免费请你们坐时光机,我们穿越到十年前~
✈
10年前,小ha刚开始接触电脑,他很菜(:就和现在的我一样菜,他最喜欢的事就是敲键盘上的Enter键,因为他觉得敲完Enter键之后,神清气爽,醍醐灌顶(:这两个成语用的,是不是很有文化的样子,好评~
自己买票,我们坐时光机回来
✈
现在帅气漂亮的你坐在电脑前,面对Baidu或者Google的搜索界面,有没有想一下,当你键入关键词(:比如"石璞东"之后,为什么要按下Enter键呢(:别跟我抬杠啊,我知道肯定会有人说:我就不,我就用鼠标,哈,随你?按下Enter键之后又发生了什么不为人知的勾当呢?
其实简单一句话概括:Enter键或者鼠标点击的作用是向对应的服务器发送HTTP请求,那么问题来了,用Python可以发请求嘛?答案是当然可以,(:用普通话说就是,Python除了不能怀孕,其它都可以今天这篇文章,我们就走近科学,解开敲Enter键背后的原理。
假设小ha想要刷会儿剧,比如说:看岳云鹏的相声集,那么他有两种方法 :
(:别抬杠哟,这两种方法只是为了解释以下知识点。
ok,分析下,从大的层面来讲,用户访问互联网资源有两种模式 : BS模式(browser-server)和CS模式(client–server)。
BS模式means:用户只需要安装一个浏览器就可以访问互联网上所有的内容(刚说的通过腾讯视频网页端观看岳云鹏相声集就是BS模式)。
CS模式means:用户必须通过相应的客户端才能访问对应的互联网资源(也就是上面例子中的安装腾讯视频客户端)。
建议大家多多在PC端用浏览器访问互联网,理由很简单:
不管是BS还是CS模式,从大的范围来讲,这种方式都可以笼统概括为:客户端请求 服务端响应。
urllib库是Python中的一个功能强大、用于操作URL,并在做爬虫的时候经常要用到的库。在Python2.x中,分为urllib库和urllib2库,Python3.x之后都合并到urllib库中。
1. 抓取个人网站主页代码
import urllib.request
response = urllib.request.urlopen("http://www.shipudong.com/")
print(response.read().decode("utf-8"))
import urllib.parse
import urllib.request
#data参数是可选的,如果要添加参数,并且如果它是字节流编码格式的内容,即bytes类型,则需要bytes()方法转化
data = bytes(urllib.parse.urlencode({"word":"hello"}),encoding="utf-8")
response = urllib.request.urlopen("http://httpbin.org/post",data=data)
print(response.read())
import urllib.request
response = urllib.request.urlopen("http://www.shipudong.com/",timeout=1)
//程序超过1秒后,如果服务器没有请求,就会抛出URLError异常
print(response.read())
from urllib.request import HTTPPasswordMgrWithDefaultRealm,HTTPBasicAuthHandler,build_opener
from urllib.error import URLError
username = "username"
password = "password"
url = "http://localhost:5000/"
p = HTTPPasswordMgrWithDefaultRealm()
p.add_password(None,url,username,password)
auth_handler = HTTPBasicAuthHandler(p)
opener = build_opener(auth_handler)
try:
result = opener.open(url)
html = result.read().decode("utf-8")
print(html)
except URLError as e:
print(e.reason)
from urllib.error import URLError
from urllib.request import ProxyHandler,build_opener
proxy_handler = ({
//这里是你买的IP代理池
//一般这样写:"http":"ip地址"或者"https":"ip地址"
})
opener = build_opener(proxy_handler)
try:
response = opener.open("http://www.shipudong.com/")
print(response.read().decode("utf-8"))
except URLError as e:
print(e.reason)
IP代理推荐:https://www.kuaidaili.com/
2.错误处理(error模块)
不用多说了吧,上面的几个例子中都使用了错误处理。请参考上述内容。
3.解析链接(parse模块)
urllib库里面提供了parse模块,它定义了处理URL的标准接口,例如实现URL各部分的抽取、合并以及链接转换。
from urllib.parse import urlparse
result = urlparse("http://www.shipudong.com/2019/05/03/python-ku-zhi-selenium-de-shi-yong/")
print(type(result),result)
我们去看看控制台:
<class 'urllib.parse.ParseResult'> ParseResult(scheme='http', netloc='www.shipudong.com', path='/2019/05/03/python-ku-zhi-selenium-de-shi-yong/', params='', query='', fragment='')
