文章来源：数据python战算法
作者：livan
很久以前写了一篇爬虫的文章，把它放在CSDN上（livan1234）没想到点击量竟然暴涨，足以看到大家在数据获取方面的需求，爬虫技术现在已经非常普遍，其用途也非常广泛，很多牛人在各个领域做过相关的尝试，比如：
1）爬取汽车之家数据，利用论坛发言的抓取以及NLP，对各种车型的车主做画像。
2）抓取各大电商的评论及销量数据，对各种商品（颗粒度可到款式）沿时间序列的销量以及用户的消费场景进行分析。
3）还可以根据用户评价做情感分析，实时监控产品在消费者心目中的形象，对新发布的产品及时监控，以便调整策略。
4）抓取房产买卖及租售信息，对热热闹闹的房价问题进行分析。
5）抓取大众点评、美团网等餐饮及消费类网站：各种店面的开业情况以及用户消费和评价，了解周边变化的口味，所谓是“舌尖上的爬虫”。以及各种变化的口味，比如：啤酒在衰退，重庆小面在崛起。
6）58同城等分类信息网站：抓取招商加盟的数据，对定价进行分析，帮助网友解惑。
7）拉勾网、中华英才网等招聘网站：抓取各类职位信息，分析最热门的职位以及薪水。
8）挂号网等医疗信息网站：抓取医生信息并于宏观情况进行交叉对比。
9）应用宝等App市场：对各个App的发展情况进行跟踪及预测。（顺便吹一下牛，我们这个榜单很早就发现小红书App的快速增长趋势以及在年轻人中的极佳口碑）
10）携程、去哪儿及12306等交通出行类网站：对航班及高铁等信息进行抓取，能从一个侧面反映经济是否正在走入下行通道。
11）雪球等财经类网站：抓取雪球KOL或者高回报用户的行为，找出推荐股票
12）58同城二手车、易车等汽车类网站：什么品牌或者型号的二手车残值高？更保值？反之，什么类型的贬值较快？- 二手车，找出最佳的买车时间以及最保值的汽车。
13）神州租车、一嗨租车等租车类网站：抓取它们列举出来的租车信息，长期跟踪租车价格及数量等信息。
14）各类信托网站：通过抓取信托的数据，了解信托项目的类型及规模。其实还有很多数据，不一一列举了。
上次的文章是在讨论移动端的数据获取：
本文对爬虫做一个全面的总结，不一定包治百病，但是能治好大部分疾病，希望能够对大家有所帮助：
urllib库
这是一个在爬虫领域绕不开的库，他支持 http 的爬取，几乎可以取到方方面面的内容。
以下面的豆瓣案例做一个简要的解释：
豆瓣小案例:
#!/usr/bin/env python
# _*_ UTF-8 _*_
# author:livan
import urllib.request
import re
data= urllib.request.urlopen("").read()
data = data.decode("utf-8")
pattern = <div>(.*?)</div>
mydata = re.compile(pattern).findall(data)
fh = open("出版社.txt", "w")
for i in range(0,len(mydata)):
fh.write(mydata[i]+"\n")
fh.close()
常用函数为：
import urllib.request
#1）将第一个参数中的网址，直接下载到filename路径下，爬下来的数据为一个网页。
data= urllib.request.urlretrieve("",filename="F:\python_workspace\spider_douban")
#2）清除缓存,清除urlretrieve 等下载时保存的数据
urllib.request.urlcleanup()
#3）爬取页面数据
file= urllib.request.urlopen("")
#4）返回当环境的信息file.info()
#5）获取当前网页的状态码和网址。
print(file.getcode())
print(file.geturl())
超时设置
由于网络速度或者对方服务器的问题，我们爬取一个网页的时候，都需要设置时间，我们访问一个网页，如果该网页长时间未响应，那么我们的系统就会判断该网页超时了，即无法打开该网页。
有时候，我们需要根据自己的需求，来设置超时的时间值，比如：有些网站会反应快，我们希望2秒没有反应则判断为超时，那么此时，timeout=2即为设置方式，即在 urlopen 中加入 timeout 参数。再比如，有些网站服务器反应慢，那么我们希望100秒没有反应，才判断超时，此时的timeout即设置为100，接下来为大家讲解爬虫超时的设置。
#!/usr/bin/env python
# _*_ UTF-8 _*_
# author:livan
file = urllib.request.urlopen("", timeout=10)
for i in range(0, 100):
try:
file = urllib.request.urlopen("", timeout=1)
data = file.read()
print(len(data))
except Exception as e:
print("出现异常:"+str(e))
自动模拟 Http 请求
客户端如果要与服务器端进行通信，需要通过http进行请求，http请求有很多种，我们在此会讲post与get两种请求方式，比如登录、搜索某些信息的时候会用到。
1）处理 get 请求:
#!/usr/bin/env python
# _*_ UTF-8 _*_
import urllib.request
keywd = "python"
#对网址中出现的中文进行相应的编码,得到进行编码之后的中文，后面可以直接使用。
keywd=urllib.request.quote(keywd)
url = "?wd"+keywd+"&ie=urf-8&tn=_hao_pg"
#将url 封装为一个请求
req = urllib.request.Request(url)
data = urllib.request.urlopen(req).read()
fh = open("test.txt","wb")
fh.write(data)
fh.close()
2）处理 post 请求:
所谓post请求即为HTML 的 form 中存在 method=“post”的标签，如下文：
<body>
<form action=””,method=”post”>
姓名：<input name=”name” type=”text”/><br>
密码：<input name=”pass” type=”text”/><br>
<input name=”” type=”submit” value=”点击提交”>
</body>
在新浪 login.sina.com.cn 中即可看到，form 为 post 方式。我们只需要 form 表单中的 name 属性即可。
如下图：
#!/usr/bin/env python
# _*_ UTF-8 _*_
import urllib.request
import urllib.parse
url = ""
#设置对应的表单信息,urlencode中针对代码中的name值。
mydata = urllib.parse.urlencode({
"name":"[email protected]"，"pass":"" }).encode("utf-8")
#将数据转换为请求
req = urllib.request.Request(url, mydata)
#发送请求
data = urllib.request.urlopen(req).read()
fh = open("test_post.txt","wb")
