python爬虫入门技术手册

点击“简说Python”，选择“星标公众号”

福利干货，第一时间送达！

图片by@unsplash

本文授权转载自数据EDTA，禁二次转载

作者：livan

阅读文本大概需要 30 分钟。

老表建议收藏，慢慢看。

很久以前写了一篇爬虫的文章，把它放在CSDN上（livan1234）没想到点击量竟然暴涨，足以看到大家在数据获取方面的需求，爬虫技术现在已经非常普遍，其用途也非常广泛，很多牛人在各个领域做过相关的尝试，比如：

1）爬取汽车之家数据，利用论坛发言的抓取以及NLP，对各种车型的车主做画像。

2）抓取各大电商的评论及销量数据，对各种商品（颗粒度可到款式）沿时间序列的销量以及用户的消费场景进行分析。

3）还可以根据用户评价做情感分析，实时监控产品在消费者心目中的形象，对新发布的产品及时监控，以便调整策略。

4）抓取房产买卖及租售信息，对热热闹闹的房价问题进行分析。

5）抓取大众点评、美团网等餐饮及消费类网站：各种店面的开业情况以及用户消费和评价，了解周边变化的口味，所谓是“舌尖上的爬虫”。以及各种变化的口味，比如：啤酒在衰退，重庆小面在崛起。

6）58同城等分类信息网站：抓取招商加盟的数据，对定价进行分析，帮助网友解惑。

7）拉勾网、中华英才网等招聘网站：抓取各类职位信息，分析最热门的职位以及薪水。

8）挂号网等医疗信息网站：抓取医生信息并于宏观情况进行交叉对比。

9）应用宝等App市场：对各个App的发展情况进行跟踪及预测。（顺便吹一下牛，我们这个榜单很早就发现小红书App的快速增长趋势以及在年轻人中的极佳口碑）

10）携程、去哪儿及12306等交通出行类网站：对航班及高铁等信息进行抓取，能从一个侧面反映经济是否正在走入下行通道。

11）雪球等财经类网站：抓取雪球KOL或者高回报用户的行为，找出推荐股票

12）58同城二手车、易车等汽车类网站：什么品牌或者型号的二手车残值高？更保值？反之，什么类型的贬值较快？- 二手车，找出最佳的买车时间以及最保值的汽车。

13）神州租车、一嗨租车等租车类网站：抓取它们列举出来的租车信息，长期跟踪租车价格及数量等信息。

14）各类信托网站：通过抓取信托的数据，了解信托项目的类型及规模。其实还有很多数据，不一一列举了。

上次的文章是在讨论移动端的数据获取：https://blog.csdn.net/livan1234/article/details/80850978

本文对爬虫做一个全面的总结，不一定包治百病，但是能治好大部分疾病，希望能够对大家有所帮助：

urllib库

这是一个在爬虫领域绕不开的库，他支持 http 的爬取，几乎可以取到方方面面的内容。

以下面的豆瓣案例做一个简要的解释：

豆瓣小案例:

#!/usr/bin/env python

# _*_ UTF-8 _*_

# author:livan

import urllib.request 

import re

data= urllib.request.urlopen("https://read.douban.com/provider/all").read()  

data = data.decode("utf-8")

pattern = '

(.*?)

'

mydata = re.compile(pattern).findall(data)

fh = open("出版社.txt", "w")

for i in range(0,len(mydata)): 

    fh.write(mydata[i]+"\n")

    fh.close()

常用函数为：

import urllib.request 

#1）将第一个参数中的网址，直接下载到filename路径下，爬下来的数据为一个网页。

data= urllib.request.urlretrieve("http://www.hellobi.com",filename="F:\python_workspace\spider_douban")

#2）清除缓存,清除urlretrieve  等下载时保存的数据

urllib.request.urlcleanup()

#3）爬取页面数据

file= urllib.request.urlopen("http://www.hellobi.com")

#4）返回当环境的信息file.info()  