其余的API这里不再赘述,大家去官网进行深入学习。
官网地址:
https://docs.python.org/3/library/urllib.parse.html#module-urllib.parse
4.分析Robots协议(robotparser模块)
Robots协议也叫爬虫协议、机器人协议,它的全名叫网络爬虫标准排除(Robots Exclusion Protocol),用来告诉爬虫和搜索引擎哪些页面可以抓取,哪些不可以抓取。它通常是一个robots.txt的文本文件,一般放在网站的根目录下。
因为我自己的网站没有这个协议,所以我以简书网站为例,简单说下其中各字段代表的意思:
地址:https://www.jianshu.com/robots.txt
推荐大家一个自动生成robots.txt文件的网站:
http://tool.chinaz.com/robots/
Requests是Python中的HTTP客户端库,网络请求更加直观方便,它与urllib最大的区别就是在爬取数据的时候连接方式的不同。urllib爬取完数据是直接断开连接的,而requests爬取数据之后可以继续复用socket,并没有断开连接。个人比较推荐使用requests方式。
看一下代码演示,默默感受一下和urllib的不同,然后带你体验一下小清新的感觉~
#你得确保你安装了requests这个库哟
import requests
url = "http://www.shipudong.com/"
result = requests.get(url)
print(type(result))
print(result.status_code)
print(result.text)
print(result.cookies)
官网地址:
https://2.python-requests.org//zh_CN/latest/user/quickstart.html
我们要分析的是下面的页面:
地址:https://piaofang.maoyan.com/dashboard
访问上述页面,我们打开浏览器控制台看看到底发生了什么:
思路:
间隔一定时间(我的代码中间隔1秒)请求一次实时票房的网址并获取新的票房数据信息,然后取出相关字段的值,最后把新数据通过Python的2D绘图库-Matplotlib将其渲染出来。
import requests
import matplotlib as mpl
import matplotlib.pyplot as plt
import time
import pylab as pl
import sys
#一般网站最基本的反爬措施,伪装协议头headers
headers = {
'accept':'*/*',
'accept-encoding':'gzip, deflate, sdch, br',
'accept-language':'zh-CN,zh;q=0.8',
'origin':'https://piaofang.maoyan.com',
'referer':'https://piaofang.maoyan.com/dashboard',
'user-agent':'Mozilla/5.0 (Windows NT 10.0; WOW64)
AppleWebKit/537.36
(KHTML, like Gecko) Chrome/58.0.3029.110
Safari/537.36 SE 2.X MetaSr 1.0'
}
#保证中文输出时不会乱码
mpl.rcParams["font.sans-serif"]=["SimHei"]
mpl.rcParams["axes.unicode_minus"]=False
#要爬取网站的url
url = "https://box.maoyan.com/promovie/api/box/second.json"
#用来存获取到的电影票房数据
arr = []
#记录横坐标的数据
a = []
#记录电影的名字
movie_name = []
#爬取电影网站票房信息
def acquireInfo():
res = requests.get(url, headers=headers)
res_con = res.json()
for item in res_con["data"]["list"]:
arr.append(item["boxInfo"])
movie_name.append(item["movieName"])
for i in range(1, 26):
a.append(i)
drawChart(movie_name)
#依据信息画图展示
def drawChart(str):
plt.bar(a,arr,align="center",color="#7FFF00",tick_label=str)
#使y轴坐标文字标签正常显示
pl.xticks(rotation=-90)
#设置图标的主题文字
plt.title("猫眼电影实时票房信息")
#设置x y 轴的名称
plt.xlabel('电影名称')
plt.ylabel('电影票房')
plt.show()
#显示进度条
def view_bar(num, total):
rate = num / total
rate_num = int(rate * 100)
r = ' \r %s>%d%%' % ('=' * num, rate_num,)
sys.stdout.write(r)
sys.stdout.flush()
if __name__ == '__main__':
for i in range(0, 101):
time.sleep(0.1)
view_bar(i, 100)
print("数据加载完成!")
while 1:
acquireInfo()
#每0.1s请求一次网站,做到实时数据的刷新
time.sleep(1)
「注」:几种简单的反爬措施
当通过浏览器去访问一个网站的时候,它会携带一些相关信息,就是图中我用红框标记出来的,那就很简单了,为了防止网站的反爬虫,我可以给我的爬虫程序加上这些必要的头部信息,从而初步欺骗浏览器。
上述内容已经说过,这里不再赘述。
更多内容请移步我的公众号平台hahaCoder或者个人网站http://www.shipudong.com进行查看。