专栏：004：网页下载器的使用_html/css

系列爬虫专栏

崇尚的学习思维是：输入，输出平衡，且平衡点不断攀升。

曾经有大神告诫说：没事别瞎写文章；所以，很认真的写的是能力范围内的，看客要是看不懂，不是你的问题，问题在我，得持续输入，再输出。

差不多正式涉及所谓的网页爬虫

1：框架

序号	内容	说明
01	网络爬虫知识概况	概念是理解和精进的第一步
02	urllib	简单说明使用方法
03	request	强烈建议入手
04	代码示例	使用request爬取博客
05	参考及备注	总结与说明

2：网络爬虫

概念

网络爬虫：网络蜘蛛（Web spider）也叫网络爬虫（Web crawler）[1]，蚂蚁（ant），自动检索工具（automatic indexer），或者（在FOAF软件概念中）网络疾走（WEB scutter），是一种“自动化浏览网络”的程序，或者说是一种网络机器人。它们被广泛用于互联网搜索引擎或其他类似网站，以获取或更新这些网站的内容和检索方式。它们可以自动采集所有其能够访问到的页面内容，以供搜索引擎做进一步处理（分检整理下载的页面），而使得用户能更快的检索到他们需要的信息。

分解复述：爬虫是一段代码，实现的功能是在网页上解析需要的信息。

涉及的名词

URL(Uniform Resource Locator):统一资源定位符,URL可以用一种统一的格式来描述各种信息资源，包括文件、服务器的地址和目录等.URL的格式由三部分组成：第一部分是协议(或称为服务方式)。第二部分是存有该资源的主机IP地址(有时也包括端口号)。第三部分是主机资源的具体地址，如目录和文件名等。第一部分和第二部分用“://”符号隔开，第二部分和第三部分用“/”符号隔开。第一部分和第二部分是不可缺少的，第三部分有时可以省略。如：http://www.jianshu.com/collection/dfcf1390085c

网络爬虫就是根据这些URL获取网页信息，再对获取到的网页源代码进行解析出所需要的信息。

3：urllib 库的使用简介

python2 和 python3中使用这个库的方法不一样，具体参考文档说明在python3中，urllib模块被拆分为urllib.request，urllib.parse 和urllib.error

以python3 为例，别问我为什么使用python3, 遇到编码问题你就懂我的好了。

序号	常用方法	解释说明
01	urllib.request.urlopen()
02	urllib.request.Request()

# 代码示例# -*- coding:utf-8 -*-# To: learn module# Date:2016.04.28# Author: wuxiaoshenimport urllib.requesturl = "http://www.geekonomics10000.com/author/admin"html = urllib.request.urlopen(url)response = html.read().decode('utf-8')print(response)

Salin selepas log masuk

网页在浏览器下的部分显示截图：

1461832263862.png

网页源代码部分截图：chrome浏览器查看

1461832494093.png

代码输出部分截图：可以看到相同的字眼，这意味着，上面代码已经成功的抓取到了网页源代码。

1461832317844.png

4：requests使用介绍

HTTP for humans

常用方法介绍：

序号	方法	解释说明
01	发送请求
02	URL传递参数
03	响应内容	存在不同的响应方式
04	添加HTTP 头部	-
05	响应状态码，响应头部	-

逐个分解使用方法：url = "http://www.geekonomics10000.com/author/admin" 会经常被我用来分析爬虫知识。本人非常喜欢这个博客：学而时嘻之

requests是第三方python库，需要自己安装。安装出问题？生命不息，折腾不止(暴露了是罗粉？)

01：发送请求，继而下载网页源代码

# 实现的和urllib代码相同的功能：# -*- coding:utf-8 -*-# To: learn module# Date:2016.04.28# Author: wuxiaoshenimport requestsurl = "http://www.geekonomics10000.com/author/admin"html = requests.get(url)response = html.textprint(response)

Salin selepas log masuk

结果部分显示截图：

1461833622056.png

02：URL传递参数

你也许经常想为URL的查询字符串(query string)传递某种数据。如果你是手工构建URL，那么数据会以键/值对的形式置于URL中，跟在一个问号的后面。例如， httpbin.org/get?key=val

比如：url = "http://yanbao.stock.hexun.com/xgq/gsyj.aspx?1=1&page=1"你想获取不同的网页，你通过翻页发现，只改动page后面的数字就可以了。你有可能为了获取更多的url,会这样：url = "http://yanbao.stock.hexun.com/xgq/gsyj.aspx?1=1&page="+str(i)

