爬虫基础（三）——python爬虫常用模块
3.1python网络爬虫技术核心
3.1.1 python网络爬虫实现原理
第一步：使用python的网络模块（比如ｕｒｂｌｉｂ２、ｈｔｔｐｌｉｂ、requests等）模拟浏览器向服务器发送正常的HTTP（或ＨＴＴＰＳ）请求。服务器响应后，主机将收到包含所需信息的网页代码。
第二步：主机使用过滤模块（比如ｌｘｍｌ、ｈｔｍｌ．ｐａｒｓｅｒ、ｒｅ等）将所需信息从网页代码中过滤出来。
第一步为了模拟浏览器，可以在请求中添加报头（Header）和Ｃｏｏｋｉｅｓ。为了避开服务器的反爬虫，可以利用代理或间隔一段时间发送一个请求。
3.1.2 身份识别
有些网站需要登陆后才能访问某些页面，在登陆前无法抓取，这时，可以利用ｕｒｌｌｉｂ２库保存登录的ｃｏｏｋｉｅ，再抓取其他页面，负责cookie部分的模块为cookieｌｉｂ。
3.2 python３ 标准库之ｕｒｌｌｉｂ．request模块
urllib是Python3的一个内置标准库，主要用来进行http请求。其中主要包含四个常见模块。分别是：request，error，parse，robotparser。request模块功能提供一个基本的请求功能，来模拟http请求。error异常处理模块，主要功能是在出现错误的时候可以捕获异常。parse工具模块，提供了URL处理的方法，比如：拆分，解析，合并等。robotparser模块主要用来识别网站的robots.txt文件。
原文链接：https://blog.csdn.net/a21700790yan/article/details/103589333
3.2.1 urllib.request请求返回网页
urlopen（）是urllib.request模块最简单的应用，urlopen(url,data,timeout) 作用打开一个url方法，返回一个文件对象HttpResponse，然后可以进行类似文件对象的操作。比如geturl()返回HttpResponse的URL信息,info()返回HttpResponse的基本信息,getcode()返回HttpResponse的状态代码。常见的状态代码：200服务器成功返回网页、404请求的网页不存在、503服务器暂时不可用。
python3中urllib库的request模块详解 - lincappu - 博客园 (cnblogs.com)
书上的例程
__author__ = 'hstking [email protected]'
import urllib.request
def clear():
''' '''
print('内容较多')
time.sleep(3)
OS = platform.system()
if (OS == 'Windows'):
os.system('cls')
else:
os.system('clear')
def linkBaidu():
url = 'http://www.baidu.com'
try:
response = urllib.request.urlopen(url,timeout=3)
result = response.read().decode('utf-8')
except Exception as e:
print("网络地址错误")
exit()
with open('baidu.txt', 'w',encoding='utf8') as fp:
fp.write(result)
print("url: response.geturl() : %s" %response.geturl())
print("代码信息 : response.getcode() : %s" %response.getcode())
print("返回信息 : response.info() : %s" %response.info())
print("获取的网页内容已存入baidu.txt中")
if __name__ == '__main__':
linkBaidu()
最关键的两行：response = urllib.request.urlopen(url,timeout=3)
result = response.read().decode('utf-8')
将程序保存在C:\Users\xinyue liu\pachong目录下的main.py，
在程序中找到 ‘运行’->点击->输入"cmd"->回车键 进入控制台命令窗口（如下图），先输入cd C:\Users\xinyue liu\pachong (作用是将命令路径改到目标目录)，然后Python3 main.py运行。
3.2.2 urllib.request使用代理访问网页
proxy：代理；
原文链接：(14条消息) urllib.request 通过代理访问页面_吕先生的博客-CSDN博客
下面是
#!/usr/bin/env python3
#-*- coding: utf-8 -*-
__author__ = 'hstking [email protected]'
import urllib.request
import sys
import re
def testArgument():
'''测试输入参数，只需要一个参数'''
if len(sys.argv) != 2:
print('需要且只需要一个参数')
tipUse()
exit()
else:
TP = TestProxy(sys.argv[1])
def tipUse():
'''显示提示信息'''
print('该程序只能输入一个参数，这个参数必须是一个可用的proxy')
print('usage: python testUrllib2WithProxy.py http://1.2.3.4:5')
print('usage: python testUrllib2WithProxy.py https://1.2.3.4:5')
class TestProxy(object):
'''测试proxy是否有效 '''
def __init__(self,proxy):
self.proxy = proxy
