美文网首页Python爬虫之路
Python爬虫之路(二)| 爬虫的第一步

Python爬虫之路(二)| 爬虫的第一步

作者: Yellodon | 来源:发表于2018-01-26 15:59 被阅读201次

    作者:xiaoyu
    微信公众号:Python爬虫之路
    segmentfault:https://segmentfault.com/blog/pypc


    第一个爬虫代码的实现我想应该是从urllib开始吧,博主开始学习的时候就是使用urllib库敲了几行代码就实现了简单的爬数据功能,我想大多伙伴们也都是这么过来的。当时的感觉就是:哇,好厉害,短短几行竟然就可以搞定一个看似很复杂的任务,于是就在想这短短的几行代码到底是怎么实现的呢,如何进行更高级复杂的爬取呢?带着这个问题我也就开始了urllib库的学习。

    首先不得不提一下爬取数据的过程,弄清楚这到底是怎样一个过程,学习urllib的时候会更方便理解。

    1. 爬虫的过程


    其实,爬虫的过程和浏览器浏览网页的过程是一样的。道理大家应该都明白,就是当我们在键盘上输入网址点击搜索之后,通过网络首先会经过DNS服务器,分析网址的域名,找到了真正的服务器。然后我们通过HTTP协议对服务器发出GETPOST请求,若请求成功,我们就得到了我们想看到的网页,一般都是用HTML, CSS, JS等前端技术来构建的,若请求不成功,服务器会返回给我们请求失败的状态码,常见到的503403等。

    爬虫的过程亦是如此,通过对服务器发出请求得到HTML网页,然后对下载的网页进行解析,得到我们想要的内容。当然,这是一个爬虫过程的一个概况,其中还有很多细节的东西需要我们处理的,这些在后续会继续与大家分享。

    了解了爬虫的基本过程后,就可以开始我们真正的爬虫之旅了。

    2. urllib库


    Python有一个内置的urllib库,可谓是爬虫过程非常重要的一部分了。这个内置库的使用就可以完成向服务器发出请求并获得网页的功能,所以也是学习爬虫的第一步了。

    博主用的是Python3.x,urllib库的结构相对于Python2.x有一些出入,Python2.x中使用的urllib2和urllib库,而Python3.x中合并成一个唯一的urllib库。

    首先,我们来看看Python3.x的urllib库都有什么吧。

    博主用的IDE是Pycharm,编辑调试非常方便,很赞。
    在控制台下输入如下代码:

    >>importurllib
    >>dir(urllib)
    
    ['__builtins__','__cached__', '__doc__', '__file__', '__loader__', '__name__', '__package__','__path__', '__spec__', 'error', 'parse', 'request', 'response']
    

    可以看到urllib除了以双下划线开头结尾的内置属性外,还有4个重要的属性,分别是errorparserequestresponse

    在Python的urllib库中doc开头是这样简短描述的:

    • Error:“Exception classesraised by urllib.”----就是由urllib举出的exception类
    • Parse:“Parse (absolute andrelative) URLs.”----解析绝对和相对的URLs
    • Request:“An extensiblelibrary for opening URLs using a variety of protocols”
      ----用各种协议打开URLs的一个扩展库
    • Response:“Response classesused by urllib.”----被urllib使用的response类

    这4个属性中最重要的当属request了,它完成了爬虫大部分的功能,我们先来看看request是怎么用的。

    request的使用

    request请求最简单的操作是用urlopen方法,代码如下:

    import urllib.request
    response = urllib.request.urlopen('http://python.org/')
    result = response.read()
    print(result)
    

    运行结果如下:

    b'<!doctype html>\n<!--[if lt IE 7]>...</body>\n</html>\n'
    

    发现得到的运行结果竟然是乱码!!别着急,这是因为编码的问题,我们只需要将请求的类文件读取再解码就可以了。

    修改代码如下:

    import urllib.request
    response = urllib.request.urlopen('http://python.org/')
    result = response.read().decode('utf-8')
    print(result)    
    

    运行结果如下:

    <!doctype html>
    <!--[if lt IE 7]>   <html class="no-js ie6 lt-ie7 lt-ie8>..
    <!--[if IE 7]>      <html class="no-js ie7 lt-ie8 lt-ie9">.. 
    <!--[if IE 8]>      <html class="no-js ie8 lt-ie9">                 <![endif]-->
    <!--[if gt IE 8]><!--><html class="no-js" lang="en" dir="ltr"
    
    <head>
        <meta charset="utf-8">
    ...
    

    得到的就是我们想要的html的网页了,怎么样,简单吧。

    下面来介绍一下这个urlopen方法和其中应用的参数。

    urlopen方法

    def urlopen(url, data=None, timeout=socket._GLOBAL_DEFAULT_TI
                MEOUT,*, cafile=None, capath=None, 
                cadefault=False, context=None):
    

    urlopen是request的其中一个方法,功能是打开一个URL,URL参数可以是一串字符串(如上例子中一样),也可以是Request对象(后面会提到)。

    • url:即是我们输入的url网址,(如:http://www.xxxx.com/);

    • data:是我们要发给服务器请求的额外信息(比如登录网页需要主动填写的用户信息)。如果需要添加data参数,那么是POST请求,默认无data参数时,就是GET请求;

      • 一般来讲,data参数只有在http协议下请求才有意义
      • data参数被规定为byte object,也就是字节对象
      • data参数应该使用标准的结构,这个需要使用urllib.parse.urlencode()将data进行 转换,而一般我们把data设置成字典格式再进行转换即可;data在以后实战中会介绍如何使用
    • timeout:是选填的内容,定义超时时间,单位是秒,防止请求时间过长,不填就是默认的时间;

    • cafile:是指向单独文件的,包含了一系列的CA认证 (很少使用,默认即可);