#5）获取当前网页的状态码和网址。

print(file.getcode()) 

print(file.geturl())

超时设置

由于网络速度或者对方服务器的问题，我们爬取一个网页的时候，都需要设置时间，我们访问一个网页，如果该网页长时间未响应，那么我们的系统就会判断该网页超时了，即无法打开该网页。

有时候，我们需要根据自己的需求，来设置超时的时间值，比如：有些网站会反应快，我们希望2秒没有反应则判断为超时，那么此时，timeout=2即为设置方式，即在 urlopen 中加入 timeout 参数。再比如，有些网站服务器反应慢，那么我们希望100秒没有反应，才判断超时，此时的timeout即设置为100，接下来为大家讲解爬虫超时的设置。

#!/usr/bin/env python

# _*_ UTF-8 _*_

# author:livan

file = urllib.request.urlopen("http://www.hellobi.com", timeout=10)

for i in range(0, 100):

    try:

        file = urllib.request.urlopen("http://yum.iqianyue.com", timeout=1)

        data = file.read()

        print(len(data)) 

    except Exception as e:

        print("出现异常:"+str(e))

自动模拟 Http 请求

客户端如果要与服务器端进行通信，需要通过http进行请求，http请求有很多种，我们在此会讲post与get两种请求方式，比如登录、搜索某些信息的时候会用到。

1）处理 get 请求:

#!/usr/bin/env python 

# _*_ UTF-8 _*_

import urllib.request 

keywd = "python"  

#对网址中出现的中文进行相应的编码,得到进行编码之后的中文，后面可以直接使用。

keywd=urllib.request.quote(keywd)  

url = "http://www.baidu.com/s?wd"+keywd+"&ie=urf-8&tn=96542061_hao_pg"  

#将url 封装为一个请求

req = urllib.request.Request(url)

data = urllib.request.urlopen(req).read() 

fh = open("test.txt","wb")  

fh.write(data)

fh.close()

2）处理 post 请求:

所谓post请求即为HTML 的 form 中存在 method=“post”的标签，如下文：

姓名：

密码：

点击提交”>

在新浪 login.sina.com.cn 中即可看到，form 为 post 方式。我们只需要 form 表单中的 name 属性即可。

如下图：

#!/usr/bin/env python 

# _*_ UTF-8 _*_

import urllib.request

import urllib.parse

url = "http://www.iqianyue.com/mypost/"

#设置对应的表单信息,urlencode中针对代码中的name值。

mydata = urllib.parse.urlencode({

"name":"[email protected]"，"pass":"123456" }).encode("utf-8")

#将数据转换为请求

req = urllib.request.Request(url, mydata)

#发送请求

data = urllib.request.urlopen(req).read()

fh = open("test_post.txt","wb")  

fh.write(data)

fh.close()

爬虫的异常处理

爬虫在运行的过程中，很多时候都会遇到这样或那样的异常。如果没有异常处理，爬虫遇到异常时就会直接崩溃停止运行，下次再次运行时，又会重头开始，所以，要开发一个具有顽强生命力的爬虫，必须要进行异常处理。

异常处理主要是为了增强代码的稳定性。

两者都是异常处理的类，HTTPError是URLError的子类，HTTPError有异常状态码与异常原因，URLError没有异常状态码，所以，在处理的时候，不能使用URLError直接替代HTTPError。如果要替代，必须要判断是否有状态码属性。

接下来我们通过实战讲解：

urlError:

1) 连不上服务器

2) 远程的url不存在

3) 本地没有网络

4) 触发了对应的httpError子类

具体的实战为:

#!/usr/bin/env python

# _*_ UTF-8 _*_

# author:livan

import urllib.error 

import urllib.request

try:

    urllib.request.urlopen("http://blog.csdssn.net") 

    print("111")

except urllib.error.URLError as e:

    if hasattr(e, "code"):

        print(e.code)

    if hasattr(e, "reason"):

        print(e.reason)

