首页
学习
活动
专区
工具
TVP
发布
社区首页 >专栏 >Python网络爬虫(二)- urllib爬虫案例 urllib的爬虫案例-通过最原始的爬虫方式

Python网络爬虫(二)- urllib爬虫案例 urllib的爬虫案例-通过最原始的爬虫方式

作者头像
Python攻城狮
发布2018-08-23 11:47:38
3830
发布2018-08-23 11:47:38
举报
文章被收录于专栏:Python攻城狮Python攻城狮

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

本文参与 腾讯云自媒体分享计划,分享自作者个人站点/博客。
原始发表:2017.08.08 ,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 作者个人站点/博客 前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体分享计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
0 条评论
热度
最新
推荐阅读
目录
  • urllib的爬虫案例-通过最原始的爬虫方式
相关产品与服务
数据保险箱
数据保险箱(Cloud Data Coffer Service,CDCS)为您提供更高安全系数的企业核心数据存储服务。您可以通过自定义过期天数的方法删除数据,避免误删带来的损害,还可以将数据跨地域存储,防止一些不可抗因素导致的数据丢失。数据保险箱支持通过控制台、API 等多样化方式快速简单接入,实现海量数据的存储管理。您可以使用数据保险箱对文件数据进行上传、下载,最终实现数据的安全存储和提取。
领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档