self.checkProxyFormat(self.proxy)
self.url = 'https://www.baidu.com'
self.timeout = 5
self.flagWord = 'www.baidu.com' #在网页返回的数据中查找这个关键词
self.useProxy(self.proxy)
def checkProxyFormat(self,proxy):
try:
proxyMatch = re.compile('http[s]?://[\d]{1,3}\.[\d]{1,3}\.[\d]{1,3}\.[\d]{1,3}:[\d]{1,5}$')
re.search(proxyMatch,proxy).group()
except AttributeError as e:
tipUse()
exit()
flag = 1
proxy = proxy.replace('//','')
try:
protocol = proxy.split(':')[0]
ip = proxy.split(':')[1]
port = proxy.split(':')[2]
except IndexError as e:
print('下标出界')
tipUse()
exit()
flag = flag and len(proxy.split(':')) == 3 and len(ip.split('.')) == 4
flag = ip.split('.')[0] in map(str,range(1,256)) and flag
flag = ip.split('.')[1] in map(str,range(256)) and flag
flag = ip.split('.')[2] in map(str,range(256)) and flag
flag = ip.split('.')[3] in map(str,range(1,255)) and flag
flag = protocol in ['http', 'https'] and flag
flag = port in map(str,range(1,65535)) and flag
'''这是在检查proxy的格式 '''
if flag:
print('输入的代理服务器符合标准')
else:
tipUse()
exit()
def useProxy(self,proxy):
'''利用代理访问百度，并查找关键词'''
protocol = proxy.split('://')[0]
proxy_handler = urllib.request.ProxyHandler({protocol: proxy})
opener = urllib.request.build_opener(proxy_handler)
urllib.request.install_opener(opener)
try:
response = urllib.request.urlopen(self.url,timeout = self.timeout)
except Exception as e:
print('连接错误，退出程序')
exit()
result = response.read().decode('utf-8')
print('%s' %result)
if re.search(self.flagWord, result):
print('已经取得特征词，该代理可用')
else:
print('该代理不可用')
if __name__ == '__main__':
testArgument()
运行：
绿色线标出的是自设的代理。一开始直接在pycharm运行没运行成功，因为没用过命令行来执行程序。不懂程序里sys.argv什么意思可以看这里Python中 sys.argv[]的用法简明解释 - 覆手为云p - 博客园 (cnblogs.com)，讲的很简明，而且教会了我用命令行来执行程序。
3.2.3 urllib.request修改header
有些不喜欢被爬虫（非人为访问）的站点，会检查连接者的”身份证“，默认情况下，urllib.request会把自己的版本号作为”身份证号码“，这可能使站点迷惑或者干脆拒绝访问。所以需要让python程序模拟浏览器访问网站。那么如何在网站面前假装自己是个浏览器呢？
原来网站是通过浏览器发送的User-Agent的值来确认浏览器身份的，那么我们就在头信息里发送一个User-Agent就OK啦。具体方法：用urllib.request创建一个请求对象，并给它一个包含报头数据的字典，修改User-Agent欺骗网站。一般把User-Agent修改成Internet Explorer是最安全的。
准备工作：将所有的User-Agent全部放在一个文件中，使用字典结构存放代理，命名为uersAgents.py作为资源文件，方便以后作为模板导入使用。文件代码略长，后续试试能不能上传。
准备完成，开始编写程序用来修改header。
#!/usr/bin/env python3
#-*- coding: utf-8 -*-
__author__ = 'hstking [email protected]'
import urllib.request
import userAgents
'''userAgents.py是个自定义的模块，位置位于当前目录下 '''
class ModifyHeader(object):
'''使用urllib.request模块修改header '''
def __init__(self):
#这是PC + IE 的User-Agent
PIUA = userAgents.pcUserAgent.get('IE 9.0')
#这是Mobile + UC的User-Agent
MUUA = userAgents.mobileUserAgent.get('UC standard')
#测试网站是有道翻译
self.url = 'http://fanyi.youdao.com'
self.useUserAgent(PIUA,1)
self.useUserAgent(MUUA,2)
