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urllib2。
urllib2 是 Python2.7 自带的模块(不需要下载,导入即可使用)
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
我们先来段代码:
#!/usr/bin/env python
# coding=utf-8
# urllib2_urlopen.py
# 导入urllib2 库
import urllib2
# 向指定的url发送请求,并返回服务器响应的类文件对象
response = urllib2.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
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。
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urllib2_request.py
#!/usr/bin/env python
# coding=utf-8
# urllib2_request.py
import urllib2
# url 作为Request()方法的参数,构造并返回一个Request对象
request = urllib2.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 = urllib2.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:
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。
headers(默认空):是一个字典,包含了需要发送的HTTP报头的键值对。
这两个参数下面会说到。
但是这样直接用urllib2给一个网站发送请求的话,确实略有些唐突了,就好比,人家每家都有门,你以一个路人的身份直接闯进去显然不是很礼貌。而且有一些站点不喜欢被程序(非人为访问)访问,有可能会拒绝你的访问请求。
但是如果我们用一个合法的身份去请求别人网站,显然人家就是欢迎的,所以我们就应该给我们的这个代码加上一个身份,就是所谓的User-Agent头。
浏览器 就是互联网世界上公认被允许的身份,如果我们希望我们的爬虫程序更像一个真实用户,那我们第一步,就是需要伪装成一个被公认的浏览器。用不同的浏览器在发送请求的时候,会有不同的User-Agent头。 urllib2默认的User-Agent头为:Python-urllib/x.y(x和y是Python主版本和次版本号,例如 Python-urllib/2.7)
#!/usr/bin/env python
# coding=utf-8
# urllib2_useragent.py
import urllib2
url = "http://www.itcast.cn"
# IE 9.0 的 User-Agent,包含在 ua_header里
ua_header = {"User-Agent" : "Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; Trident/5.0;"}
# url 连同 headers,一起构造Request请求,这个请求将附带 IE9.0 浏览器的User-Agent
request = urllib2.Request(url, headers = ua_header)
# 向服务器发送这个请求
response = urllib2.urlopen(request)
html = response.read()
print html
在 HTTP Request 中加入特定的 Header,来构造一个完整的HTTP请求消息。
可以通过调用Request.add_header() 添加/修改一个特定的header 也可以通过调用Request.get_header()来查看已有的header。
添加一个特定的header
#!/usr/bin/env python
# coding=utf-8
# urllib2_headers.py
import urllib2
url = "http://www.itcast.cn"
# IE 9.0 的 User-Agent
header = {"User-Agent" : "Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; Trident/5.0;"}
request = urllib2.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 = urllib2.urlopen(req)
print response.code #可以查看响应状态码
html = response.read()
print html
#!/usr/bin/env python
# coding=utf-8
# urllib2_add_headers.py
import urllib2
import random
url = "http://www.itcast.cn"
ua_list = [
"Mozilla/5.0 (Windows NT 6.1; ) Apple.... ",
"Mozilla/5.0 (X11; CrOS i686 2268.111.0)... ",
"Mozilla/5.0 (Macintosh; U; PPC Mac OS X.... ",
"Mozilla/5.0 (Macintosh; Intel Mac OS... "
]
user_agent = random.choice(ua_list)
request = urllib2.Request(url)
# 也可以通过调用Request.add_header() 添加/修改一个特定的header
request.add_header("User-Agent", user_agent)
# 第一个字母大写,后面的全部小写
request.get_header("User-agent")
response = urllib2.urlopen(req)
html = response.read()
print html
首先引入库
#!/usr/bin/env python
# coding=utf-8
import re
import urllib2
