首页 > 代码库 > Python爬虫初识
Python爬虫初识
暑假学的,并写的笔记。现在把他写到博客上,也是复习一波。寒假继续学习。争取写个帮我抢火车票的。
因为学的是python2.7x。。。。
所以用的urllib
原来可以在submile 中运行python代码。。。。。。。ctrl+b 就会在下面显示了
dir(urllib)就会显示这个模块的方法
help(urllib.open)就会显示这个方法的参数啊什么的
urlopen有3个参数,第一个url,第二个data,第三个代理
可以对一个对象进行dir,然后就能看到这个对象的可以用的方法了
原来写baidu.com 进入到了www.baidu.com是301重定向啊!!
403禁止访问
30x重定向
50x是服务器问题
python的urllib有一个直接把网页下载下来的!!!!方法
urllib.urlretrieve(url,’保存路径’)
urlretrieve
直接就下载了
#!/usr/bin/env python
# -*- coding: utf-8 -*-
import urllib
url = ‘http://www.163.com‘
html = urllib.urlopen(url)
# print html.read()
print html.getcode()
urllib.urlretrieve(url,‘c:/aaa.html‘)
html.close()
一定要记得关闭啊!!!!close
另一种下载网页的方法
html = html.read()
with open(‘c:a1.txt‘,‘wb‘) as f:
f.write(html)
python 有个方法连用
html = urllib.urlopen(url).read()
print html
要不然就要不写read(),然后在html = html.read()
如果只是进行逐个操作的话可以这么写
经常会出现编码错误,乱码,就要去看看网页是什么类型的编码,就是看源代码,然后看看是什么如 utf-8、GBK等等
然后在read()后就decode()把他解析了,然后再点encode()编码成自己想要的
可以在decode里面写(‘gbk’,’ignore’)ignore是忽略一些错误的编码,有可能一个网页中有好几种编码。
OS模块的getcwd()获取当前绝对路径,
chdir(‘另一个路径’) 切换到另一个路径
#!/usr/bin/env python
# -*- coding: utf-8 -*-
import urllib
def callback(a,b,c):
down_pro = 100.0*a*b/c
if down_pro >100:
down_pro=100
print ‘%.2f%%‘ %down_pro
url = ‘http://www.iplaypython.com/‘
local =‘c:/123.txt‘
urllib.urlretrieve(url,local,callback)
主要是那个函数。。。。。。
那个函数的3个函数,一个数据块的数量,数据块的大小,字节,数据文件大小
还有如果要输出百分号就要!!!!!!!写两个百分号
第三课,获取网页编码,获取的是网页头部的返回的
第三方模块,自动判断网页编码的库
下载chardet模块,安装,开始字符集检测,封装函数
import urllib
url = ‘http://www.163.com‘
info = urllib.urlopen(url).info()
print info.getparam(‘charset‘)
那个info中的一个函数,获取编码类型
对网页的编码判断!!!
的第三方模块 chardet (字符集检测)
就是导入,然后 获取urlopen返回的在调用read返回的对象
用
chardet.detect(就是上面返回的对象)
就会返回是什么编码的概率
import urllib
import chardet
url = ‘http://www.iplaypython.com‘
content = urllib.urlopen(url).read()
print chardet.detect(content)
写了个函数
#!/usr/bin/env python
# -*- coding: utf-8 -*-
import urllib
import chardet
url = ‘http://www.iplaypython.com‘
def automatic(url):
con = urllib.urlopen(url).read()
res = chardet.detect(con)
end = res[‘encoding‘]
return end
print automatic(url)
urls = [‘http://www.baidu.com‘,
‘http://www.163.com‘,
‘http://www.jd.com‘
]
for x in urls:
print automatic(x)
第四课
urllib2模块!!!!!!!!
一定要注意!国外和国内的编码,谷歌和百度,
GBK是中文!!!
编码的重要性!!!!!
