码迷,mamicode.com
首页 > Web开发 > 详细

爬虫新手学习2-爬虫进阶(urllib和urllib2 的区别、url转码、爬虫GET提交实例、批量爬取贴吧数据、fidder软件安装、有道翻译POST实例、豆瓣ajax数据获取)

时间:2017-12-24 15:11:00      阅读:485      评论:0      收藏:0      [点我收藏+]

标签:type   one   函数   put   示例   2-2   port   javascrip   data   

爬虫新手学习1-爬虫基础

 

1、urllib和urllib2区别实例

urllib和urllib2都是接受URL请求相关模块,但是提供了不同的功能,两个最显著的不同如下:

urllib可以接受URL,不能创建设置headers的Request类实例,urlib2可以。

url转码

https://www.baidu.com/s?wd=%E5%AD%A6%E7%A5%9E

python字符集解码加码过程:

技术分享图片

2.爬虫GET提交实例

技术分享图片
#coding:utf-8

import urllib    #负责url编码处理
import urllib2

url = "https://www.baidu.com/s"
word = {"wd": "繁华"}
word = urllib.urlencode(word)   #转换成url编码格式(字符串)
newurl = url + "?" + word

headers = {"User-Agent": "Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/63.0.3239.84 Safari/537.36"}

request = urllib2.Request(newurl, headers=headers)

response = urllib2.urlopen(request)

print response.read()
View Code

 

#coding:utf-8

import urllib    #负责url编码处理
import urllib2

url = "https://www.baidu.com/s"
word = {"wd": "咖菲猫"}
word = urllib.urlencode(word)   #转换成url编码格式(字符串)
newurl = url + "?" + word

headers = {"User-Agent": "Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/63.0.3239.84 Safari/537.36"}

request = urllib2.Request(newurl, headers=headers)

response = urllib2.urlopen(request)

print response.read()

自定义爬虫GET提交实例

技术分享图片
#coding:utf-8

import urllib    #负责url编码处理
import urllib2

url = "https://www.baidu.com/s"
keyword = raw_input("请输入要查询的关键字:")
word = {"wd": keyword}
word = urllib.urlencode(word)   #转换成url编码格式(字符串)
newurl = url + "?" + word

headers = {"User-Agent": "Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/63.0.3239.84 Safari/537.36"}

request = urllib2.Request(newurl, headers=headers)

response = urllib2.urlopen(request)

print response.read()
View Code

3.批量爬取贴吧页面数据

 分析贴吧URL

http://tieba.baidu.com/f?kw=%E7%BB%9D%E5%9C%B0%E6%B1%82%E7%94%9F

pn递增50为一页

0为第一页

http://tieba.baidu.com/f?kw=%E7%BB%9D%E5%9C%B0%E6%B1%82%E7%94%9F&pn=0

50为第二页

http://tieba.baidu.com/f?kw=%E7%BB%9D%E5%9C%B0%E6%B1%82%E7%94%9F&pn=50

100为第三页

http://tieba.baidu.com/f?kw=%E7%BB%9D%E5%9C%B0%E6%B1%82%E7%94%9F&pn=100

  批量爬贴吧实例

技术分享图片
#coding:utf-8

import urllib
import urllib2


def loadPage(url, filename):
    ‘‘‘
        作用:根据url发送请求, 获取服务器响应文件
        url:需要爬取的url地址
        filename:文件名
    ‘‘‘

    print "正在下载" + filename

    headers = {
        "User-Agent": "Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/63.0.3239.84 Safari/537.36"}

    request = urllib2.Request(url, headers = headers)
    response = urllib2.urlopen(request)
    return response.read()


def writeFile(html, filename):
    ‘‘‘
        作用:保存服务器相应文件到本地硬盘文件里
        html:服务器相应文件
        filename:本地磁盘文件名
    ‘‘‘

    print "正在存储" + filename
    with open(unicode(filename, utf-8), w) as f:
        f.write(html)
    print "-" * 20


def tiebaSpider(url, beginPage, endPage, name):
    ‘‘‘
        作用:负责处理url,分配每个url去发送请求
        url:需要处理的第一个url
        beginPage:爬虫执行的起始页面
        endPage:爬虫执行的截止页面
    ‘‘‘
    for page in range(beginPage, endPage + 1):
        pn = (page - 1) * 50

        filename = "" + name + "-" + str(page) + "页.html"
        #组合为完整的url,并且pn值每次增加50
        fullurl = url + "&pn=" + str(pn)
        #print fullurl