def useUserAgent(self, userAgent ,name):
request = urllib.request.Request(self.url)
request.add_header(userAgent.split(':')[0],userAgent.split(':')[1])
response = urllib.request.urlopen(request)
fileName = str(name) + '.html'
with open(fileName,'a') as fp:
fp.write("%s\n\n" %userAgent)
fp.write(response.read().decode('utf-8'))
if __name__ == '__main__':
umh = ModifyHeader()
跟我一样对里面urllib.request.Request（）不太理解的，可以看这篇，需要构造请求的时候需要用到Request类
(14条消息) Python爬虫入门：urllib.request.Request详解_菜鸟也要高飞-CSDN博客_urllib.request.request
我用pycharm运行上面的程序，出现这样的报错：
UnicodeEncodeError: 'gbk' codec can't encode character '\xbb' in position 4796: illegal multibyte sequence
在cmd和pycharm里运行报错，看了几篇文章也没找到解决方法。
3.3Python3 标准库之logging模块
logging模块，是针对日志的，可以替代print函数的功能，并且将标准输出保存在日志文件中，而且可以替代部分debug的功能用于调试和排错。
logging模块共有6个级别，我们通过定义自己的日志级别，可以使logging模块选择性地将高于定义级别的信息在屏幕显示出来。默认定义级别是WARNING。
调用logging的方法是logging.basicCinfig，其调用方法的格式可以参考Python之路(第十七篇)logging模块 - Nicholas-- - 博客园 (cnblogs.com)
#!/usr/bin/env python
#-*- coding: utf-8 -*-
__author__ = 'hstking [email protected]'
import logging
class TestLogging(object):
def __init__(self):
logFormat = '%(asctime)-12s %(levelname)-8s %(name)-10s %(message)-12s'
logFileName = './testLog.txt'
logging.basicConfig(level = logging.INFO,
format = logFormat,
filename = logFileName,
filemode = 'w')
logging.debug('debug message')
logging.info('info message')
logging.warning('warning message')
logging.error('error message')
logging.critical('critical message')
if __name__ == '__main__':
tl = TestLogging()
结果：
3.4 re模块
在爬虫中，这个模块使用频率不高，稍作了解即可。
re模块主要用于查找、定位等。正则表达式(regular expression)描述了一种字符串匹配的模式（pattern），可以用来检查一个串是否含有某种子串、将匹配的子串替换或者从某个串中取出符合某个条件的子串等。
常用正则表达式符号和语法：
'.' 匹配所有字符串，除\n以外
‘-’ 表示范围[0-9]
'*' 匹配前面的子表达式零次或多次。要匹配 * 字符，请使用 \*。
'+' 匹配前面的子表达式一次或多次。要匹配 + 字符，请使用 \+
'^' 匹配字符串开头
‘$’ 匹配字符串结尾 re
'\' 转义字符， 使后一个字符改变原来的意思，如果字符串中有字符*需要匹配，可以\*或者字符集[*] re.findall(r'3\*','3*ds')结['3*']
'*' 匹配前面的字符0次或多次 re.findall("ab*","cabc3abcbbac")结果：['ab', 'ab', 'a']
‘?’ 匹配前一个字符串0次或1次 re.findall('ab?','abcabcabcadf')结果['ab', 'ab', 'ab', 'a']
'{m}' 匹配前一个字符m次 re.findall('cb{1}','bchbchcbfbcbb')结果['cb', 'cb']
'{n,m}' 匹配前一个字符n到m次 re.findall('cb{2,3}','bchbchcbfbcbb')结果['cbb']
'\d' 匹配数字，等于[0-9] re.findall('\d','电话:10086')结果['1', '0', '0', '8', '6']
'\D' 匹配非数字，等于[^0-9] re.findall('\D','电话:10086')结果['电', '话', ':']
'\w' 匹配字母和数字，等于[A-Za-z0-9] re.findall('\w','alex123,./;;;')结果['a', 'l', 'e', 'x', '1', '2', '3']
'\W' 匹配非英文字母和数字,等于[^A-Za-z0-9] re.findall('\W','alex123,./;;;')结果[',', '.', '/', ';', ';', ';']
'\s' 匹配空白字符 re.findall('\s','3*ds \t\n')结果[' ', '\t', '\n']
'\S' 匹配非空白字符 re.findall('\s','3*ds \t\n')结果['3', '*', 'd', 's']
'\A' 匹配字符串开头
