python爬虫基础

urllib库的基本使用

所谓网页抓取，就是把URL地址中指定的网络资源从网络流中读取出来，保存到本地。 在Python中有很多库可以用来抓取网页，我们先学习urllib。在Python 2中，有urllib和urllib2两个库来实现请求的发送。而在Python 3中，已经不存在urllib2这个库了，统一为urllib。

使用urllib的request模块，我们可以方便地实现请求的发送并得到响应。

urlopen

# urllib.py

# 导入urllib 库
import urllib.request

# 向指定的url发送请求，并返回服务器响应的类文件对象
response = urllib.request.urlopen("http://www.baidu.com")

# 类文件对象支持 文件对象的操作方法，如read()方法读取文件全部内容，返回字符串
html = response.read()

# 打印字符串
print (html)

执行写的python代码，将打印结果。

　wljdeMacBook-Pro:~ wlj$ python3 urllib.py

实际上，如果我们在浏览器上打开百度主页， 右键选择“查看源代码”，你会发现，跟我们刚才打印出来的是一模一样。也就是说，上面的4行代码就已经帮我们把百度的首页的全部代码爬了下来。

一个基本的url请求对应的python代码真的非常简单。

Request

在我们第一个例子里，urlopen()的参数就是一个url地址；

但是如果需要执行更复杂的操作，比如增加HTTP报头，必须创建一个 Request 实例来作为urlopen()的参数；而需要访问的url地址则作为 Request 实例的参数。

我们编辑urllib.py

# urllib.py

import urllib.request

# url 作为Request()方法的参数，构造并返回一个Request对象
request = urllib.request.Request("http://www.baidu.com")

# Request对象作为urlopen()方法的参数，发送给服务器并接收响应
response = urllib.request.urlopen(request)

html = response.read()

print (html)

 运行结果是完全一样的。

新建Request实例，除了必须要有 url 参数之外，还可以设置另外两个参数：

1. data（默认空）：是伴随 url 提交的数据（比如要post的数据），同时 HTTP 请求将从 "GET"方式 改为 "POST"方式。

2. headers（默认空）：是一个字典，包含了需要发送的HTTP报头的键值对。

添加更多的Header信息

# urllib.py

import urllib.request

url = "https://www.cnblogs.com/wanglinjie"

#IE 9.0 的 User-Agent
header = {"User-Agent" : "Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; Trident/5.0;"} 
request = urllib.request.Request(url, headers = header)

#也可以通过调用Request.add_header() 添加/修改一个特定的header
request.add_header("Connection", "keep-alive")

# 也可以通过调用Request.get_header()来查看header信息
# request.get_header(header_name="Connection")

response = urllib.request.urlopen(url)

print (response.code)     #可以查看响应状态码
html = response.read()

print (html)

urllib.urlencode()

urllib 和 urllib2 都是接受URL请求的相关模块，但是提供了不同的功能。两个最显著的不同如下：

• urllib 仅可以接受URL，不能创建 设置了headers 的Request 类实例；

• 但是 urllib 提供 urlencode 方法用来GET查询字符串的产生，而 urllib2 则没有。（这是 urllib 和 urllib2 经常一起使用的主要原因）

• 编码工作使用urllib的urlencode()函数，帮我们将key:value这样的键值对转换成"key=value"这样的字符串，解码工作可以使用urllib的unquote()函数。（注意，不是urllib2.urlencode() )

# IPython2 中的测试结果
In [1]: import urllib

In [2]: word = {"wd" : "王琳杰博客园"}

# 通过urllib.urlencode()方法，将字典键值对按URL编码转换，从而能被web服务器接受。
In [3]: urllib.urlencode(word)  
Out[3]: "wd=%E4%BC%A0%E6%99%BA%E6%92%AD%E5%AE%A2"

# 通过urllib.unquote()方法，把 URL编码字符串，转换回原先字符串。
In [4]: print urllib.unquote("wd=%E4%BC%A0%E6%99%BA%E6%92%AD%E5%AE%A2")
wd=王琳杰博客园

python3中

# urllib.py
from urllib import parse
word = {"wd" : "王琳杰博客园"}
data = parse.urlencode(word)
print(data)

# urllib.py

import urllib.parse
data = urllib.parse.unquote("%E7%8E%8B%E7%90%B3%E6%9D%B0%E5%8D%9A%E5%AE%A2%E5%9B%AD")
print(data)

from urllib.parse import urlencode
 
params = {
    'wd': '王琳杰',
    'pn': '10'
}
base_url = 'http://www.baidu.com/s?'
url = base_url + urlencode(params)
print(url)

