龙空技术网

零基础三天学会Python爬虫(第二天)

AAA软件教育官方号 143

前言:

此刻看官们对“python读取url中保存的文件”大致比较看重,我们都需要分析一些“python读取url中保存的文件”的相关知识。那么小编在网摘上收集了一些对于“python读取url中保存的文件””的相关内容,希望你们能喜欢,你们一起来了解一下吧!

一、Python与urllib2

现在已经迫不及待的想尝试一下url和网络爬虫的配合关系了。我们上一届已经介绍过了,爬虫就是把URL地址中的网络资源读取出来,然后处理(保存到本地,或者打印等等)。本篇文章篇幅较长,其中会有爬虫的小案例,想要学习的小伙伴耐心看。

如果我们想将爬虫落实到代码上,需要用到的是一个组件:urllib2

它就是Python获取URL的一个组件

我们首先创建一个urllib2_test01.py然后输入以下代码:

import urllib2response = urllib2.urlopen(';)html = response.read()print html

Quite Easy!最简单的获取一个url的信息代码只需要4行!

执行写的Python代码:

python urllib2_test.py

会看到以下结果:

<!DOCTYPE html><!--STATUS OK--><html><head><meta http-equiv="content-type" content="text/html;charset=utf-8"><meta http-equiv="X-UA-Compatible" content="IE=Edge"><meta content="always" name="referrer"><meta name="theme-color" content="#2932e1"><link rel="shortcut icon" href="/favicon.ico" type="image/x-icon" /><link rel="search" type="application/opensearchdescription+xml" href="/content-search.xml" title="百度搜索" /><link rel="icon" sizes="any" mask href="//;><link rel="dns-prefetch" href="//s1.bdstatic.com"/><link rel="dns-prefetch" href="//t1.baidu.com"/><link rel="dns-prefetch" href="//t2.baidu.com"/><link rel="dns-prefetch" href="//t3.baidu.com"/><link rel="dns-prefetch" href="//t10.baidu.com"/><link rel="dns-prefetch" href="//t11.baidu.com"/><link rel="ds-prefetch" href="//t12.baidu.com"/><link rel="dns-prefetch" href="//b1.bdstatic.com"/><title>百度一下,你就知道</title>.

实际上如果我们在浏览器上打开百度首页,右键选择“查看源代码”,就会发现,跟我们刚才打印出来的是一模一样的。也就是说,上面的4行代码就已经帮我们把百度的首页全部代码爬了下来了。

下面来分析一下这4行代码:

import urllib2

没什么好多说的,上面这行代码就是将urllib2组件引入进来,供给我们使用。

response = urllib2.urlopen(';)

然后调用urllib2库中的urlopen方法,该方法接受一个url地址,然后将请求后的得到的回应封装到一个叫response对象中。

html = response.read()

然后调用response对象的read()方法,将请求的回应内容以字符串的形式给html变量。

最后的print html就是将字符串打印出来。

所以说一个基本的url请求是对应的python代码是非常简单的。

当然还有第二种写法,先通过将一个url地址转换成一个Request请求对象,再将Request请求对象作为参数传递给urlopen方法。

import urllib2req = urllib2.Request('百度一下,你就知道')response = urllib2.urlopen(req)my_page = response.read()print my_page

但是这样直接用Python的urllib2给一个网站发送请求的话,确实有写唐突了。这就好比是,人家每家都有个门,你以一个路人的身份直接闯进去显然不是很礼貌,有可能对于有的网站会拒绝你的请求。

但是如果我们用一个合法的身份去请求别人的网站,显然人家就会很欢迎。

所以我们就应该给我们的这个代码加上一个身份,就是所谓的User-Agent头

what?如果你之前不是学习前端的,这个东西确实对于C或者后端工程师来说是一个很头疼的东西,不过不要紧,不是我们的东西这里只做了解即可。

我只需要告诉你一句话,就是你用不同的浏览器在发送请求的时候,会有不同的User-Agent头。

浏览器就是世界上被允许的身份。那么如果你不想你的爬虫代码成为一个路人,你需要伪装成一个被公认的浏览器。

伪装的办法当然就是给自己的请求加上一个对应的User-Agent头啦。

下面我们编辑urllib2_test03.py:

import urllib2#我们要请求的url地址url = "百度一下,你就知道"#我们要伪装的浏览器user-agent头user_agent = 'Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; Trident/5.0;' #IE 9.0#创建一个字典,使请求的headers中'User-Agent':对应我们user_agent字符串headers = {'User-Agent':user_agent}#新建一个请求,需要将请求中的headers变量换成我们刚才创建好的headersreq = urllib2.Request(url, headers = headers)#请求服务器,得到回应response = urllib2.urlopen(req)#得到回应的内容the_page = response.read()#将内容打到屏幕上print the_page

以上就是url的一个基本的操作,那么如果你想实现一个简单的爬虫这些就足够了。但是如果你想深入的去了解urllib2的其他操作,显然这个教程不能满足你,可以私信或者是留言找我获取urllib2的其他相关教程。

下一个阶段我们继续介绍有关urllib2的知识,而且最后如何得到一个精简的小爬虫程序。

二、百度贴吧小爬虫

首先我们创建一个python文件,tieba_spider.py

我们要完成耳朵是输入一个百度贴吧的网址,比如:

LOL吧第一页:

这个是lol吧的第一个url地址,如果打开第二页,你会发现他的url如下:

LOL吧第二页:

LOL吧第三页:lol吧-百度贴吧--第一手电竞资讯/英雄攻略/尽在LOL吧

可以从中发现规律了吧,贴吧中每个页面不同,url出来最后的pn的值,其余的都是一样的,我们可以抓住这个规律。

简单恶写一个小爬虫程序,来爬取百度LOL吧的所有网页。

上一届我们已经写出了一个爬取一个网页的代码。

现在,我们将它封装成一个小函数load_page,供我们来使用。

def load_page(url):    '''    @brief      通过URL请求爬取到html静态页面源代码    @param url  要爬取的url地址    @returns                源代码    '''    req = urllib2.Request(url)    response = urllib2.urlopen(req)    html = response.read()return html

接下来,我们写一个百度贴吧爬虫接口,我们需要传递3个参数给这个接口。

一个是我们要爬取的url地址,和要爬取页码的范围。

def tieba_spider(url, begin_page, end_page):    '''    @brief               百度贴吧爬虫核心程序    @param url           要爬取的url地址    @param begin_page    爬虫贴吧的起始页数    @param end_page      爬虫贴吧的终止页数    '''    user_agent = 'Mozilla/5.0 (compatible; MSIE 9.0; Windows NT6.1; Trident/5.0;' #IE 9.0    headers = {'User-Agent':user_agent}    for i in range(begin_page, end_page+1):        #根据百度贴吧的url中的页码pn规律        # 当你打开第一页 pn = 0        # 当你打开第二页 pn = 50        # 当你打开第三页 pn = 100        # 当你打开第四页 pn = 150 -0        # ....        # 所以 pn = 50* (page-1)        pn = 50 * (i - 1)        html = load_page(url+str(pn))

最后如果我们希望将爬取到的每页的信息存储在本地磁盘上,我们可以简单写一个存储文件的接口。

def write_file(file_name, text):      '''     @brief 将字符串内容写到文件中     @param file_name 文件路径     @param text 要写进的字符串     '''     print '正在存储文件' + file_name     f = open(file_name, 'w+')     f.write(text)     f.close

ok,接下来就是写一个main函数,然后提示用户输入即将爬取的百度贴吧url地址。

注意:百度贴吧最后页码” pn=??? “中的 ??? 为我们传入的页码参数,所以我们再提供的

时候不能包括 ??? )

if __name__ == '__main__':    bdurl = str(raw_input('请输入贴吧的地址, 去掉pn=后面的数字:'))    begin_page = int(raw_input('请输入开始的页数'))    end_page = int(raw_input('请输入结束的页数'))tieba_spider(bdurl, begin_page, end_pag

综上所述,全部的完整代码应该如下:

# -*- coding: utf-8 -*-#-------------------------# 百度贴吧小爬虫# 作者:无崖子# 日期:2016-3-2# sys: mac os# python 2.7.6# os: mac#-------------------------import urllib2def write_file(file_name, text):    '''    @brief   将字符串内容写到文件中    @param file_name          文件路径    @param text               要写进的字符串    '''    print '正在存储文件' + file_name    f = open(file_name, 'w+')    f.write(text)    f.close()def load_page(url):    '''    @brief       通过URL请求爬取到html静态页面源代码    @param url   要爬取的url地址    @returns                 源代码    '''    req = urllib2.Request(url)    response = urllib2.urlopen(req)    html = response.read()    return html    def tieba_spider(url, begin_page, end_page):    '''   @brief 百度贴吧爬虫核心程序   @param url 要爬取的url地址   @param begin_page 爬虫贴吧的起始页数   @param end_page 爬虫贴吧的终止页数   '''   user_agent = 'Mozilla/5.0 (compatible; MSIE 9.0; Windows NT6.1; Trident/5.0;' #IE 9.0   headers = {'User-Agent':user_agent}   for i in range(begin_page, end_page+1):      #根据百度贴吧的url中的页码pn规律      # 当你打开第一页 pn = 0      # 当你打开第二页 pn = 50      # 当你打开第三页 pn = 100      # 当你打开第四页 pn = 150 -0      # ....      # 所以 pn = 50* (page-1)      pn = 50 * (i - 1)      html = load_page(url+str(pn))      file_name = str(i) +'.html'      print '正在下载第' + str(i) + '个网页'      write_file(file_name, html)if __name__ == '__main__':    bdurl = str(raw_input('请输入贴吧的地址, 去掉pn=后面的数字:'))    begin_page = int(raw_input('请输入开始的页数'))    end_page = int(raw_input('请输入结束的页数'))    tieba_spider(bdurl, begin_page, end_page)

好了,最后我们来测试一下咱们的小爬虫。

输入lol吧的地址 ” ”

注意:=号后面不要加数字,因为我们要自动添加

ocalhost:spider ldb$ python tieba_spider.py请输入贴吧的地址, 去掉pn=后面的数字: tf-8&pn=请输入开始的页数5请输入结束的页数10正在下载第5个网页正在存储文件5.html正在下载第6个网页正在存储文件6.html正在下载第7个网页正在存储文件7.html正在下载第8个网页正在存储文件8.html正在下载第9个网页正在存储文件9.html正在下载第10个网页正在存储文件10.html

最后会发现当前路径下会有几个html页面,分别对应贴吧中对应的网页。

这样一个简单的爬虫程序就搞定了。

标签: #python读取url中保存的文件