        #调用loadPage()发送请求获取HTML页面
        html = loadPage(fullurl, filename)
        #将获取到的HTML页面写入本地磁盘文件
        writeFile(html, filename)



#模拟main函数"
if __name__ == "__main__":
    kw = raw_input("请输入需要爬取的贴吧:")
    beginPage = int(raw_input("请输入起始页:"))
    endPage = int(raw_input("请输入终止页:"))

    url = "http://tieba.baidu.com/f?"
    key = urllib.urlencode({"kw": kw})

    #组合后的url示例:http://tieba.baidu.com/f?kw=绝地求生
    newurl = url + key
    tiebaSpider(newurl, beginPage, endPage, kw)
View Code

4.Fidder使用安装

下载fidder

 

安装后,照下图设置

技术分享图片

 

技术分享图片

技术分享图片

 

5.有道翻译POST分析

 

技术分享图片

调用有道翻译POST API实例

技术分享图片
#coding:utf-8

import urllib
import urllib2

#通过抓包的方式获取的url,并不是浏览器上显示的url
url = "http://fanyi.youdao.com/translate?smartresult=dict&smartresult=rule&smartresult=ugc&sessionFrom=null"

#完整的headers
headers = {
    "Accept": "application/json, text/javascript, */*; q=0.01",
    "Origin": "http://fanyi.youdao.com",
    "X-Requested-With": "XMLHttpRequest",
    "User-Agent": "Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/63.0.3239.84 Safari/537.36",
    "Content-Type": "application/x-www-form-urlencoded; charset=UTF-8"
}

#用户接口输入
key = raw_input("请输入需要翻译的英文单词:")

#发送到web服务器的表单数据
formdata = {
    "i": key,
    "from": "AUTO",
    "to": "AUTO",
    "smartresult": "dict",
    "client": "fanyideskweb",
    "salt": "1513519318944",
    "sign": "29e3219b8c4e75f76f6e6aba0bb3c4b5",
    "doctype": "json",
    "version": "2.1",
    "keyfrom": "fanyi.web",
    "action": "FY_BY_REALTIME",
    "typoResult": "false"
}

#经过urlencode转码
data = urllib.urlencode(formdata)

#如果Request()方法里的data参数有值,那么这个请求就是POST
#如果没有,就是Get
request = urllib2.Request(url, data= data, headers= headers)

print urllib2.urlopen(request).read()
View Code

6.Ajax加载方式的数据获取

豆瓣分析Ajax

技术分享图片

 爬取豆瓣电影排行信息实例

技术分享图片
#coding:utf-8

import urllib2
import urllib

url = "https://movie.douban.com/j/chart/top_list?type=11&interval_id=100%3A90&action="

headers = {"User-Agent": "Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/63.0.3239.84 Safari/537.36"}

formdata = {
    "start": "0",
    "limit": "20"
}

data = urllib.urlencode(formdata)

request = urllib2.Request(url, data = data, headers = headers)

print urllib2.urlopen(request).read()
View Code

 

爬虫新手学习2-爬虫进阶(urllib和urllib2 的区别、url转码、爬虫GET提交实例、批量爬取贴吧数据、fidder软件安装、有道翻译POST实例、豆瓣ajax数据获取)

标签:type   one   函数   put   示例   2-2   port   javascrip   data   

原文地址:http://www.cnblogs.com/fanhua999/p/8098070.html

(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!