 这里首先声明了一个字典来将参数表示出来，然后调用urlencode()方法将其序列化为GET请求参数。

有了序列化，必然就有反序列化。如果我们有一串GET请求参数，利用parse_qs()方法，就可以将它转回字典，示例如下：

from urllib.parse import parse_qs
 
query = 'wd=王琳杰&pn=10'
print(parse_qs(query))

运行结果如下：

{'wd': ['王琳杰'], 'pn': ['10']}

quote()

该方法可以将内容转化为URL编码的格式。URL中带有中文参数时，有时可能会导致乱码的问题，此时用这个方法可以将中文字符转化为URL编码，示例如下：

from urllib.parse import quote
 
keyword = '壁纸'
url = 'https://www.baidu.com/s?wd=' + quote(keyword)
print(url)

这里我们声明了一个中文的搜索文字，然后用quote()方法对其进行URL编码，最后得到的结果如下：

https://www.baidu.com/s?wd=%E5%A3%81%E7%BA%B8

unquote()

有了quote()方法，当然还有unquote()方法，它可以进行URL解码，示例如下：

from urllib.parse import quote

keyword = '壁纸'
url = 'https://www.baidu.com/s?wd=' + quote(keyword)
print(url)

应该得到URL编码后的结果

https://www.baidu.com/s?wd=壁纸

但是实测结果为

https://www.baidu.com/s?wd=%E5%A3%81%E7%BA%B8

Get方式

GET请求一般用于我们向服务器获取数据，比如说，我们用百度搜索：https://www.baidu.com/s?wd=王琳杰博客园

浏览器的url会跳转成如图所示:  

https://www.baidu.com/s?wd=%E7%8E%8B%E7%90%B3%E6%9D%B0%E5%8D%9A%E5%AE%A2%E5%9B%AD

在其中我们可以看到在请求部分里，http://www.baidu.com/s? 之后出现一个长长的字符串，其中就包含我们要查询的关键词，于是我们可以尝试用默认的Get方式来发送请求。

python2中：

# urllib2_get.py

import urllib      #负责url编码处理
import urllib2

url = "http://www.baidu.com/s"
word = {"wd":"王琳杰博客园"}
word = urllib.urlencode(word) #转换成url编码格式（字符串）
newurl = url + "?" + word    # url首个分隔符就是 ?

headers={ "User-Agent": "Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/51.0.2704.103 Safari/537.36"}

request = urllib2.Request(newurl, headers=headers)

response = urllib2.urlopen(request)

print response.read()

python3中：

# urllib.py

from urllib import parse
import urllib.request

url = "http://www.baidu.com/s"
word = {"wd" : "王琳杰博客园"}
data = parse.urlencode(word)  # 提交类型不能为str，需要为byte类型
newurl = url + "?" + data    # url首个分隔符就是 ?

headers={ "User-Agent": "Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/51.0.2704.103 Safari/537.36"}
request = urllib.request.Request(url, headers = headers)
response = urllib.request.urlopen(url)

print (response.code)     #可以查看响应状态码
html = response.read()
print (html)

POST方式：

上面我们说了Request请求对象的里有data参数，它就是用在POST里的，我们要传送的数据就是这个参数data，data是一个字典，里面要匹配键值对。

有道词典翻译网站：

输入测试数据，再通过使用Fiddler观察，其中有一条是POST请求，而向服务器发送的请求数据并不是在url里，那么我们可以试着模拟这个POST请求。

from urllib import parse
import urllib.request

# POST请求的目标URL
url = "http://fanyi.youdao.com/"

headers={ "User-Agent": "Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/51.0.2704.103 Safari/537.36"}

formdata = {
    "type":"AUTO",
    "i":"i love python",
    "doctype":"json",
    "xmlVersion":"1.8",
    "keyfrom":"fanyi.web",
    "ue":"UTF-8",
    "action":"FY_BY_ENTER",
    "typoResult":"true"
}

data = parse.urlencode(formdata).encode('utf-8')    # 提交类型不能为str，需要为byte类型

request = urllib.request.Request(url, data = data, headers = headers)
response = urllib.request.urlopen(request)
print (response.read())