Python——网络爬虫

此篇文章继续跟着小甲鱼的视频来初学网络爬虫，除了小甲鱼的网站上可下载视频，发现b站上也有全套的视频哦，会比下载来的更方便些。

网络爬虫，又称为网页蜘蛛（WebSpider），非常形象的一个名字。如果你把整个互联网想象成类似于蜘蛛网一样的构造，那么我们这只爬虫，就是要在上边爬来爬去，顺便获得我们需要的资源。我们之所以能够通过百度或谷歌这样的搜索引擎检索到你的网页，靠的就是他们大量的爬虫每天在互联网上爬来爬去，对网页中的每个关键词进行索引，建立索引数据库。在经过复杂的算法进行排序后，这些结果将按照与搜索关键词的相关度高低，依次排列。

1 urllib模块

urllib模块实际上是综合了url和lib的一个包。

url的一般格式为：

protocol://hostname[:port]/path/[;parameters][?query]#fragment

URL 由三部分组成：

第一部分是协议：http,https,ftp,file,ed2k…

第二部分是存放资源的服务器的域名系统或IP地址（有时候要包含端口号，各种传输协议都有默认的端口，如http的默认端口是80）

第三部分是资源的具体地址，如目录或者文件名等

举一个例子说明：

import urllib.request
response = urllib.request.urlopen("http://www.fishc.com")
html = response.read()
print(html) #二进制数据

html = html.decode('utf-8') #对二进制数据解码
print(html)

当遇到不了解的模块时，可通过IDLE中Help中打开Python的文档进行搜索查看，也可以使用print(模块名.__doc__)或者help(模块名)进行属性和使用方法的查看。如下为文档中urlopen的用法：

实例1：在placekitten网站下载一只猫的图片

import urllib.request
response = urllib.request.urlopen("http://placekitten.com/g/300/300") #urlopen返回一个对象
cat_img = response.read()  #对象均可用print()打印出来  # response.geturl() 得到url  #response.getcode() 返回值200，说明网站正常响应  response.info()得到文件信息
with open('cat_300_300.jpg','wb') as f:
    f.write(cat_img)

可看到在当前运行目录下已成功下载了图片。

urlopen的url参数既可以是字符串也可以是一个request对象，则我们还可以将代码写成如下形式：

import urllib.request
req = urllib.request.Request("http://placekitten.com/g/300/300")
response = urllib.request.urlopen(req)

cat_img = response.read()
with open('cat_500_600.jpg','wb') as f:
    f.write(cat_img)

实例2：利用百度翻译进行翻译

小甲鱼的视频中的实例是有道翻译，运行结果如下：

看弹幕说是有道翻译加了反爬虫机制，所以自己用百度翻译做了一个，研究了好一会儿，新手还是懵懵懂懂的，不过做出来了还是很开心的。代码如下所示：

import urllib.request
import urllib.parse
import json

while True:
    content = input("请输入需要翻译的内容(退出q)：")

    if content in['q','Q']:
        break
    else:

        url='http://fanyi.baidu.com/v2transapi'

        data={}
        data['from'] = 'en'
        data['to'] = 'zh'
        data['query'] = content
        data['transtype'] = 'translang'
        data['simple_means_flag'] = 3

        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("翻译结果为：%s"%(target['trans_result']['data'][0]['dst']))

打开翻译首页，点击翻译，在Network中找打方法为post的项，各个浏览器可能有差异，可尝试在Network里的XHR中查找。

代码中的url和data是复值表头中的url和Form Data，在IE浏览器中我找了好久，下面分别为360浏览器和IE浏览器的截图：

360：

IE：

接着我们解释此行代码：

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

当data未赋值时，是以GET的方式提交，当data赋值后，POST将会取代GET将数据提交。如上图所示，data必须基于某一模式，我们使用urllib.parse.urlencode()即可将字符串转换为需要的模式。

