python网络爬虫实战--重点整理

第四章--python爬虫常用模块

• urllib2.urlopen(url,timeout)请求返回响应，timeout是超时时间设置

• #! python2.7
  #-*- coding:utf-8 -*-
  
  
  import urllib2
  
  def linkBaidu():
      url='http://www.baidu.com'
      try:
          response=urllib2.urlopen(url,timeout=4)
      except urllib2.URLError:
          print("网络地址错误")
          exit()
      with open('baiduResponse.txt','w') as fp:   #写入文档
          fp.write(response.read())
      print(response.geturl())    #获取url信息
      print(response.getcode())  #返回状态码
      print(response.info())  #返回信息
  
  
  if __name__=='__main__':
      linkBaidu()
  

  
  
• 使用代理服务器来访问url
• 有免费的代理服务器，但是使用urlopen的使用很容易出现，所以需要循环调用urlopen()。

• #-*-coding:utf-8 -*-
  '''
  测试代理proxy是否有效
  '''
  import urllib2,re
  
  class TestProxy():
      def __init__(self,proxy):
          self.proxy=proxy
          self.checkProxyFormat(self.proxy)
          self.url='http://www.baidu.com'
          self.timeout=4
          self.keyword='百度'    #在网页返回的数据中查找这个词
          self.useProxy(proxy)
  
      def checkProxyFormat(self,proxy):
          try:
              match=re.compile(r'^http[s]?://[\d]{1,3}.[\d]{1,3}.[\d]{1,3}.[\d]{1,3}:[\d]{1,5}$')
              match.search(proxy).group()
          except AttributeError:
              print("你输入的代理地址格式不正确")
              exit()
          flag=1
          proxy=proxy.replace('//','')
          try:
              protocol=proxy.split(':')[0]
              ip=proxy.split(':')[1]
              port=proxy.split(':')[2]
          except IndexError:
              print('下标出界')
              exit()
          flag=flag and ip.split('.')[0] in map(str,xrange(1,256))   #map对每个数应用到str函数
          flag=flag and ip.split('.')[1] in map(str,xrange(256))
          flag=flag and ip.split('.')[2] in map(str,xrange(256))
          flag=flag and ip.split('.')[3] in map(str,xrange(1,255))
          flag=flag and protocol in ['http','https']
          flag=flag and port in map(str,xrange(1,65535))
          if flag:
              print('输入的http代理服务器符合标准')
          else:
              exit()
  
      def useProxy(self,proxy):
          protocol=proxy.split('//')[0].replace(':','')
          ip=proxy.split('//')[1]
          print(protocol,ip)
          '''
          build_opener ()返回的对象具有open()方法，与urlopen()函数的功能相同，
          install_opener 用来创建（全局）默认opener。这个表示调用urlopen将使用你安装的opener
          '''
          opener=urllib2.build_opener(urllib2.ProxyHandler({protocol:ip}))  #protocol:http ip:163.125.68.237:8888
          urllib2.install_opener(opener)
          for i in range(10):
              try:
                  response=urllib2.urlopen(self.url,timeout=5)
                  break
              except Exception as e:
                  print(e)
          str=response.read()
          if re.search(self.keyword,str):
              print("已提取特征词，该代理可用")
          else:
              print('该代理不可用')
  
  if __name__=='__main__':
      proxy=r'http://163.125.68.237:8888'
      TestProxy(proxy)

  

• 修改header
• 网站是通过浏览器发送过来的User-Agent的值来确认浏览器的身份的，所以可能有些网站不允许被程序访问，所以我们发送请求时需要修改User-Agent欺骗网站，利用add_header()可以添加头部。同一网站会给不同的浏览器访问不同的内容。
• 下面程序是用IE和手机版的UC访问有道翻译。

• #-*-coding:utf-8 -*-
  import userAgents
  import urllib2
  
  class ModifyHeader():
      def __init__(self):
          piua=userAgents.pcUserAgent.get('IE 9.0')
          muua=userAgents.mobileUserAgent.get('UC standard')
          print('piua: '+piua)
          self.url='http://fanyi.youdao.com'
          self.userAgent(piua,1)
          self.userAgent(muua,2)
  
      def userAgent(self,agent,name):
          request=urllib2.Request(self.url)
          request.add_header(agent.split(':')[0],agent.split(':')[1])
  
          response=urllib2.urlopen(request)
          filename=str(name)+'.html'
          with open(filename,'w') as fp:
              fp.write('%s\n\n'%agent)
              fp.write(response.read())
  
  if __name__=='__main__':
      ModifyHeader()
  

  
  

• getpass.getuser()

  返回当前用户名。这个函数会按顺序检查环境变量LOGNAME, USER, LNAME和USERNAME。返回第一个非空的值。如果检查不到非空的值，模块会尝试导入pwd模块，如果系统支持pwd模块，会返回通过pwd模块获取的用户名，否则报错。

  
  
• re模块
• \A：仅匹配字符串开头，如\Aabc
• \Z：仅匹配字符串结尾，如abc\Z
•