爬虫的伪装技术

我们可以试试爬取csdn博客，我们发现会返回403，因为对方服务器会对爬虫进行屏蔽。此时我们需要伪装成浏览器才能爬取。

浏览器伪装我们一般通过报头进行，接下来我们通过实战分析一下。

#!/usr/bin/env python 

# _*_ UTF-8 _*_

import urllib.error 

import urllib.request  

url="http://blog.csdn.net/weiwei_pig/article/details/52123738"  

header = ("User-Agent":"Mozilla/5.0  (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko)  Chrome/56.0.2924.87 Safari/537.36")

#用来添加报头信息

opener = urllib.request.build_opener()

opener.addheaders=[header] 

data =  opener.open(url).read()

fh = open("test_header","wb")  

fh.write(data)

fh.close()

新闻网站爬取

需求：将新浪新闻首页（http://news.sina.com.cn/）所有新闻都爬到本地。

思路：先爬首页，通过正则获取所有新闻链接，然后依次爬各新闻，并存储到本地。

#!/usr/bin/env python

# _*_ UTF-8 _*_

# author:livan

import urllib.error 

import urllib.request  

url="http://blog.csdn.net/weiwei_pig/article/details/52123738"  

header = ("User-Agent":"Mozilla/5.0  (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko)  Chrome/56.0.2924.87 Safari/537.36")

#用来添加报头信息

opener = urllib.request.build_opener()

opener.addheaders=[header] 

data =  opener.open(url).read()

fh = open("test_header","wb")  

fh.write(data)

fh.close()

爬虫防屏蔽手段之代理服务器

#!/usr/bin/env python

# _*_ UTF-8 _*_

# author:livan

import urllib.request 

import re

url = "http://blog.csdn.net/"

headers = ("User-Agent","Mozilla/5.0  (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko)  Chrome/56.0.2924.87 Safari/537.36")

#建一个浏览器opener

opener = urllib.request.build_opener()

#将头加入到opener中

opener.addheaders=[headers]  

#将opener安装为全局

urllib.request.install_opener(opener)  

data = urllib.request.urlopen(url).read().decode("utf-8", "ignore")

pat = '

result = re.compile(pat).findall(data)

for i in range(0, len(result)):

    file = str(i)+".html" 

    urllib.request.urlretrieve(result[i], filename=file)                

    print("第"+str(i)+"次爬取成功")

如何做代理:

#!/usr/bin/env python

# _*_ UTF-8 _*_

# author:livan

import urllib.request

def use_proxy(url, proxy_addr):

     proxy = urllib.request.ProxyHandler({"http":  proxy_addr})

     opener = urllib.request.build_opener(proxy,urllib.request.HTTPHandler)

     urllib.request.install_opener(opener)

     data = urllib.request.urlopen(url).read().decode("utf-8", "ignore")

     return data

proxy_addr = ["110.73.43.18:8123"]

url = "http://www.baidu.com"

data = use_proxy(url, proxy_addr)

print(len(data))

图片爬虫实战

在浏览器爬取时，有时不同的浏览器会有不同的查询结果，解析出不同的源码。

首先在“审查元素”中确定元素的重点字段是哪些，然后再在“源码”中查找对应的图片位置，确定图片 url 的规则。

#!/usr/bin/env python

# _*_ UTF-8 _*_

# author:livan

import urllib.request

import re

keyname = "短裙"

key = urllib.request.quote(keyname)

headers = ("User_Agent", "Mozilla/5.0  (Windows NT 10.0; WOW64; rv:53.0) Gecko/20100101 Firefox/53.0")

opener = urllib.request.build_opener()

opener.addheaders=[headers]

urllib.request.install_opener(opener)

for i in range(0, 10):

    url = "https://s.taobao.com/search?q="+key+"&imgfile=&commend=all&ssid=s5-e&search_type=item&sourceId=tb.index&spm=a21bo.2017.201856-taobao-item.1&ie=utf8&initiative_id=tbindexz_20170306&bcoffset=4&ntoffset=4&p4ppushleft=1%2C48&s="+str(i*44)

    data = urllib.request.urlopen(url).read().decode("utf-8", "ignore")

    pat = 'pic_url":"//(.*?)"'