fh.write(data)
fh.close()
爬虫的异常处理
爬虫在运行的过程中，很多时候都会遇到这样或那样的异常。如果没有异常处理，爬虫遇到异常时就会直接崩溃停止运行，下次再次运行时，又会重头开始，所以，要开发一个具有顽强生命力的爬虫，必须要进行异常处理。
异常处理主要是为了增强代码的稳定性。
两者都是异常处理的类，HTTPError是URLError的子类，HTTPError有异常状态码与异常原因，URLError没有异常状态码，所以，在处理的时候，不能使用URLError直接替代HTTPError。如果要替代，必须要判断是否有状态码属性。
接下来我们通过实战讲解：
urlError:
1) 连不上服务器
2) 远程的url不存在
3) 本地没有网络
4) 触发了对应的httpError子类
具体的实战为:
#!/usr/bin/env python
# _*_ UTF-8 _*_
# author:livan
import urllib.error
import urllib.request
try:
urllib.request.urlopen("")
print("111")
except urllib.error.URLError as e:
if hasattr(e, "code"):
print(e.code)
if hasattr(e, "reason"):
print(e.reason)
爬虫的伪装技术
我们可以试试爬取csdn博客，我们发现会返回403，因为对方服务器会对爬虫进行屏蔽。此时我们需要伪装成浏览器才能爬取。
浏览器伪装我们一般通过报头进行，接下来我们通过实战分析一下。
#!/usr/bin/env python
# _*_ UTF-8 _*_
import urllib.error
import urllib.request
url=""
header = ("User-Agent":"Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/56.0.2924.87 Safari/537.36")
#用来添加报头信息
opener = urllib.request.build_opener()
opener.addheaders=[header]
data = opener.open(url).read()
fh = open("test_header","wb")
fh.write(data)
fh.close()
新闻网站爬取
需求：将新浪新闻首页（）所有新闻都爬到本地。
思路：先爬首页，通过正则获取所有新闻链接，然后依次爬各新闻，并存储到本地。
#!/usr/bin/env python
# _*_ UTF-8 _*_
# author:livan
import urllib.error
import urllib.request
url=""
header = ("User-Agent":"Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/56.0.2924.87 Safari/537.36")
#用来添加报头信息
opener = urllib.request.build_opener()
opener.addheaders=[header]
data = opener.open(url).read()
fh = open("test_header","wb")
fh.write(data)
fh.close()
爬虫防屏蔽手段之代理服务器
#!/usr/bin/env python
# _*_ UTF-8 _*_
# author:livan
import urllib.request
import re
url = ""
headers = ("User-Agent","Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/56.0.2924.87 Safari/537.36")
#建一个浏览器opener
opener = urllib.request.build_opener()
#将头加入到opener中
opener.addheaders=[headers]
#将opener安装为全局
urllib.request.install_opener(opener)
data = urllib.request.urlopen(url).read().decode("utf-8", "ignore")
pat = <h3 data-mod="popu_430" data- poputype="feed" data-feed-show="false" data-dsm="post"><a href="(.*?)"
result = re.compile(pat).findall(data)
for i in range(0, len(result)):
file = str(i)+".html"
urllib.request.urlretrieve(result[i], filename=file)
print("第"+str(i)+"次爬取成功")
如何做代理:
#!/usr/bin/env python
# _*_ UTF-8 _*_
# author:livan
import urllib.request
def use_proxy(url, proxy_addr):
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", "ignore")
return data
proxy_addr = ["110.73.43.18:8123"]
url = ""
data = use_proxy(url, proxy_addr)
print(len(data))
图片爬虫实战
在浏览器爬取时，有时不同的浏览器会有不同的查询结果，解析出不同的源码。
首先在“审查元素”中确定元素的重点字段是哪些，然后再在“源码”中查找对应的图片位置，确定图片 url 的规则。
#!/usr/bin/env python
# _*_ UTF-8 _*_
# author:livan
import urllib.request
import re
keyname = "短裙"
key = urllib.request.quote(keyname)
headers = ("User_Agent", "Mozilla/5.0 (Windows NT 10.0; WOW64; rv:53.0) Gecko/ Firefox/53.0")
opener = urllib.request.build_opener()
opener.addheaders=[headers]
urllib.request.install_opener(opener)
for i in range(0, 10):
url = "?q="+key+"&imgfile=&commend=all&ssid=s5-e&search_type=item&sourceId=tb.index&spm=a21bo.2017.-taobao-item.1&ie=utf8&initiative_id=tbindexz_&bcoffset=4&ntoffset=4&p4ppushleft=1%2C48&s="+str(i*44)
data = urllib.request.urlopen(url).read().decode("utf-8", "ignore")
pat = pic_url":"//(.*?)"
