。这个状况是临时的，并且将在一段时间以后恢复。

HTTPError实例产生后会有一个code属性，这就是是服务器发送的相关错误号。[Python爬虫入门五之URLError异常处理]

from:http://blog.csdn.net/pipisorry/article/details/47905781

ref:urllib — URL handling modules