    imagelist = re.compile(pat).findall(data)

    for j in range(0, len(imagelist)):

        thisimg = imagelist[j]

        thisimgurl = "http://"+thisimg

        file = "F:/python_workspace/test/pic/"+str(i)+str(j)+".jpg"

        urllib.request.urlretrieve(thisimgurl, filename=file)

在源码解决不了的情况下，需要进行抓包。作业:千图网的爬取(可以通过调试找到报错原因):

#!/usr/bin/env python

# _*_ UTF-8 _*_

# author:livan

import urllib.request 

import re

for i in range(1,10):

    pageurl = "http://www.58pic.com/piccate/3-153-652-"+str(i)+".html"  

    data = urllib.request.urlopen(pageurl).read().decode("utf-8", "ignore")

    pat = '

    imglist = re.compile(pat).findall(data)

    for j in range(0, len(imglist)):

        try:

            thisimg = imglist[j]

            thisimgurl = thisimg+"_1024.jpg"

            file = "F:/python_workspace/test/pic2/"+str(i)+str(j)+".jpg"  

            urllib.request.urlretrieve(thisimgurl, filename=file)

            print("第"+str(i)+"页第"+str(j)+"个图片爬取成功")

        except urllib.error.URLError as e:

            if hasattr(e, "code"):

                print(e.code)

            if hasattr(e, "reason"):

                print(e.reason)

        except Exception as e:

            print(e)

抓包分析实战(一)

获取淘宝的评论信息、腾讯的娱乐新闻信息等需要抓包分析。如何抓取 https 的数据包以及腾讯视频的评论。

TextView:显示返回的信息;
通过 fiddler 找到含有评论的网址，复制出对应的网址，观察网址的规则。

设置完 fiddler 之后，点击要爬取的页面，回到 fiddler 中，确定有 js 内容的链接:

对应的网址为:

https://rate.tmall.com/list_detail_rate.htm?itemId=42679128869&spuId=315119437&sellerId=2166475645&order=3¤tPage=1&append=0&content=1&tagId=&posi=&picture=&ua=098%23E1hv%2FpvEvbQvUvCkvvvvvjiPP2Lw0jEbPL59AjnEPmPZQj1Pn2L9QjEvR2MwljE8vphvC9vhvvCvpvyCvhQvryGvCzox9WFIRfU6pwet9E7rejZIYExr1EuK46en3OkQrEttpR2y%2BnezrmphQRAn3feAOHPIAXcBKFyK2ixrlj7xD7QHYWsUtE97Kphv8vvvvvCvpvvvvvmCc6Cv2UIvvUnvphvpgvvv96CvpCCvvvmCXZCvhhmEvpvV2vvC9jx2uphvmvvv98GEKUM72QhvCvvvMMGtvpvhvvvvv8wCvvpvvUmm3QhvCvvhvvv%3D&isg=AoKCecM7b7NouHNtRCUm6rar0osk--IFkGgfUsyboPWxHyKZtOPWfQjduSCd&needFold=0&_ksTS=1508769919830_1070&callback=jsonp1071

然后确定其中的 itemId 等字段的内容，其中的部分内容未必有用处，可以直接删除，比如 上面 url的 ua 字段。

如果要抓取 https 的数据:

Fiddler 默认只能抓取 HTTP 协议的网页，不能抓取 HTTPS 协议的网页，而我们很多时候，都需要抓 HTTPS 协议的网页，比如抓淘宝数据等。今天，韦玮老师会为大家讲解如何使用 Fiddler 抓取 HTTPS 协议的网页。

打开 Fiddler，点击“Tools--FiddlerOptions--HTTPS”，把下方的全部勾上，如下图所示:

然后，点击 Action，选择将CA 证书导入到桌面，即第二项，导出后，点击上图的 ok 保存配置。

然后在桌面上就有了导出的证书，如下所示:

