python网络爬虫_一文搞懂各大APP!网站python网络爬虫!

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。

Python资源共享群:626017123

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:

1、 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 _*_

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:

import urllib.request

# 一、常用函数 :

#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_workspacespider_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 http://file.info()

#5 获取当前网页的状态码和网址。

print(file.getcode()) print(file.geturl())

print(file.getcode()) print(file.geturl())

2、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秒种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。

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))

3、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)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 http://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:

python网络爬虫_一文搞懂各大APP!网站python网络爬虫!_第1张图片

#!/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()

4、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。

python网络爬虫_一文搞懂各大APP!网站python网络爬虫!_第2张图片

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_*_

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)

5、爬虫的伪装技术:

浏览器伪装技术原理:

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()

6、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 _*_

import urllib.request import re

data = urllib.request.urlopen( "http://news.sina.com.cn/" ).read()

data2 = data.decode( "utf-8" , "ignore" ) pat = 'href="(http://news.sina.com.cn/.*?)">'
allurl = re.compile(pat).findall(data2)

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

try :

print ( " 第 " + str (i)+ " 次爬取 " )thisurl = allurl[i]
file =str (i)+ ".html" urllib.request.urlretrieve(thisurl , file)

print ( "------ 成功 -------" )

except urllib.request.URLError as e:

if hasattr (e , "code" ):

print (e.code) if hasattr (e , "reason" ):

print (e.reason)

python网络爬虫_一文搞懂各大APP!网站python网络爬虫!_第3张图片

7、爬虫防屏蔽手段之代理服务器:

python网络爬虫_一文搞懂各大APP!网站python网络爬虫!_第4张图片

#!/usr/bin/env python # _*_ UTF-8 _*_

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 = '

href="(.*?)"'

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" )

#由此可以将 CSDN 首页所有的文章爬取下来。

如何做代理:

#!/usr/bin/env python # _*_ UTF-8 _*_

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))

8、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 _*_

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&p4 ppushleft=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)):

t hisimg = 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 _*_

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)

9、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:

python网络爬虫_一文搞懂各大APP!网站python网络爬虫!_第5张图片

python网络爬虫_一文搞懂各大APP!网站python网络爬虫!_第6张图片

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:

python网络爬虫_一文搞懂各大APP!网站python网络爬虫!_第7张图片

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:

python网络爬虫_一文搞懂各大APP!网站python网络爬虫!_第8张图片

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:

python网络爬虫_一文搞懂各大APP!网站python网络爬虫!_第9张图片

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。

python网络爬虫_一文搞懂各大APP!网站python网络爬虫!_第10张图片

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

python网络爬虫_一文搞懂各大APP!网站python网络爬虫!_第11张图片

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 _*_

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+ "&req num=20&tag=&callback=jQuery1124020025941284059412_1508770934137&_=15087 70934145"
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+ "&re qnum=20&tag=&callback=jQuery1124020025941284059412_1508770934137&_=1508 770934145"

10、微信爬虫实战:

如何解决微信的限制?

python网络爬虫_一文搞懂各大APP!网站python网络爬虫!_第12张图片

#!/usr/bin/env python # _*_ UTF-8 _*_

#http://weixin.sogou.com/

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 = '

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。

11、多线程爬取实战 糗事百科的代码:

#!/usr/bin/env python # _*_ UTF-8 _*_

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 _*_

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( "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])

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( "utf- 8" , "ignore" )

pat= '

.*?(.*?).*?
'

datalist = re.compile(pat , re.S).findall(pagedata) for j in range ( 0 , len (datalist)):

one = One()

one.start()

two = Two()

two.start()

你可能感兴趣的:(python网络爬虫)