Python爬虫第二天
Python爬虫第二天
超时设置
有时候访问网页时长时间未响应，系统就会判断网页超时，无法打开网页。如果需要自己设置超时时间则：
通过urlopen()打开网页时使用timeout字段设置
import urllib.request
for i in range(1,100): #循环99次
try:
file = urllib.request.urlopen("http://yum.iqianyue.com",timeout=0.1) #设置超时时间为0.1s
data = file.read()
print(len(data))
except Exception as e:
print("出现异常："+str(e))
#网站服务器性能不好的时候可能出现异常
一般我们不想出现超时异常就可以把时间设置长一点如：30。
HTTP协议请求实战：
在客户端和服务器端之间消息传递可以使用http协议请求进行
http六种类型：
get请求：通过url地址传递信息。
post请求:可以向服务器提交数据，比较主流比较安全。
put请求：请求服务器存储一个资源，通常要指定存储的位置。
head请求：请求获取报头信息。
delete请求：请求服务器删除一个资源。
options请求:获取当前url所支持的请求类型。
一般使用get和post较多只介绍这两种：
get请求：
例如我们想在百度上查询一个关键词，如何用爬虫进行处理呢？
步骤：首先我们打开百度输入关键词如“xpath”之后回车，我们观察一下url的变化：
我们分析一下：字段wd是我们查询的值，也就是说wd就是存储用户要检索的关键词
我们简化下网址 "https://www.baidu.com/s?wd=关键词"
这时我们把https://www.baidu.com/s?wd=xpath 也加入浏览器刷新一下，也能出现关键词，这说明我们在百度上查询关键词会用get请求进行。
接着我们实现
import urllib.request
keywd = "xpath"
url = "http://www.baidu.com/s?wd=" + keywd
req = urllib.request.Request(url)
data = urllib.request.urlopen(req).read()
fhandle = open("D:/crawler/6.html", "wb")
fhandle.write(data)
fhandle.close()
如果要检索的关键词是中文，则要对上述代码进行优化：
import urllib.request
# keywd = "xpath"
keywd="杨守鹤"
url = "http://www.baidu.com/s?wd=" #注意不是https
key_code=urllib.request.quote(keywd)#这里对关键词部分进行编码
url_all=url+key_code
req = urllib.request.Request(url_all)#通过url参数构建Request对象
data = urllib.request.urlopen(req).read()#通过urlopen打开构建的Request对象
fhandle = open("D:/crawler/7.html", "wb")
fhandle.write(data)
fhandle.close()
这里我们学习到满足get请求的url格式："http://网址？字段名1=字段内容1&字段名2=字段内容2 ..."
post请求
我们在进行注册登录的时候时常用到post请求
我们先打开一个网页：http://www.iqianyue.com/mypost/
输入数据提交后会显示信息。
如何使用爬虫自动实现呢？
步骤：
首先设置url地址，我们分析一下，在点击了提交之后会传递到当前页面进行处理，所以处理的页面应该是：
http://www.iqianyue.com/mypost/，我们设为url。之后我们在网页右击选择查看页面源代码，找到对应的form表单部分
，进行分析。
<form action="" method="post">
name:<input name="name" type="text" /><br>
passwd:<input name="pass" type="text" /><br>
<input name="" type="submit" value="submit" />
我们看到属性值
我们使用字典形式 格式：{字段名1：字段值1，字段名2：字段值2......}
如：{"name":"yang","pass":"a123456"}
之后我们还要对数据进行编码处理：使用urllib.parse.urlencode
然后创建Request对象传入url和数据，接着我们可以使用之前学过的add_header()添加头信息，模拟浏览器爬取。之后就按以往进行处理即可。
import urllib.request
import urllib.parse
url = "http://www.iqianyue.com/mypost/"
postdata=urllib.parse.urlencode({
"name":"yang",
"pass":"a123456"
}).encode('utf-8')#将编码设置为utf-8
req = urllib.request.Request(url,postdata)
req.add_header('User-Agent','Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/63.0.3239.132 Safari/537.36')
data = urllib.request.urlopen(req).read()
fhandle = open("D:/crawler/8.html", "wb")
fhandle.write(data)
fhandle.close()
代理服务器设置
有时候使用同一个ip去爬取同一个网站，久了就会被对方服务器屏蔽，怎么办？？
这时我们就要使用一招："瞒天过海、暗度陈仓"，也就是使用代理服务器。
这里有一个网址：http://yum.iqianyue.com/proxy 里面有更新很多代理ip
我们选择一个： 格式："网址：端口号"即：110.52.235.249：9999
#实现使用代理服务器爬取url网页功能
def use_proxy(proxy_addr,url):
import urllib.request
proxy=urllib.request.ProxyHandler({'http':proxy_addr})
opener=urllib.request.build_opener(proxy,urllib.request.HTTPHandler)
urllib.request.install_opener(opener)
data=urllib.request.urlopen(url).read().decode('utf-8')
return data
proxy_addr="58.219.8.8:1080"
data=use_proxy(proxy_addr,"http://www.baidu.com")#传递ip和要爬取的url
print(len(data))#//后续处理
如果：由于连接方在一段时间后没有正确答复或连接的主机没有反应，连接尝试失败。>
说明IP可能失效了，要换一个试试，实际上我们可以实现多个ip用程序实现一个不行自动切换为下一个。
此文是我在学习《精通Python网络爬虫》（韦玮著）的总结,纯手打。