python爬虫基础
python requests常用库
[文章链接](https://www.cnblogs.com/lilinwei340/p/6417689.html)
python2.x与3.x
urllib库在python2与python3中的区别
Urllib是python提供的一个用于操作url的模块。
在python2中，有urllib库和urllib2库。在python3中，urllib2合并到urllib库中,我们爬取网页的时候，经常用到这个库。
升级合并后，模块中包的位置变化的地方较多。
以下是python2与python3中常用的关于urllib库的变化：
1.在python2中使用import urllib2————对应的，在python3中会使用import urllib.request,urllib.error
2.在python2中使用import urllib————对应的，在python3中会使用import urllib.request,urllib.error,urllib.parse
3.在python2中使用import urlparse————对应的，在python3中会使用import urllib.parse
4.在python2中使用urllib2.urlopen————对应的，在python3中会使用urllib.request.urlopen
5.在python2中使用urllib.urlencode————对应的，在python3中会使用urllib.parse.urlencode
6.在python2中使用urllib.quote————对应的，在python3中会使用urllib.request.quote
7.在python2中使用cookielib.CookieJar————对应的，在python3中会使用http.CookieJar
8.在python2中使用urllib2.Request————对应的，在python3中会使用urllib.request.Request
9.cookielib 用 http.cookiejar 代替
10.print " " 用 print(" ") 代替
11.urllib2.URLError 用 urllib.error.URLError 代替
12.urllib2.HTTPError 用 urllib.error.HTTPError 代替
13.except urllib2.URLError, e: 用 except urllib.error.URLError as e: 代替
14.response.text返回的是Unicode类型的数据，
response.content返回的是buyes型也就是二进制的数据
参考：[文章](https://www.cnblogs.com/dplearning/p/4854746.html)
简单测试爬行
from urllib.request import urlopen
response = urlopen("http://www.baidu.com")
a=response.read()
print(a)//3.x版本print已经是一个函数，所以需要加括号
上述代码就可轻松爬行出baidu的网页源码
首先我们调用的是urllib2库里面的urlopen方法，传入一个URL,urlopen函数是有三个参数的，urlopen(url,data,timeout)
url为需要打开的网址
data为要传输的数据如post或者get参数
timeout延迟设置
headers设置模拟浏览器
1. 有些网站不会同意程序直接用上面的方式进行访问，如果识别有问题，那么站点根本不会响应，所以为了完全模拟浏览器的工作，我们需要设置一些Headers 的属性，agent就是请求的身份，如果没有写入请求身份，那么服务器不一定会响应，所以可以在headers中设置agent。
防盗链的时候服务器会识别headers中的refer是不是它自己，如果不是，服务器不会响应，所以我们需要在headers加入refer。例：
headers = { 'User-Agent' : 'Mozilla/4.0 (compatible; MSIE 5.5;
Windows NT)','Referer':'http://www.zhihu.com/articles' }
代理设置
2. 假如一个网站它会检测某一段时间某个IP 的访问次数，如果访问次数过多，它会禁止你的访问。所以你可以设置一些代理服务器来帮助你做工作，每隔一段时间换一个代理。代码如：
import urllib2
enable_proxy = True
proxy_handler = urllib2.ProxyHandler({"http" : 'http://some- proxy.com:8080'})
null_proxy_handler = urllib2.ProxyHandler({})
if enable_proxy:
opener = urllib2.build_opener(proxy_handler)
else:
opener = urllib2.build_opener(null_proxy_handler)
urllib2.install_opener(opener)
timeout延迟
3. 有些网站等待超时，为了解决一些网站实在响应过慢而造成的影响，用到timeout参数
import urllib2
response = urllib2.urlopen('http://www.baidu.com', timeout=10)
# python字符串str和字节数组相互转化方法 #
# bytes object
b = b"example"
# str object
s = "example"
# str to bytes
bytes(s, encoding = "utf8")
# bytes to str
str(b, encoding = "utf-8")
# an alternative method
# str to bytes
str.encode(s)
# bytes to str
bytes.decode(b)
爬行糗事百科
贴脚本：
#coding:utf-8
import requests
import base64
import re
url='https://www.qiushibaike.com/'
s=requests.Session()
r=s.get(url)
b=r.text
b=re.findall(r'(<div class="content">([\s\S])<span>([\s\S]){3}.*([\s\S]){2}</span>)+([\s\S])',b)
#b =''.join(b)
#a=matchaaa.replace(" "," ")
f=open('1.txt')
#b=matchaaa
b=f.read()
b=b.replace("<span>"," ")
b=b.replace('<div class="content">'," ")
b=b.replace("</span>"," ")
b=b.replace("'\\n'"," ")
b=b.replace("\\n"," ")
if b:
print(b)
备注解析
1.正则的search()函数，这个函数可以找到一个匹配的字符串返回，但是想找到所有匹配的字符串返回，需要使用findall，findall函数返回的总是正则表达式在字符串中所有匹配结果的列表，此处主要讨论列表中“结果”的展现方式，即findall中返回列表中每个元素包含的信息。因为返回形式为数组所以后面replace格式出了某些问题暂不明。
2.b=r.text 或者 b=r.content.decode()都可 格式class str
3.这里直接将抓取的b去replace报错，不明白为啥欢迎大牛指出，所以保存了一个文件中再读取，格式就正确。
4.\n 正则那里需要转义一个\
5.爬虫最好用beautiful soup，本文只是为了练习正则等python用法。
参考：[文章](https://cuiqingcai.com/954.html)
---
网友评论