破解不让抓取。。。
。。。。。CSDN就不行,会返回403
import urllib2
url = ‘http://blog.csdn.net/qq_28295425‘
my_heaeders = {
‘GET‘:url,
‘Host‘:‘blog.csdn.net‘,
‘Referer‘:‘http://blog.csdn.net/experts.html‘,
‘User-Agent‘:‘Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/50.0.2661.94 Safari/537.36‘
}
req = urllib2.Request(url,headers=my_heaeders)
# req.add_header(‘User-Agent‘,‘Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/50.0.2661.94 Safari/537.36‘)
# req.add_header(‘GET‘,url)
# req.add_header(‘Host‘,‘blog.csdn.net‘)
# req.add_header(‘Referer‘,‘http://blog.csdn.net/experts.html‘)
asd = urllib2.urlopen(req)
print asd.read()
my_heaeders =[
‘Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/50.0.2661.94 Safari/537.36‘,
‘Mozilla/5.5 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/50.0.2661.94 Safari/537.36‘
]
def get_content(url,headers):
random_header =random.choice(headers)
req = urllib2.Request(url)
req.add_header(‘User-Agent‘,random_header)
req.add_header(‘Host‘,‘blog.csdn.net‘)
req.add_header(‘Referer‘,‘http://blog.csdn.net/‘)
req.add_header(‘GET‘,url)
content = urllib2.urlopen(req).read()
return content
print get_content(url,my_heaeders)
注意那个随机选择的是【】
先把url给request。然后添加头部信息,然后把返回的req放入urlopen中
第五课图片下载爬虫
例如去百度贴吧的图片
一定要写编码方式
那个-*-是直接就-就是不用加shift的
-- conding:utf-8 --
主要是学会了正则的一个方法findall(表达式,内容)会返回所匹配的内容
还有别傻逼似的什么都有正则写,,,,,,,,会变的用正则写,不变的就直接复制了
最好写成函数
我自己写的没有函数的提取快代理的代理ip和端口
#!/usr/bin/env python
# -*- coding: utf-8 -*-
# 先爬取代理,设置header,做一个函数,以后写用
import re
import urllib2
url1 =‘http://www.kuaidaili.com/‘#<td data-title="IP">123.182.216.241</td>
html1 = urllib2.urlopen(url1)
html = html1.read()
html1.close()
regexip = r‘data-title="IP">(\d{1,3}.\d{1,3}.\d{1,3}.\d{1,3})‘
regexport = r‘data-title="PORT">(\d{1,4})‘
poxyip = re.findall(regexip,html)
poxyport = re.findall(regexport,html)
for x in range(10):
print poxyip[x]+‘ : ‘+poxyport[x]
第六课 用的第三方mokuai BeautifulSoup from bs4
很方便的就是不用写正则表达式,用的是beautifulsoup的,会根据html的标签来寻找,然后传入一个字符串也就是返回的网页,然后返回的是所有包含这个标签的,这个是第一个参数,第二个参数是class=‘’那个class要写成class_防止和python的类混,然后就会返回名字叫做这个的了,然后也是返回一堆,!!!返回一个对象,那就有方法,这个对象是一个类似字典的那种,那么查找src的那么就应该返回value了!于是返回的对象的[‘src’]那么就返回图片的网址了。当然可以写别的key来查找。
#!/usr/bin/env python
# -*- coding: utf-8 -*-
from bs4 import BeautifulSoup
import urllib
def get_content(url):
html = urllib.urlopen(url)
content = html.read()
html.close()
return content
def get_image(info):
soup = BeautifulSoup(info)
all_img = soup.find_all(‘img‘,class_="BDE_Image")
for img in all_img:
print img[‘src‘]
url = ‘http://tieba.baidu.com/p/4656488748‘
info = get_content(url)
print get_image(info)
判断文件是否存在
os.path.exists(filename)
输出当前时间:格式化的
SyntaxError: invalid syntax
>>> ISOTIMEFORMAT=‘%Y-%m-%d %X‘
>>> time.strftime( ISOTIMEFORMAT, time.localtime() )
‘2016-08-17 16:31:28‘
直接time.localtime返回的是tuple!!