爬取的网站是:http://www.quanshuwang.com/book/44/44683
#!/usr/bin/env python
# coding=utf-8
import re
import urllib.request
def get_novel_content():
# 获取页面源代码
url = 'http://www.quanshuwang.com/book/44/44683'
html = urllib.request.urlopen(url).read()
最后一行我们调用了urllib2库的方法,urlopen()方法中我们传进一个网址作为参数表示我们需要爬取的网站,read()方法表示获取源代码。那我们现在打印html是否能成功在控制台把页面的代码给输出了呢?答案是否定的,现在获取的源码是一个乱码,我们还需要对该代码进行转码,于是要在下面加多一行转码的。
由上面我们可知代码已经转成了‘gbk’格式,并且也已经将它存在html这个变量上了,那我们怎么知道转成什么格式呢?通过获取网页源代码查看格式
#!/usr/bin/env python
# coding=utf-8
import re
import urllib.request
def get_novel_content():
# 获取页面源代码
url = 'http://www.quanshuwang.com/book/44/44683'
html = urllib.request.urlopen(url).read()
# 指定编码
html = html.decode('gbk')
print (html)
if __name__ == "__main__":
get_novel_content()
因为我们要获取整本小说,所以让我们先获取章节目录吧,把鼠标指向其中一章并选中,下面就自动定位到该章节标签位置了
回到编辑器这边把刚才的代码粘贴过来并打上注释,作为一个参考的模板
#!/usr/bin/env python
# coding=utf-8
import re
import urllib.request
def get_novel_content():
# 获取页面源代码
url = 'http://www.quanshuwang.com/book/44/44683'
html = urllib.request.urlopen(url).read()
# 指定编码
html = html.decode('gbk')
#引子 穿越的唐家三少 #参考
print (html)
if __name__ == "__main__":
get_novel_content()
因为我们需要抓取的是全部章节而不仅仅只是这一个章节,所以我们要用到正则表达式来进行匹配,先把通用的部分用(.?)替代,(.?)可以匹配所有东西
#!/usr/bin/env python
# coding=utf-8
import re
import urllib.request
def get_novel_content():
# 获取页面源代码
url = 'http://www.quanshuwang.com/book/44/44683'
html = urllib.request.urlopen(url).read()
# 指定编码
html = html.decode('gbk')
#引子 穿越的唐家三少 #参考
# 获取章节源代码
# 正则表达式
reg = r'(.*?) '
reg = re.compile(reg)
urls = re.findall(reg, html)
for url in urls:
print(url)
if __name__ == "__main__":
get_novel_content()
仔细的小伙伴就发现有些地方的.*?加括号,有些地方又不加,这是因为加了括号的都是我们要匹配的,不加括号是我们不需要匹配的。接下来一行调用re.compiled()方法是增加匹配的效率,建议习惯加上,最后一行开始与我们一开始获取的整个网页的源代码进行匹配。到这步我们已经能把代码所有章节以及章节链接的代码都获取了,打印在控制台上看一下
接下来获取章节页面源代码
#!/usr/bin/env python
# coding=utf-8
import re
import urllib.request
def get_novel_content():
# 获取页面源代码
url = 'http://www.quanshuwang.com/book/44/44683'
html = urllib.request.urlopen(url).read()
# 指定编码
html = html.decode('gbk')
# 获取章节源代码
# 正则表达式
reg = r'(.*?) '
reg = re.compile(reg)
urls = re.findall(reg, html)
for url in urls:
novel_url,novel_title = url
# 获取章节页面源代码
chapter = urllib.request.urlopen(novel_url).read()
chapter_html = chapter.decode('gbk')
print(chapter_html)
exit()
if __name__ == "__main__":
get_novel_content()
接下来继续用正则表达式进行数据清洗
#!/usr/bin/env python
# coding=utf-8
import re
import urllib.request
def get_novel_content():
# 获取页面源代码
url = 'http://www.quanshuwang.com/book/44/44683'
html = urllib.request.urlopen(url).read()
# 指定编码
html = html.decode('gbk')
# 获取章节源代码
# 正则表达式
reg = r'(.*?) '
reg = re.compile(reg)
urls = re.findall(reg, html)
for url in urls:
novel_url,novel_title = url
# 获取章节页面源代码
chapter = urllib.request.urlopen(novel_url).read()
chapter_html = chapter.decode('gbk')
chapter_reg = r' (.*?) (.*?)