随后，我们可以在浏览器中导入该证书。我们打开火狐浏览器，打开“选项--高级--证书- -导入”，选择桌面上的证书，导入即可。随后，Fiddler 就可以抓 HTTPS 协议的网页了。如下图所示。

抓取腾讯视频的评论:
下图为带评论的 js 文件(从 fiddler 中获取):

其中有多个字段，commentid 等，在点击“加载更多”时，commentID 会发生变化，在第一个url 的源码中会找到下一个评论 url 的地址，找到 last 字段，即为下一个 url 的commentid， 以此来构造下一个 url。

#!/usr/bin/env python

# _*_ UTF-8 _*_

# author:livan

import urllib.request 

import re

import urllib.error

headers = ("User_Agent", "Mozilla/5.0  (Windows NT 10.0; WOW64; rv:53.0) Gecko/20100101 Firefox/53.0")

opener = urllib.request.build_opener()

opener.addheaders = [headers]

urllib.request.install_opener(opener)

comid = "6323280825454961655"

url = "http://coral.qq.com/article/2102904258/comment?commentid="+comid+"&reqnum=20&tag=&callback=jQuery11240200259412840594121508770934137&_=1508770934145"

for i in range(0, 100):

    data = urllib.request.urlopen(url).read().decode()

    patnext = '"last":"(.*?)"'

    nextid = re.compile(patnext).findall(data)[0]

    patcom = '"content":"(.*?)",'

    comdata  = re.compile(patcom).findall(data)

    for j in range(0, len(comdata)):

        print("------第"+str(i)+str(j)+"条评论内容是:")

        print(eval('u"'+comdata[j]+'"'))

        url = "http://coral.qq.com/article/2102904258/comment?commentid="+nextid+"&reqnum=20&tag=&callback=jQuery1124020025941284059412_1508770934137&_=1508770934145"

微信爬虫实战

如何解决微信的限制?

#!/usr/bin/env python

# _*_ UTF-8 _*_

# author:livan

import re

import urllib.request

import time

import urllib.error

#自定义函数，功能为使用代理服务器爬一个网址

def use_proxy(proxy_addr, url): #建立异常处理机制

    try:

        req = urllib.request.Request(url)

        req.add_header("User_Agent", "Mozilla/5.0  (Windows NT 10.0; WOW64; rv:53.0) Gecko/20100101 Firefox/53.0")

        proxy =  urllib.request.ProxyHandler({'http':proxy_addr})

        opener = urllib.request.build_opener(proxy, urllib.request.HTTPHandler)

        urllib.request.install_opener(opener)

        data =  urllib.request.urlopen(req).read()

        return data

    except urllib.error.URLError as e:

        if hasattr(e, "code"):

            print(e.code)

        if hasattr(e, "reason"):

            print(e.reason)

        #若为URLError  异常，延时10 秒执行time.sleep(10)

    except Exception as e:

        print("exception:"+str(e))

    time.sleep(1)

#设置关键词

key = "Python" #设置代理服务器，该代理服务器有可能失效，读者需要换成新的有效代理服务器#即通过fiddler中转爬取。

proxy = "127.0.0.1:8888"

#爬多少页:

for i in range(0, 10):

    key =  urllib.request.quote(key)

    thispageurl  = "http://weixin.sogou.com/weixin?type=2&query="+key+"&page"+str(i)

    #a="http://blog.csdn.net"

    thispagedata = use_proxy(proxy, thispageurl)

    print(len(str(thispagedata)))

    pat1 = '

    rs1 = re.compile(pat1, re.S).findall(str(thispagedata))

    if(len(rs1)==0):

        print("此次("+str(i)+"页)没有成功")

        continue    

    for j in range(0, len(rs1)):

        thisurl  = rs1[j]

