Python爬虫案例集合

这是我参与8月更文挑战的第7天，活动详情查看：8月更文挑战

urllib2

urllib2 是 Python 中用来抓取网页的库，urllib2 是 Python2.7 自带的模块(不需要下载，导入即可使用) 在python2.x 里面有urllib和urllib2;在python3.x里面就把urllib和urllib2合成一个urllib;urllib3是在python3.x了里面新增的第三方扩展。

urllib2 官方文档：https://docs.python.org/2/library/urllib2.html

urllib2 源码：https://hg.python.org/cpython/file/2.7/Lib/urllib2.py

urllib2 在 python3.x 中被改为urllib.request

来先看一个简单的Demo,通过请求访问百度

import urllib.request

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

# 服务器返回的类文件对象支持Python文件对象的操作方法
# read()方法就是读取文件里的全部内容，返回字符串
html = response.read()

# 打印响应内容
print(html)

我们已经拿到百度的首页了，但是目前出现了第一个问题就是，当你使用urllib2去访问的时候，它的User-Agent是Python-urllib/3.6 (user-agent决定用户的浏览器)

我们需要稍微伪装下，要不然第一步就会被反爬虫发现

#!/usr/bin/env python
# -*- coding:utf-8 -*-

import urllib.request

# urllib2 的User-Agent: Python-urllib/2.7
# User-Agent 爬虫和反爬虫的第一步
ua_headers = {
    "User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/54.0.2840.99 Safari/537.36"
}

# 通过urllib.request.Request() 方法构造一个请求对象
request = urllib.request.Request("http://www.baidu.com/", headers = ua_headers)

# 向指定的url地址发送请求，并返回服务器响应的类文件对象

# urllib.request.urlopen()参数即可以是字符串也可以是对象
response = urllib.request.urlopen(request)

# 服务器返回的类文件对象支持Python文件对象的操作方法
# read()方法就是读取文件里的全部内容，返回字符串
html = response.read()

# 返回 HTTP的响应码，成功返回200，4服务器页面出错，5服务器问题
print(response.getcode())

# 返回 返回实际数据的实际URL，防止重定向问题
print(response.geturl())

# 返回 服务器响应的HTTP报头
print(response.info())

# 打印响应内容
#print(html)

爬取百度贴吧

在url后面直接拼接参数，这种请求方式为get请求

#!/usr/bin/python
#coding:utf-8
from urllib import request,parse



def loadPage(fullUrl,filename):
	"""
        作用：根据url发送请求，获取服务器响应文件
        url: 需要爬取的url地址
        filename : 处理的文件名
    """
	print('正在下载' + filename)

	headers = {"User_Agent" : "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_11_0) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/63.0.3239.108 Safari/537.36"}

	# 构造请求对象
	request1 = request.Request(fullUrl,headers = headers);
	return request.urlopen(request1).read()

def wirtePage(html,filename):
	"""
		作用:将html内容写入到本地
		html:服务器相应的文件内容
	"""

	print('正在保存' + filename)

	#文件写入
	with open(filename,'w') as f:
		# 此时打印的html伪bytes格式的,f.write()参数需要字符串
		f.write(html.decode(encoding='utf-8'))

	print ('-' * 30)

def tiebaSpider(url,beginPage,endPage):


	for page in range(beginPage,endPage+1):
		pn = (page-1) * 50
		filename = "第" + str(page) +'页.html'
		fullUrl  = url +'&pn='+str(pn)

		# 发起请求
		html = loadPage(fullUrl,filename)
		print(html)

		# 写网页
		wirtePage(html,filename)


if __name__ == '__main__':
	kw = input('请输入爬去的贴吧名:')
	beginPage = int(input('请输入起始页:'))
	endPage = int(input('请输入结束页'))

	url = 'http://tieba.baidu.com/f?'
	key = parse.urlencode({"kw":kw})
	fullUrl = url + key
	tiebaSpider(fullUrl,beginPage,endPage)

通过POST请求到有道翻译

有些网站的查询传参不是直接在URL上面拼接而且通过post form data进行，这个时候传递就要模拟post请求

from urllib import request,parse

# 通过抓包的方式获取的url，并不是浏览器上显示的url
url = "http://fanyi.youdao.com/translate?smartresult=dict&smartresult=rule"

# 完整的headers
headers = {
        "Accept" : "application/json, text/javascript, */*; q=0.01",
        "X-Requested-With" : "XMLHttpRequest",
        "User-Agent" : "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/54.0.2840.99 Safari/537.36",
        "Content-Type" : "application/x-www-form-urlencoded; charset=UTF-8",
    }

# 用户接口输入
key = input("请输入需要翻译的文字:")

# 发送到web服务器的表单数据
formdata = {
"from" : "AUTO",
"to" : "AUTO",
"smartresult" : "dict",
"client" : "fanyideskweb",
"type" : "AUTO",
"i" : key,
"doctype" : "json",
"keyfrom" : "fanyi.web",
"ue" : "UTF-8",
"version":"2.1",
"action" : "FY_BY_CLICKBUTTON",
"typoResult" : "false"
}

# 经过urlencode转码
data = parse.urlencode(formdata).encode('utf-8')
print(data)

# 如果Request()方法里的data参数有值，那么这个请求就是POST
# 如果没有，就是Get
request1 = request.Request(url, data = data, headers = headers)

print(request.urlopen(request1).read().decode('utf-8'))

抓取ajax豆瓣电影

有些时候页面上面是空的，内容通过ajax来加载，那么我们爬虫需要关注点就应该到数据源这个位置，ajax加载的页面，数据源一定是json,拿到json也就拿到了数据

from urllib import request, parse


url = "https://movie.douban.com/j/chart/top_list?type=11&interval_id=100%3A90&action"

headers = {"User-Agent" : "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/54.0.2840.99 Safari/537.36"}

formdata = {
        "start":"0",
        "limit":"20"
    }

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

request1 = request.Request(url, data = data, headers = headers)

print(request.urlopen(request1).read().decode('utf-8'))