码迷,mamicode.com
首页 > 编程语言 > 详细

python爬虫----(1. 基本模块)

时间:2014-08-20 00:10:25      阅读:376      评论:0      收藏:0      [点我收藏+]

标签:style   http   使用   os   数据   for   ar   div   

    python爬虫,web spider。爬取网站获取网页数据,并进行分析提取。

    基本模块使用的是 urllib,urllib2,re,等模块

(一)基本用法,例子

    (1)进行基本GET请求,获取网页html

#!coding=utf-8
import urllib
import urllib2

url = ‘http://www.baidu.com/‘
# 获取请求
request = urllib2.Request(url)
try:
    # 根据request,得到返回response
    response = urllib2.urlopen(request)
except urllib2.HTTPError, e:
    if hasattr(e, ‘reason‘):
        print e.reason
# 读取response的body
html = response.read()
# 读取response的headers
headers = response.info()

    (2)表单提交

#!coding=utf-8
import urllib2
import urllib

post_url = ‘‘

post_data = urllib.urlencode({
    ‘username‘: ‘username‘,
    ‘password‘: ‘password‘,
})

post_headers = {
    ‘User-Agent‘: ‘Mozilla/5.0 (X11; Ubuntu; Linux i686; rv:31.0) Gecko/20100101 Firefox/31.0‘,
}

request = urllib2.Request(
    url=post_url,
    data=post_data,
    headers=post_headers,
)

response = urllib2.urlopen(request)

html = response.read()

    (3)

#!coding=utf-8

import urllib2
import re

page_num = 1
url = ‘http://tieba.baidu.com/p/3238280985?see_lz=1&pn=‘+str(page_num)
myPage = urllib2.urlopen(url).read().decode(‘gbk‘)

myRe = re.compile(r‘class="d_post_content j_d_post_content ">(.*?)</div>‘, re.DOTALL)
items = myRe.findall(myPage)

f = open(‘baidu.txt‘, ‘a+‘)

import sys
reload(sys)
sys.setdefaultencoding(‘utf-8‘)

i = 0
texts = []
for item in items:
    i += 1
    print i
    text = item.replace(‘<br>‘, ‘‘)
    text.replace(‘\n‘, ‘‘).replace(‘ ‘, ‘‘) + ‘\n‘
    print text
    f.write(text)

f.close()

    (4)

#coding:utf-8
‘‘‘
    模拟登陆163邮箱并下载邮件内容

‘‘‘
import urllib
import urllib2
import cookielib
import re
import time
import json

class Email163:
    header = {‘User-Agent‘:‘Mozilla/5.0 (Windows; U; Windows NT 6.1; en-US; rv:1.9.1.6) Gecko/20091201 Firefox/3.5.6‘}
    user = ‘‘
    cookie = None
    sid = None
    mailBaseUrl=‘http://twebmail.mail.163.com‘

    def __init__(self):
        self.cookie = cookielib.CookieJar()
        cookiePro = urllib2.HTTPCookieProcessor(self.cookie)
        urllib2.install_opener(urllib2.build_opener(cookiePro))

    def login(self,user,pwd):
        ‘‘‘
            登录
        ‘‘‘
        postdata = urllib.urlencode({
                ‘username‘:user,
                ‘password‘:pwd,
                ‘type‘:1
            })
        #注意版本不同,登录URL也不同
        req = urllib2.Request(
                url=‘https://ssl.mail.163.com/entry/coremail/fcg/ntesdoor2?funcid=loginone&language=-1&passtype=1&iframe=1&product=mail163&from=web&df=email163&race=-2_45_-2_hz&module=&uid=‘+user+‘&style=10&net=t&skinid=null‘,
                data=postdata,
                headers=self.header,
            )
        res = str(urllib2.urlopen(req).read())
        #print res
        patt = re.compile(‘sid=([^"]+)‘,re.I)
        patt = patt.search(res)

        uname = user.split(‘@‘)[0]
        self.user = user
        if patt:
            self.sid = patt.group(1).strip()
            #print self.sid
            print ‘%s Login Successful.....‘%(uname)
        else:
            print ‘%s Login failed....‘%(uname)


    def getInBox(self):
        ‘‘‘
            获取邮箱列表
        ‘‘‘
        print ‘\nGet mail lists.....\n‘
        sid = self.sid
        url = self.mailBaseUrl+‘/jy3/list/list.do?sid=‘+sid+‘&fid=1&fr=folder‘
        res = urllib2.urlopen(url).read()
        #获取邮件列表
        mailList = []
        patt = re.compile(‘<div\s+class="tdLike Ibx_Td_From"[^>]+>.*?href="([^"]+)"[^>]+>(.*?)<\/a>.*?<div\s+class="tdLike Ibx_Td_Subject"[^>]+>.*?href="[^>]+>(.*?)<\/a>‘,re.I|re.S)
        patt = patt.findall(res)
        if patt==None:
            return mailList

        for i in patt:
            line =  {
                    ‘from‘:i[1].decode(‘utf8‘),
                     ‘url‘:self.mailBaseUrl+i[0],
                     ‘subject‘:i[2].decode(‘utf8‘)
                     }
            mailList.append(line)

        return mailList


    def getMailMsg(self,url):
        ‘‘‘
            下载邮件内容
        ‘‘‘
        content=‘‘
        print ‘\n Download.....%s\n‘%(url)
        res = urllib2.urlopen(url).read()

        patt = re.compile(‘contentURL:"([^"]+)"‘,re.I)
        patt = patt.search(res)
        if patt==None:
            return content
        url = ‘%s%s‘%(self.mailBaseUrl,patt.group(1))
        time.sleep(1)
        res = urllib2.urlopen(url).read()
        Djson = json.JSONDecoder(encoding=‘utf8‘)
        jsonRes = Djson.decode(res)
        if ‘resultVar‘ in jsonRes:
            content = Djson.decode(res)[‘resultVar‘]
        time.sleep(3)
        return content


‘‘‘
    Demon
‘‘‘
#初始化
mail163 = Email163()
#登录
mail163.login(‘lpe234@163.com‘,‘944898186‘)
time.sleep(2)

#获取收件箱
elist = mail163.getInBox()

#获取邮件内容
for i in elist:
    print ‘主题:%s   来自:%s  内容:\n%s‘%(i[‘subject‘].encode(‘utf8‘),i[‘from‘].encode(‘utf8‘),mail163.getMailMsg(i[‘url‘]).encode(‘utf8‘))


python爬虫----(1. 基本模块),布布扣,bubuko.com

python爬虫----(1. 基本模块)

标签:style   http   使用   os   数据   for   ar   div   

原文地址:http://my.oschina.net/lpe234/blog/304511

(0)
(0)
   
举报
评论 一句话评论(0
登录后才能评论!
© 2014 mamicode.com 版权所有  联系我们:gaon5@hotmail.com
迷上了代码!