urllib库的简单使用 && 一个简单的Python爬虫示例

￡神魔★判官ぃ 2022-06-06 12:05 339阅读 0赞

### urllib库的简单使用 && 一个简单的Python爬虫示例 ###

本篇文章，介绍`urllib.request`库的简单使用以及注意的问题。最后实现一个Python爬虫的示例。

本文是基于Python3.6.2实现的。`urllib.request`相当于Python2.7中的`urllib2`的库的一部分。

#### urllib.request库的简单使用 ####

*  urlopen()：

# 请求一个百度地址，返回一个服务器响应的类文件对象response。
    response = urllib.request.urlopen('http://www.baidu.com/')
    
    # 读取文件的内容
    result = response.read()
    
    # 打印result，输出的就是百度的网页源代码
    print(result)
    
    # 打印result的类型，结果是<class 'bytes'>
    print(type(result))
    
    # 读取到文件，文件名baidu.html
    with open('baidu.html','wb') as f:
        f.write(result)

通过浏览器打开baidu.html文件，实际和浏览器输出`http://www.baidu.com/`结果是一样的。

*  **防止爬虫程序的ip被禁**

其实上面的程序还不够好，因为我们直接通过`urlopen(url)`发送请求，实际上在http的请求头中有一个`User-Agnet`字段会标记为`Python-urllib/3.6`。如下面的`http`的`headers`是通过`fiddler`抓包获取的。

GET http://www.baidu.com/ HTTP/1.1
    Accept-Encoding: identity
    Host: www.baidu.com
    User-Agent: Python-urllib/3.6
    Connection: close

浏览器访问的header信息如下：

GET https://www.baidu.com/ HTTP/1.1
    Host: www.baidu.com
    Connection: keep-alive
    User-Agent: Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/62.0.3202.62 Safari/537.36
    ...

我们通过爬虫程序访问的第三方服务器，服务器就能知道你是通过爬虫程序访问的。因为你的http的请求头信息`User-Agent`字段出卖了你。所以我们需要修改请求头的`User-Agent`字段信息，防止ip被禁。

# 定义一个url
    url = 'http://www.baidu.com/'
    
    # 定义一个请求头的User-Agent字段，User-Agent的内容可以通过fiddle抓取浏览器访问的url的header中的信息，模拟浏览器访问，也可以网上随便找一个
    headers = {
       'User-Agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/62.0.3202.62 Safari/537.36'}
    
    # 自定义请求头信息，返回一个请求的对象request，Request()参数，还可以接收data参数，表示请求体
    request = urllib.request.Request(url,headers = headers)
    
    # 通过urlopen访问url，服务器返回response对象
    response = urllib.request.urlopen(request)
    
    # 读取返回结果
    result = response.read()
    
    # 写入文件
    with open('baidu.html','wb') as f:
        f.write(result)

*  获取返回响应的数据

当获取响应的response对象时，我们可以获取响应码，响应体等信息，如：

# 获取响应码
    response.getcode()
    
    # 获取请求的url
    response.geturl()
    
    # 获取响应头信息
    response.info()

*  `quote()`与`unquote()`

在url的get请求，url会有中文的问题，这时的中文需要转码成`urlencode`编码。我们需要通过`quote()`处理中文字符的问题。

# 将中文转成urlencode编码
    result = urllib.request.quote('薛之谦')
    
    # 输出，结果：%E8%96%9B%E4%B9%8B%E8%B0%A6
    print(result)
    
    # 将urlencode编码的数据，进行解码
    result = urllib.request.unquote('%E8%96%9B%E4%B9%8B%E8%B0%A6')
    
    # 输出，结果：薛之谦
    print(result)

#### 一个简单的Python爬虫示例 ####

该爬虫爬取的网站是百度贴吧。具体入下：

创建一个`tieba.py`的文件，代码如下：

#!/usr/bin/env python
    # encoding: utf-8
    
    import urllib.request
    
    
    def load_page(request):
        """ 加载网络的页面信息 :param request: 请求参数 :return:返回服务端的响应信息 """
        return urllib.request.urlopen(request)
    
    
    def write_page(response, filename):
        """ 将响应返回的信息，写入文件保存 :param response:服务器返回的响应信息 :param filename:保存的文件名 :return: """
        content = response.read()
        with open(filename, 'wb') as f:
            f.write(content)
    
    
    def spider(url, headers, startPage, endPage):
        """ 爬取网页的方法 :param url: 请求的url :param headers:自定义的请求头信息 :param startPage:请求的开始页面 :param endPage:请求的结束页面 :return: """
        for page in range(startPage, endPage + 1):
            page = (page - 1) * 50
            # 通过研究页面的规律，拼接需要请求的完整url
            fullUrl = url + '&pn=' + str(page)
            print(fullUrl)
            # 获取请求对象
            request = urllib.request.Request(fullUrl, headers=headers)
            # 加载页面，返回服务端的响应
            response = load_page(request)
            # 拼接文件名
            filename = '第' + str(int(page / 50 + 1)) + "页.html"
            # 写入文件
            write_page(response, filename)
    
    
    if __name__ == '__main__':
        # 百度贴吧的url
        url = 'https://tieba.baidu.com/f?'
        # 防止ip被禁，重新指定User-Agent字段信息
        headers = {
            'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/62.0.3202.62 Safari/537.36'}
        # 通过输入关键字查询
        keyword = input('请输入关键字：')
        # 输入的文字（如：中文）进行urlencode编码
        keyword = urllib.request.quote(keyword)
        # 拼接url
        fullUrl = url + "kw=" + keyword
        # 输入起始页
        startPage = int(input("输入起始页："))
        # 输入结束页
        endPage = int(input('输入结束页：'))
        # 开始抓取页面
        spider(fullUrl, headers, startPage, endPage)

运行`tieba.py`文件，在控制台会让你输入：`请输入关键字：`等。如图：

![image][]

[image]: /images/20220606/86a7762c339f416f8d6c5fd714977b64.png