代码中使用了josen模块，因为直接打印出html出来的是json格式的数据不利于直接观看。最终运行结果如下所示：

2 隐藏

为什么要进行隐藏操作？因为如果一个IP在一定时间访问过于频繁，那么就会被被访问网站进行反爬虫拦截，无法进行我们爬虫的后续工作了，所以要给爬虫披上一层神秘的面纱，从而瞒天过海喽~

两种方法隐藏（修改）headers：

（1）通过Request的headers参数修改

（2）通过Request.add_header(key,val)方法修改

文档中说到headers必须是字典的形式，所以方法（1）直接通过增加字典键和对应值的方式来进行隐藏，如下所示，找到Request Headers中的User-Agent对应的值进行添加。

import urllib.request
import urllib.parse
import json

while True:
    content = input("请输入需要翻译的内容(退出q)：")

    if content in['q','Q']:
        break
    else:

        url='http://fanyi.baidu.com/v2transapi'

        head = {}
        head['User-Agent'] = 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/55.0.2883.87 Safari/537.36'

        data={}
        data['from'] = 'en'
        data['to'] = 'zh'
        data['query'] = content
        data['transtype'] = 'translang'
        data['simple_means_flag'] = 3

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

        req = urllib.request.Request(url,data,head)
        response = urllib.request.urlopen(req)
        html = response.read().decode('utf-8')

        target = json.loads(html)
        print("翻译结果为：%s"%(target['trans_result']['data'][0]['dst']))

运行结果及headers是否正确输入的检查：

请输入需要翻译的内容(退出q)：love
翻译结果为：爱
请输入需要翻译的内容(退出q)：q
>>> req.headers #检查
{'User-agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/55.0.2883.87 Safari/537.36'}

第二种方法：

import urllib.request
import urllib.parse
import json

while True:
    content = input("请输入需要翻译的内容(退出q)：")

    if content in['q','Q']:
        break
    else:

        url='http://fanyi.baidu.com/v2transapi'

##        head = {}
##        head['User-Agent'] = 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/55.0.2883.87 Safari/537.36'

        data={}
        data['from'] = 'en'
        data['to'] = 'zh'
        data['query'] = content
        data['transtype'] = 'translang'
        data['simple_means_flag'] = 3

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

##        req = urllib.request.Request(url,data,head)#替换成下一句，因为不再引用上面的head所以去掉head
        req = urllib.request.Request(url,data)
        #使用add_header(key,value)
        req.add_header('User-Agent','Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/55.0.2883.87 Safari/537.36')

        response = urllib.request.urlopen(req)
        html = response.read().decode('utf-8')

        target = json.loads(html)
        print("翻译结果为：%s"%(target['trans_result']['data'][0]['dst']))

第三种方法是引入休息时间，调用time模块的time.sleep来延长时间以避免网站认为是爬虫非法访问。

第四种方法是引入代理，代理把看到的内容返回给你，所以可以达到同样的效果。使用代理的步骤如下：

1. 参数是一个字典 {‘类型’:‘代理ip:端口号’}

proxy_support = urllib.request.ProxyHandler({})

2. 定制、创建一个 opener

opener = urllib.request.build_opener(proxy_support)

3a. 安装 opener
urllib.request.install_opener(opener)

3b. 调用 opener

opener.open(url)

import urllib.request

url='http://www.whatismyip.com.tw'
##iplist=['']

proxy_support = urllib.request.ProxyHandler({'http':'115.46.123.180:8123'})
#proxy_support = urllib.request.ProxyHandler({'http':random.choice(iplist)})

opener=urllib.request.build_opener(proxy_support)
opener.addheaders=[('User-Agent','Mozilla/5.0 (Windows NT 6.1) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/50.0.2661.94 Safari/537.36')]
urllib.request.install_opener(opener)

response=urllib.request.urlopen(url)
html=response.read().decode('utf-8')

print(html)

运行结果如下所示，返回的IP地址是你的代理IP地址。

3 爬虫抓取煎蛋妹子图

跟着小甲鱼的视频去煎蛋网抓取妹子图啦，下述内容将自动进行和谐咔咔咔...