我写的获取迅雷会员的代码
# -*- coding: utf-8 -*-
import urllib
import re
import os
url1 = ‘http://xlfans.com/‘
regex = r‘迅雷会员号共享(.+?)密码(.*)<‘
regex1 = r‘class="item"><a href="http://www.mamicode.com/(.+?)">‘
ml = ‘c:/xunlei.txt‘
def get_html(url):
html1 = urllib.urlopen(url)
html = html1.read()
html1.close()
return html
def get_re(html):
xunlei = re.findall(regex,html)
for a in xunlei:
with open(ml,‘a‘) as f:
b = a[0]+‘ ‘+a[1]
f.write(b+‘\n‘)
def get_new(html):
new = re.findall(regex1,html)
return new[0]
# f = open(ml,‘wb‘)
# f.write(‘1‘)
# f.close()
html= get_html(url1)
url = get_new(html)
new_html = get_html(url)
if os.path.exists(ml):
os.remove(ml)
get_re(new_html)
print ‘please look c:/xunlei.txt thankyou!‘
print ‘newurl= ‘+url
python编写 目录扫描工具
按行读取
readlines()
os.path.splitext(s)
s = ‘c:/1.txt’
那个splitext是把文件拆开,一个是路径+文件名,另一个是后缀名
!!!!!!!!!!!!!!!!!!!!!!!!!
。empty()是否为空
。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。
我肯了一个模拟表单提交的,抓包,看提交的data,直接创建字典data,可以自己设置参数修改等,然后创建heasers信息,也是抓包获取的,然后那个data要用urllib的
urllib.urlencode(data) 把他编码成url编码格式的
然后因为是data和headers,所以用的urllib
request = urllib2.Request(url,data,headers)
response = urllibe.urlopen(request)
result = response.read().decode(‘gbk’)
先用data和headers,url创建一个request,然后用urlopen打开
666的没边,我明白那个如果链接上了断线检测,设置时间每隔多久去ping下百度啊。。。
然后实现断线重现连接
#判断当前是否可以联网
def canConnect(self):
fnull = open(os.devnull, ‘w‘)
result = subprocess.call(‘ping www.baidu.com‘, shell = True, stdout = fnull, stderr = fnull)
fnull.close()
if result:
return False
else:
return True
http://cuiqingcai.com/2083.html
另一篇里讲的,关于正则,.*就是可以匹配任意无限个字符,加个?就是非贪婪模式
re.S代表在匹配时点任意匹配模式。点可以代表换行符
一般写正则都是先写compile,即
pattern = re.compile(r’想写的正则’)
然后
result = pattern.findall(要匹配的)
他设置了,输入,如果输入回车就索引加,然后就可以读下一个段子了
一直循环。。。。
一定要写异常!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!
? re.I(全拼:IGNORECASE): 忽略大小写(括号内是完整写法,下同)
? re.M(全拼:MULTILINE): 多行模式,改变’^’和’$’的行为(参见上图)
? re.S(全拼:DOTALL): 点任意匹配模式,改变’.’的行为
? re.L(全拼:LOCALE): 使预定字符类 \w \W \b \B \s \S 取决于当前区域设定
? re.U(全拼:UNICODE): 使预定字符类 \w \W \b \B \s \S \d \D 取决于unicode定义的字符属性
? re.X(全拼:VERBOSE): 详细模式。这个模式下正则表达式可以是多行,忽略空白字符,并可以加入注释。
创建目录要先看看是否存在这个目录
那个Request的三个参数是url,post数据,headers
有空时间继续写。不是为了别的。因为喜欢。
Python爬虫初识