那么传递参数是怎么整的？

# -*- coding:utf-8 -*-# To: learn module# Date:2016.04.28# Author: wuxiaoshenimport requestsurl = "http://yanbao.stock.hexun.com/xgq/gsyj.aspx"data = {"1": 1, "page": 4}html = requests.get(url, params=data)print(html.url)# outputhttp://yanbao.stock.hexun.com/xgq/gsyj.aspx?page=4&1=1别问我为什么后面的位置反了，又没影响正常访问。好吧。因为字典是无序的。

Salin selepas log masuk

03：响应内容读取服务器响应的内容：

# -*- coding:utf-8 -*-# To: learn module# Date:2016.04.28# Author: wuxiaoshenimport requestsurl = "http://www.geekonomics10000.com/author/admin"html = requests.get(url)response_1 = html.text      # response_2 = html.content   # 以字节的方式访问请求响应体，对于非文本请求response_3 = html.raw       # 原始响应print(type(response_1))print(type(response_2))print(type(response_3))# output<class 'str'><class 'bytes'><class 'requests.packages.urllib3.response.HTTPResponse'># 一般选择第一种text响应...

Salin selepas log masuk

04：响应头部

防盗链和伪装成浏览器访问：防盗链就是需要在请求的头部加入Referer字段, Referer 指的是HTTP头部的一个字段, 用来表示从哪儿链接到目前的网页，采用的格式是URL。换句话说，借着 HTTP Referer 头部网页可以检查访客从哪里而来，这也常被用来对付伪造的跨网站请求。某些网站做了限制，进制爬虫的访问，此时我们可以更改HTTP的header

HTTP状态码HTTP状态码（英语：HTTP Status Code）是用以表示网页服务器HTTP响应状态的3位数字代码。比较常见的是200响应成功。403禁止访问。2xx成功3xx重定向4xx客户端错误5xx服务器错误

# -*- coding:utf-8 -*-# To: learn module# Date:2016.04.28# Author: wuxiaoshenimport requestsurl = "http://blog.csdn.net/pongba"   # 刘未鹏的CSDN博客地址html = requests.get(url)print(html.status_code)# output:403---# 添加头部信息：# -*- coding:utf-8 -*-# To: learn module# Date:2016.04.28# Author: wuxiaoshenimport requestsurl = "http://blog.csdn.net/pongba"headers = {"User-Agent": 'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/49.0.2623.110 Safari/537.36',           "Referer": 'http://blog.csdn.net/pongba/article/details/7911997'}html = requests.get(url, headers=headers)print(html.status_code)# output200

Salin selepas log masuk

如何获取头部信息：截图演示：chrome 浏览器，右键，检查。

1461836313681.png

5：实战抓取博文

获取刘未鹏博客：[BetterExplained]如何有效地记忆与学习的全部博文文章地址

# -*- coding:utf-8 -*-# To: learn module# Date:2016.04.28# Author: wuxiaoshenimport requestsimport reimport codecsclass LiuweipengBlog(object):    def __init__(self):        self.url = "http://blog.csdn.net/pongba/article/details/4033477"        self.header = {"User-Agent": 'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/49.0.2623.110 Safari/537.36',           "Referer": 'http://blog.csdn.net/pongba/article/details/7911997'}        self.pattern_content = r'<div id="article_content" class="article_content">(.*?)</div>'        self.pattern_word = r'<strong>(.*?)</strong>'        pass    def download(self):        html = requests.get(self.url, headers=self.header)        try:            if html.status_code == 200:                return html.text        except:            print("Something with it.")        pass    def parse_content(self, content):        passage = re.findall(self.pattern_content, content, re.S)        words = re.findall(self.pattern_word, str(passage), re.S)        print(words)        return words        pass    def save_content(self, passage):        filename = "blog.txt"        with codecs.open(filename, 'w',encoding='utf8') as f:            f.write(str(passage))        passif __name__ == "__main__":    Blog_passage = LiuweipengBlog()    content = Blog_passage.download()    passage = Blog_passage.parse_content(content)    Blog_passage.save_content(passage)

Salin selepas log masuk

分析过程显示：正则为什么那样写：网页源代码唯一标示啊，然后再在这里面分析，大部分文字在(.*?)注意到写的正则没有使用很复杂的表达式，就使用了(.*?)就完成了大部分任务。

1461837985361.png

效果显示：网页的文章开头：

1461837713238.png

抓取的开头：

1461837743668.png

网页的结尾：

1461837763015.png

抓取的结尾：

1461837795287.png

代码还存在好些值得优化的地方(不写注释的程序员，不是个好吃货)。你懂的。因为...我还有事。。可以先直观的看看实现过程。