[Python爬虫笔记][随意找个博客入门(一)]

[Python爬虫笔记][随意找个博客入门(一)]

标签（空格分隔）： Python 爬虫 2016年暑假

来源博客:挣脱不足与蒙昧

1.简单的爬取特定url的html代码

import urllib.request
url = "http://120.27.101.158/"
response = urllib.request.urlopen(url)
html = response.read()
html = html.decode('utf-8');
print  (html)

• urllib.request.urlopen()
  • 有点类似于文件操作里的open，返回的response对象也类似与文件对象。
  • 等价于

    req = urllib.request.Request("http://placekitten.com/500/600")
    response = urllib.request.urlopen(req)
    
    

• response.read()
  • response对象的读操作,类似的文件对象的读操作.
  • 该对象还有以下常用方法

    response.geturl()  ##访问的具体地址。
    response.info() ##远程的服务器的信息
    response.getcode() ##http的状态    
    
    

• html.decode()
  • decode() 方法以encoding指定的编码格式解码字符串。

2.简单的翻译程序(爬取有道词典)

• 在我们注册信息的时候，填写资料的时候，都涉及到表单（form）的应用。 是一个POST请求发送到服务器端的过程。 HTML中的表单时有特定格式的，举个例子，我们打开有道在线翻译，调出调试平台，输入翻译内容“Hello,Python”点击自动翻译。

• 在调试平台中的network中我们可以看到一些常见的信息
• 如访问的具体的url地址，http的状态（200)
  
• 在参数栏(FireFox)可以看见提交的表单信息(json格式)
  
• 在响应栏，可以知道返回的表单信息也是json格式

用字典传入一个json并提交表单，并解析返回来html里的json，代码如下。

import urllib.request
'''urllib中的parse用来对url解析'''
import urllib.parse 
import json

url = 'http://fanyi.youdao.com/translate?smartresult=dict&smartresult=rule&smartresult=ugc&sessionFrom=null/'
content = input("你想翻译什么呀？")

data = {}
data['type']='AUTO'
data['i'] = content
data['doctype'] = 'json'
data['xmlVersion'] = '1.8'
data['keyfrom'] = 'fanyi.web'
data['ue'] = 'UTF-8'
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 ("翻译结果是：%s" %(target['translateResult'][0][0]['tgt']))

结果

> print (target)

{'translateResult': [[{'src': '测试程序', 'tgt': 'The test program'}]], 'elapsedTime': 0, 'errorCode': 0, 'smartResult': {'entries': ['', '[计] test program'], 'type': 1}, 'type': 'ZH_CN2EN'}

我们看到翻译的内容在translateResult[0][0][‘tgt’]中

• data = urllib.parse.urlencode(data).encode('utf-8')

  • 将字典转换为能够post,get进行的字符串,对于中文编码为默认格式的字符串。

  • encode将该字符串转换为一个字节序列。(从下面程序可以看出其实这个utf-8没什么卵用，换成gbk还会是一样的结果)

  data
  {'type': 'AUTO', 'ue': 'UTF-8', 'typoResult': 'true', 'i': '程序测试', 'xmlVersion': '1.8', 'keyfrom': 'fanyi.web', 'doctype': 'json'}
  data = urllib.parse.urlencode(data); #dict转换为str
  'type=AUTO&ue=UTF-8&typoResult=true&i=%E7%A8%8B%E5%BA%8F%E6%B5%8B%E8%AF%95&xmlVersion=1.8&keyfrom=fanyi.web&doctype=json'
  data = data.encode('utf-8'); #str转换为byte序列
  b'type=AUTO&ue=UTF-8&typoResult=true&i=%E7%A8%8B%E5%BA%8F%E6%B5%8B%E8%AF%95&xmlVersion=1.8&keyfrom=fanyi.web&doctype=json'

• response = urllib.request.urlopen(url, data)

  • 传入的data必须为byte型字符串

• html=response.read().decode('utf-8')

  • 将接收来的utf-8页面解码为unicode

• target =json.loads(html)

  • 这个页面应该是一个json,将其转换为字典

3.小模仿，爬谷歌翻译

import re
import urllib.parse
import urllib.request

#----------模拟浏览器的行为，向谷歌翻译发送数据，然后抓取翻译结果，这就是大概的思路-------
def Gtranslate(text):
    Gtext=text     #text 输入要翻译的英文句子
    #hl:浏览器、操作系统语言，默认是zh-CN
    #ie:默认是UTF-8
    #text：就是要翻译的字符串
    #langpair:语言对，即'en'|'zh-CN'表示从英语到简体中文
    values={'hl':'zh-CN','ie':'UTF-8','text':Gtext,'langpair':"auto"}
    url='http://translate.google.cn/'     #URL用来存储谷歌翻译的网址
    data = urllib.parse.urlencode(values).encode("utf-8")    #将values中的数据通过urllib.urlencode转义为URL专用的格式然后赋给data存储
    req = urllib.request.Request(url,data)     #然后用URL和data生成一个request
    browser='Mozilla/4.0 (Windows; U;MSIE 6.0; Windows NT 6.1; SV1; .NET CLR 2.0.50727)'     #伪装一个IE6.0浏览器访问，如果不伪装，谷歌将返回一个403错误
    req.add_header('User-Agent',browser)
    response = urllib.request.urlopen(req)     #向谷歌翻译发送请求
    html=response.read()     #读取返回页面，然后我们就从这个HTML页面中截取翻译过来的字符串即可
    html=html.decode('utf-8')
    #使用正则表达式匹配<=TRANSLATED_TEXT=)。而翻译后的文本是'TRANSLATED_TEXT='等号后面的内容
    p=re.compile(r"(?<=TRANSLATED_TEXT=).*(?=';INPUT_TOOL_PATH='//www.google.com')")
    m=p.search(html)
    chineseText=m.group(0).strip(';')
    return chineseText

if __name__ == "__main__":
    #Gtext为待翻译的字符串
    Gtext='我是上帝'
    print('The input text: %s' % Gtext)
    chineseText=Gtranslate(Gtext).strip("'")
    print('Translated End,The output text: %s' % chineseText)
  

• 实际的爬虫十分麻烦，要考虑是否被屏蔽，还有登陆等等问题。待继续好好学习。

• 几个资料

Python网络爬虫（Get、Post抓取方式）
py爬取英文文档学习单词
python网络爬虫入门（二）——用python简单实现调用谷歌翻译