思路：新建本地保存图片文件夹→打开网站→记住图片的地址→保存图片到相应的文件夹

如图为煎蛋网妹子图网页显示，图片是按照页码来放置的。

我们发现点击不同的页码，url改变的只是页码处的数字。

http://jandan.net/ooxx/page-190#comments

首先我们要获取页码，在页码处右键点击审查元素，如下所示：

则我们可以读取到网页的html，然后使用find函数来找到[190]中的数字190，也就是当前页码。

接着我们要获取当前页码下每张图片的url，同样在图片点击右键选择审查元素，可看到图片的地址如下：

嘻嘻，是gakki。以上是准备工作，接着我们就可以写出大概的框架来，其余的内容由函数封装实现

def download_mm(folder = 'ooxx',pages = 10):
    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'
        img_addrs = find_imgs(page_url)
        save_imgs(folder,img_addrs)

完整实现代码如下所示：

import urllib.request
import os

def url_open(url):
    req = urllib.request.Request(url)
    req.add_header('User-Agent','Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/55.0.2883.87 Safari/537.36')

    response = urllib.request.urlopen(req)
    html = response.read()

    return html

def 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_imgs(url):
    html = url_open(url).decode('utf-8')
    img_addrs = []

    a = html.find('img src=')
    while a != -1:
        b = html.find('.jpg',a,a+255)
        if b != -1:
            img_addrs.append(html[a+9:b+4])
        else:
            b = a + 9
        a = html.find('img src=',b)

    return img_addrs

def save_imgs(folder,img_addrs):
    for each in img_addrs:
        filename = each.split('/')[-1]
        with open(filename, 'wb') as f:
            img = url_open("http:"+each)
            f.write(img)

def download_mm(folder = 'ooxx',pages = 10):
    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'
        img_addrs = find_imgs(page_url)
        save_imgs(folder,img_addrs)

if __name__ =='__main__':
    download_mm()

成功在本地新建的文件夹中获取到了jpg的图片。

4 异常处理

（1）URLError

当urlopen无法处理一个响应的时候，就会引发URLError异常。 通常，没有网络连接或者对方服务器压根儿不存在的情况下，就会引发这个异常。同时，这个URLError会伴随一个reason属性，用于包含一个由错误编码和错误信息组成的元组。

（2）HTTPError

HTTPError是URLError的子类，服务器上每一个HTTP的响应都包含一个数字的“状态码”。有时候状态码会指出服务器无法完成的请求类型，一般情况下Python会帮你处理一部分这类响应（例如，响应的是一个“重定向”，要求客户端从别的地址来获取文档，那么urllib会自动为你处理这个响应。）；但是呢，有一些无法处理的，就会抛出HTTPError异常。这些异常包括典型的：404（页面无法找到），403（请求禁止）和401（验证请求）。

下述举例说明Python处理异常的两种方法：

from urllib.request import Request,urlopen
from urllib.error import URLError,HTTPError
req = Request(someurl)
try:
    response = urlopen(req)
except HTTPError as e:
    print('The server coudln\'t fulfill the request.')
    print('Error code:',e.code)
except URLError as e:
    print('We failed to reach a server.')
    print('Reason:',e.reason)
else:
    #do something

注意HTTPError要在URLError前面。

from urllib.request import Request,urlopen
from urllib.error import URLError,HTTPError
req = Request(someurl)
try:
    response = urlopen(req)
except HTTPError as e:
    if hasattr(e,'reason')
        print('We failed to reach a server.')
        print('Reason:',e.reason)
    elif hasattr(e,'code'):
        print('The server coudln\'t fulfill the request.')
        print('Error code:',e.code)
else:
    #do something