'\Z' 匹配字符串结尾
'\b' 匹配单词的词首和词尾，单词被定义为一个字母数字序列，因此词尾是用空白符或非字母数字符来表示的
'\B' 与\b相反，只在当前位置不在单词边界时匹配
'(?P
[] 是定义匹配的字符范围。比如 [a-zA-Z0-9] 表示相应位置的字符要匹配英文字符和数字。[\s*]表示空格或者*号。
常用的re模块方法参考：Python3 正则表达式 | 菜鸟教程 (runoob.com)
re.compile(pattern,flag=0) 将字符串形式的正则表达式编译为Pattern对象
re.search(string[,pose[,endpos]]) 从string的任意位置开始匹配
re.match(string[,pose[,endpos]]) 从string的开头开始匹配
re.findall(string[,pose[,endpos]]) 从string的任意位置开始匹配，返回一个列表
re.finditer(string[,pose[,endpos]]) 从string的任意位置开始匹配,返回一个迭代器
一般匹配findall即可，大数量用finditer比较好。
re模块+urllib2模块爬虫实例：爬取某影院当日播放的电影
步骤：找一个电影院的网页http://www.wandacinemas.com/；
使用urllib2模块抓取整个网页；使用re模块获取影视信息。
#!/usr/bin/env python
#-*- coding: utf-8 -*-
__author__ = 'hstking [email protected]'
import re
import urllib.request
import codecs
import time
class Todaymovie(object):
'''获取金逸影院当日影视'''
def __init__(self):
self.url = 'http://www.wandacinemas.com/'
self.timeout = 5
self.fileName = 'wandaMovie.txt'
'''内部变量定义完毕 '''
self.getmovieInfo()
def getmovieInfo(self):
response = urllib.request.urlopen(self.url,timeout=self.timeout)
result = response.read().decode('utf-8')
with codecs.open('movie.txt','w','utf-8') as fp1:#将请求返回的信息保存到'movie.txt'
fp1.write(result)
pattern = re.compile('')
movieList = pattern.findall(result)
print("movielist:",movieList)#输出电影列表
movieTitleList = map(lambda x:x.split('"')[3], movieList)
#使用map过滤出电影标题
with codecs.open(self.fileName, 'w', 'utf-8') as fp:
print("Today is %s \r\n" %time.strftime("%Y-%m-%d"))
fp.write("Today is %s \r\n" %time.strftime("%Y-%m-%d"))
for movie in movieTitleList:
print("%s\r\n" %movie)
fp.write("%s \r\n" %movie)#将过滤的电影标题保存到'wandaMovie.txt'
if __name__ == '__main__':
tm = Todaymovie()
程序分析：
1.response = urllib.request.urlopen(self.url,timeout=self.timeout)发出请求，urlopen的参数在初始化中已经给出。2.result = response.read().decode('utf-8')读取响应
3.pattern = re.compile('')
movieList = pattern.findall(result)构建正则表达式，匹配电影名称信息,返回匹配上的标签列表。
4.movieTitleList = map(lambda x:x.split('"')[3], movieList)
使用map过滤出电影标题。map() 会根据提供的函数对指定序列做映射。语法：map(function, iterable, ...)。第一个参数 function 以参数序列中的每一个元素调用 function 函数，返回包含每次 function 函数返回值的新列表。
5.python codes open()
(14条消息) python中open()与codecs.open()的区别_白清羽的博客-CSDN博客
运行发现没有过滤出电影名称，于是加了
#将请求返回的信息保存到'movie.txt'，#输出电影列表，这两个语句，发现抓取网页正常，电影列表为空，所有怀疑是正则的问题。pattern = re.compile('')
分析这个正则表达式：
# .* 表示任意匹配除换行符（\n、\r）之外的任何单个或多个字符
# (.*?) 表示"非贪婪"模式，只保存第一个匹配到的子串
应该是网页文件里的一个标签，
(14条消息) 网页结构（
查阅得知，span是一个行标签，而搜索发现网页内容里完全没有行标签，更别说匹配了。自然
movieList是空的列表。暂时不会解决，正则用起来真的好复杂，希望有大佬看到的话指点一下。
3.5 其他有用模块
3.5.1 sys模块
跟系统有关的模块，作用：返回系统信息。常用的方法只有两个sys.a和sys.exit。
sys.argv返回一个包含所有的命令行参数的列表，sys.exit退出程序。
3.5.2 Time模块
python的学习笔记之——time模块常用内置函数 - 爬虫上的雪碧 - 博客园 (cnblogs.com)
