目录：
urllib的爬虫案例－通过最原始的爬虫方式
爬虫之前如果抓包工具Fiddler证书安装失败，采用以下方法
1、打开cmd
2、进入fillder的目录
如下：
里面的路径改成你自己的安装路径cd /d "D:\Program Files (x86)\Fiddler2"然后再执行下面命令
makecert.exe -r -ss my -n "CN=DO_NOT_TRUST_FiddlerRoot, O=DO_NOT_TRUST, OU=Created by http://www.fiddler2.com" -sky signature -eku 1.3.6.1.5.5.7.3.1 -h 1 -cy authority -a sha1 -m 120 -b 09/05/2012下面提共一个批处理，打开你的fiddler2的目录把下面代码保存成一个creat.bat文件直接双击运行
cd %cd% makecert.exe -r -ss my -n "CN=DO_NOT_TRUST_FiddlerRoot, >O=DO_NOT_TRUST, OU=Created by http://www.fiddler2.com" -sky >signature -eku 1.3.6.1.5.5.7.3.1 -h 1 -cy authority -a sha1 -m 120 -b >09/05/2012 pause
- 另外GET和POST数据传送的却别在于GET方式是直接以链接形式访问，链接中包含了所有的参数，同时也包含了自己密码，包含了密码的话是一种不安全的选择，不过优点在于可以直观地看到自己提交了什么内容。POST则不会在网址上显示所有的参数。
代码操作（一）爬取百度贴吧数据（GET方式爬取数据
,这里爬取的是战狼2贴吧的html）
# -*- coding:utf-8 -*-
#引入需要的模块
import urllib #用于进行中文编码
import urllib2 #用于进行爬虫核心处理
#定义一个函数，用于爬取对应的数据
def load_url(url,file_name):
'''
作用：针对指定的url地址，进行数据的获取
:param url: 要爬取数据的具体url地址
:param file_name: 要保存的文件名称；在当前函数中，只做提示使用
:return: 爬取的数据
'''
print('开始爬取%s的内容'%file_name)
#爬取程序
my_headers={
'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/59.0.3071.104 Safari/537.36',
}
request = urllib2.Request(url,headers=my_headers)
content = urllib2.urlopen(request).read()
print('爬取%s的内容完成！'%file_name)
return content
#定义一个函数，用于保存数据
def save_data(data,file_name):
'''
作用：主要用于进行数据存储
:param data: 要存储的数据
:param file_name: 要存储的文件名称
:return: 无
'''
print('开始保存%s的内容'%file_name)
with open(file_name,'w') as f:
f.write(data)
print('保存%s的内容完成！'%file_name)
#定义函数，进行爬虫的核心处理功能
def spider(url,kw,begin,end):
'''
用于进行核心爬虫功能的调度
:param url: 要爬取的地址
:param kw: 贴吧名称
:param begin: 起始页码
:param end: 结束页码
:return: 无
'''
for page in range(begin,end+1):
#计算需要的页码
pn = (page-1)*50
#进行kw参数的编码
kw = urllib.urlencode({'kw':kw})
#拼接url地址
full_url = url + kw +'&pn=' +str(pn)
#定义一个保存文件的名称
file_name = '网页'+str(page) +'.html'
#开始爬取数据
html=load_url(full_url,file_name)
#保存数据到文件
save_data(html,file_name)
#主程序运行入口
if __name__ == '__main__':
#用户输入相关数据
url='http://tieba.baidu.com/f?'
kw = raw_input('请输入要爬取的贴吧名称：')
begin = int(raw_input('请输入开始页码：'))
end = int(raw_input('请输入结束页码：'))
#调用爬虫开始执行
spider(url,kw,begin,end)
得到两个文件，分别是战狼2贴吧首页和第二页的html代码
代码操作（二）爬取百度清纯妹子图(GET方式爬取Ajax数据)
# -*- coding:utf-8 -*-
import urllib
import urllib2
url = 'http://image.baidu.com/search//acjson?tn=resultjson_com&ipn=rj&ct=201326592&is=&fp=result&queryWord=%E9%9D%92%E6%98%A5%E5%A6%B9%E5%AD%90%E5%9B%BE&cl=2&lm=-1&ie=utf-8&oe=utf-8&adpicid=&st=&z=&ic=&word=%E9%9D%92%E6%98%A5%E5%A6%B9%E5%AD%90%E5%9B%BE&s=&se=&tab=&width=&height=&face=&istype=&qc=&nc=&fr=&pn=30&rn=30&gsm=1e&1502192101260='
#请求头描述信息
header = {
'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/59.0.3071.104 Safari/537.36',
}
#包装请求对象
request = urllib2.Request(url,headers=header)
#根据请求对象发送数据请求，获取服务器返回的响应对象
response = urllib2.urlopen(request)
#获取响应对象中的数据
content = response.read()
#将获取的数据保存在文件中
with open('qing.json','w') as f:
f.write(content)
爬取的图片链接
代码操作（三）爬取豆瓣电影数据(POST方式爬取Ajax数据)
# -*- coding:utf-8
import urllib
import urllib2
url = 'https://movie.douban.com/j/new_search_subjects?sort=T&range=0,10'
#要传递的post方式嗯对数据，有可能会有多组数据
submit_data = {
'start':20,
'tags':'喜剧'
}
#编码
data = urllib.urlencode(submit_data)
#构造请求头，创建请求对象
headers = {
"Accept" : "application/json, text/plain, */*",
"User-Agent" : "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/60.0.3112.7 Safari/537.36",
"Accept-Language" : "zh-CN,zh;q=0.8"
}
request = urllib2.Request(url,data,headers)
#发送请求，获取服务器响应数据
response = urllib2.urlopen(request)
#获取爬取到的数据
content = response.read()
#保存数据
with open('movies.json','w') as f:
f.write(content)
代码操作（四）爬取qq空间数据(验证登录，在创建请求对象时，需加入cookie)
# -*- coding:utf-8 -*-
#引入需要的模块
import urllib
import urllib2
url = 'https://user.qzone.qq.com/695282462/infocenter'
my_header = {
"User-Agent" : "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko)
Chrome/60.0.3112.7 Safari/537.36",
"Accept" : "text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,
image/apng,*/*;q=0.8",
"Accept-Language" : "zh-CN,zh;q=0.8",
'Cookie':'ptisp=ctc; RK=WY0mdGAKSq; ptcz=ed3988f5c1d469e118b8b58fd5afcda9770e51b2ed
2891a36c3445bd76a9efe7; pt2gguin=o0(QQ号码); uin=o0(QQ号码); skey=@ctrB6l4vj'
}
request = urllib2.Request(url,headers=my_header)
response = urllib2.urlopen(request)
html = response.read()
with open('qzone.html','w') as f:
f.write(html)
爬取到个人空间当前显示内容的html代码
如果你觉得我的文章还可以，可以关注我的微信公众号：Python攻城狮
可扫描二维码，添加关注
网友评论