    • capath:是指向文档目标,也是用于CA认证(很少使用,默认即可);

    • cafile:可以忽略

    • context:设置SSL加密传输(很少使用,默认即可);

    它会返回一个类文件对象,并可以针对这个对象进行各种操作(如上例中的read操作,将html全部读出来),其它常用方法还有:

    • geturl(): 返回URL,用于看是否有重定向。
     result = response.geturl()
    

    结果: https://www.python.org/

    • info():返回元信息,例如HTTP的headers。
     result = response.info()
    

    结果:

    x-xss-protection: 1; mode=block
    X-Clacks-Overhead: GNU Terry Pratchett
    ...
    Vary: Cookie   
    Strict-Transport-Security: max-age=63072000;includeSubDomains
    
    • getcode():返回回复的HTTP状态码,成功是200,失败可能是503等,可以用来检查代理IP的可使用性。
    result = response.getcode()
    

    结果:200

    Request方法

    class Request:
        def __init__(self, url, data=None, headers={},
                     origin_req_host=None, unverifiable=False,
                     method=None):
    

    如上定义,Request是一个类,初始化中包括请求需要的各种参数:

    • urldata和上面urlopen中的提到的一样。
    • headers是HTTP请求的报文信息,如User_Agent参数等,它可以让爬虫伪装成浏览器而不被服务器发现你正在使用爬虫。
    • origin_reg_host, unverifiable, method等不太常用
      headers很有用,有些网站设有反爬虫机制,检查请求若没有headers就会报错,因此博主为保证爬虫的稳定性,基本每次都会将headers信息加入进去,这是反爬的简单策略之一。

    那么如何找到你所在浏览器的headers呢?

    可以通过进入浏览器F12查看到
    比如,博主用的Chrome浏览器,按F12->network就可以查看request的headers,可以把这个浏览器的headers信息复制下来使用。

    下面来看看Request如何使用吧,代码如下:

    import urllib.request
    headers = {'User_Agent': ''}
    response = urllib.request.Request('http://python.org/', headers=headers)
    html = urllib.request.urlopen(response)
    result = html.read().decode('utf-8')
    print(result)
    

    结果和前面urlopen是一样的,前面提到urlopen除了可以接受指定参数,也可以接受Request类的对象。' '里面填写自己浏览器的信息即可。

    urllib库的requset属性里面还有很多其它方法,代理超时认证、HTTP的POST模式下请求等内容将在下次进行分享,这次主要介绍基本功能。

    下面来说说异常,urllib库的error方法。

    error的使用

    error属性里面主要包括了两个重要的 exception类,URLError类和HTTPError类。

    1. URLError类

    def __init__(self, reason, filename=None):
        self.args = reason,
        self.reason = reason
        if filename is not None:
            self.filename = filename
    
    • URLError类是OSError的子类,继承OSError,没有自己的任何行为特点,但是将作为error里面所有其它类型的基类使用。
    • URLError类初始化定义了reason参数,意味着当使用URLError类的对象时,可以查看错误的reason
      2. HTTPErro类
    def __init__(self, url, code, msg, hdrs, fp):
        self.code = code
        self.msg = msg
        self.hdrs = hdrs
        self.fp = fp
        self.filename = url
    
    • HTTPErrorURLError的子类,当HTTP发生错误将举出HTTPError

    -HTTPError也是HTTP有效回应的实例,因为HTTP协议错误是有效的回应,包括状态码,headers和body。所以看到在HTTPError初始化的时候定义了这些有效回应的参数。

    • 当使用HTTPError类的对象时,可以查看状态码,headers等。

    下面我们用一个例子来看一下如何使用这两个exception类。

    import urllib.request
    import urllib.error
    try:
        headers = {'User_Agent': 'Mozilla/5.0 (X11; Ubuntu; 
                    Linux x86_64; rv:57.0) Gecko/20100101 
                    Firefox/57.0'}
        response = urllib.request.Request('http://python.org/', 
                                           headers=headers)
        html = urllib.request.urlopen(response)
        result = html.read().decode('utf-8')
    except urllib.error.URLError as e:
        if hasattr(e, 'reason'):
            print('错误原因是' + str(e.reason))
    except urllib.error.HTTPError as e:
        if hasattr(e, 'code'):
            print('错误状态码是' + str(e.code))
    else:
        print('请求成功通过。')
    

    以上代码使用了try..exception的结构,实现了简单的网页爬取,当有异常时,如URLError发生时,就会返回reason,或者HTTPError发生错误时就会返回code。异常的增加丰富了爬取的结构,使其更加健壮。

    为什么说更加健壮了呢?

    不要小看了这些异常的错误,这些异常的错误非常好用,也非常关键。想想看,当你编写一个需要不断自动运行爬取并解析的代码时,你是不希望程序中间被打断而终止的。如果这些异常状态没有设置好,那么就很有可能弹出错误而被终止,但如果设置好了完整的异常,则遇到错误时就会执行发生错误的代码而不被打断(比如向上面代码一样打印错误code等)。

    这些打断程序的错误可能是很多种,尤其当你使用代理ip池的时候,会发生很多不同错误,这时异常就起到作用了。

    3. 总结


    • 介绍了爬虫的定义和学习路线
    • 介绍了爬虫的过程
    • 介绍开始爬虫学习的urllib库的使用,包含以下几个方法:
    • request请求: urlopen, Request
    • error异常

    关注微信公众号Python爬虫之路,发送<学习资料>获取学习电子书~
    博主会一直更新精彩内容,并分享更多的实战讲解,带你走进爬虫世界~

    相关文章

      网友评论

        本文标题:Python爬虫之路(二)| 爬虫的第一步

        本文链接:https://www.haomeiwen.com/subject/dlhwaxtx.html