        # 提取到的网址与通过浏览器实际跳转的页面网址不完全一致，通过比#较观察发 现，爬取的页面中有amp 字段为多余。

        thisurl = thisurl.replace("amp;", "")

        file = "F:/python_workspace/test/wechat/第"+str(i)+"页第"+str(j)+"篇文章.html"

        thisdata = use_proxy(proxy, thisurl)

        try:

            fh = open(file, "wb")

            fh.write(thisdata)

            fh.close() 

            print("第"+str(i)+"页第"+str(j)+"篇文章成功")

        except Exception as e:

            print(e)

            print("第"+str(i)+"页第"+str(j)+"篇文章失败")

微信爬虫的爬取依然是使用浏览器，即在搜狗浏览器上使用微信网页版，然后编辑这个页面的 url，以获取内容。

多线程爬取实战 糗事百科的代码

#!/usr/bin/env python

# _*_ UTF-8 _*_

# author:livan

import urllib.request 

import re

import urllib.error

headers = ("User_Agent", "Mozilla/5.0  (Windows NT 10.0; WOW64; rv:53.0) Gecko/20100101 Firefox/53.0")

opener = urllib.request.build_opener()

opener.addheaders = [headers]

urllib.request.install_opener(opener)

for i in range(1, 2):

    url = "https://www.qiushibaike.com/8hr/page/"+str(i)  

    pagedata = urllib.request.urlopen(url).read().decode("utf-8","ignore")       

    pat = '

.*?(.*?).*?

'

    datalist = re.compile(pat, re.S).findall(pagedata)

    for j in range(0, len(datalist)):

        print("第"+str(i)+"页第"+str(j)+"个段子的内容是:")

        print(datalist[j]) 

将此程序改为多进程为:

#!/usr/bin/env python

# _*_ UTF-8 _*_

# author:livan

import urllib.request

import re

import urllib.error

import threading

headers = ("User_Agent", "Mozilla/5.0 (Windows NT 10.0; WOW64; rv:53.0)Gecko/20100101 Firefox/53.0")

opener = urllib.request.build_opener()

opener.addheaders = [headers]

urllib.request.install_opener(opener)

class One(threading.Thread):

    def __init__(self):

        threading.Thread.__init__(self)

    def run(self):

        for i in range(1, 36, 2):

            url = "https://www.qiushibaike.com/8hr/page/"+str(i)

            pagedata = urllib.request.urlopen(url).read().decode("utf8","ignore")

            pat='

.*?(.*?).*?

'

            datalist = re.compile(pat, re.S).findall(pagedata)

            for j in range(0, len(datalist)):

                print("第"+str(i)+"页第"+str(j)+"个段子的内容是：")

                print(datalist[j])

class Two(threading.Thread):

    def __init__(self):

        threading.Thread.__init__(self)

    def run(self):

        for i in range(0, 36, 2):

            url = "https://www.qiushibaike.com/8hr/page/"+str(i)

            pagedata = urllib.request.urlopen(url).read().decode("utf8","ignore")

            pat='

.*?(.*?).*?

'

            datalist = re.compile(pat, re.S).findall(pagedata)

            for j in range(0, len(datalist)):

                print("第"+str(i)+"页第"+str(j)+"个段子的内容是：")

                print(datalist[j])

one = One()

one.start()

two = Two()

two.start()

老表的福利是什么？

a.每天选择一条走心留言

赠书一本

（一般在推文头条（第一条）

文末有赠送书籍介绍

有前一天获奖读者信息）

b.留言打卡，满30天

进老表学习福利群

书籍、现金、课程统统安排

（在当天推文的任何一条留言

就算当天打卡成功）

昨天最佳留言读者：枫，

请于2日内联系微信：jjxksa888，领取奖励。

鼓励一下

坚持学习

无谓困难

今日留言主题：

说说你看了本文后的感触？

或者一句激励自己的话？

（字数不少于15字）

说明：最近每日留言赠书暂停一段时间

不过，留言打卡30天进福利群

还在继续，等你～

2小时快速掌握Python基础知识要点。

完整Python基础知识要点

学Python | 聊赚钱

给个[在看]