imagelist = re.compile(pat).findall(data)
for j in range(0, len(imagelist)):
thisimg = imagelist[j]
thisimgurl = "http://"+thisimg
file = "F:/python_workspace/test/pic/"+str(i)+str(j)+".jpg"
urllib.request.urlretrieve(thisimgurl, filename=file)
在源码解决不了的情况下，需要进行抓包。作业:千图网的爬取(可以通过调试找到报错原因):
#!/usr/bin/env python
# _*_ UTF-8 _*_
# author:livan
import urllib.request
import re
for i in range(1,10):
pageurl = ""+str(i)+".html"
data = urllib.request.urlopen(pageurl).read().decode("utf-8", "ignore")
pat = <a.*?src="(.*?).jpg!"
imglist = re.compile(pat).findall(data)
for j in range(0, len(imglist)):
try:
thisimg = imglist[j]
thisimgurl = thisimg+"_1024.jpg"
file = "F:/python_workspace/test/pic2/"+str(i)+str(j)+".jpg"
urllib.request.urlretrieve(thisimgurl, filename=file)
print("第"+str(i)+"页第"+str(j)+"个图片爬取成功")
except urllib.error.URLError as e:
if hasattr(e, "code"):
print(e.code)
if hasattr(e, "reason"):
print(e.reason)
except Exception as e:
print(e)
抓包分析实战(一)
获取淘宝的评论信息、腾讯的娱乐新闻信息等需要抓包分析。如何抓取 https 的数据包以及腾讯视频的评论。
TextView:显示返回的信息;通过 fiddler 找到含有评论的网址，复制出对应的网址，观察网址的规则。
设置完 fiddler 之后，点击要爬取的页面，回到 fiddler 中，确定有 js 内容的链接:
对应的网址为:
?itemId=&spuId=&sellerId=&order=3¤tPage=1&append=0&content=1&tagId=&posi=&picture=&ua=098%23E1hv%2FpvEvbQvUvCkvvvvvjiPP2Lw0jEbPL59AjnEPmPZQj1Pn2L9QjEvR2MwljE8vphvC9vhvvCvpvyCvhQvryGvCzox9WFIRfU6pwet9E7rejZIYExr1EuK46en3OkQrEttpR2y%2BnezrmphQRAn3feAOHPIAXcBKFyK2ixrlj7xD7QHYWsUtE97Kphv8vvvvvCvpvvvvvmCc6Cv2UIvvUnvphvpgvvv96CvpCCvvvmCXZCvhhmEvpvV2vvC9jx2uphvmvvv98GEKUM72QhvCvvvMMGtvpvhvvvvv8wCvvpvvUmm3QhvCvvhvvv%3D&isg=AoKCecM7b7NouHNtRCUm6rar0osk--IFkGgfUsyboPHyKZtOPWfQjduSCd&needFold=0&_ksTS=30_1070&callback=jsonp1071
然后确定其中的 itemId 等字段的内容，其中的部分内容未必有用处，可以直接删除，比如 上面 url的 ua 字段。
如果要抓取 https 的数据:
Fiddler 默认只能抓取 HTTP 协议的网页，不能抓取 HTTPS 协议的网页，而我们很多时候，都需要抓 HTTPS 协议的网页，比如抓淘宝数据等。今天，韦玮老师会为大家讲解如何使用 Fiddler 抓取 HTTPS 协议的网页。
打开 Fiddler，点击“Tools--FiddlerOptions--HTTPS”，把下方的全部勾上，如下图所示:
然后，点击 Action，选择将CA 证书导入到桌面，即第二项，导出后，点击上图的 ok 保存配置。
然后在桌面上就有了导出的证书，如下所示:
随后，我们可以在浏览器中导入该证书。我们打开火狐浏览器，打开“选项--高级--证书- -导入”，选择桌面上的证书，导入即可。随后，Fiddler 就可以抓 HTTPS 协议的网页了。如下图所示。
抓取腾讯视频的评论:下图为带评论的 js 文件(从 fiddler 中获取):
其中有多个字段，commentid 等，在点击“加载更多”时，commentID 会发生变化，在第一个url 的源码中会找到下一个评论 url 的地址，找到 last 字段，即为下一个 url 的commentid， 以此来构造下一个 url。
#!/usr/bin/env python
# _*_ UTF-8 _*_
# author:livan
import urllib.request
import re
import urllib.error
headers = ("User_Agent", "Mozilla/5.0 (Windows NT 10.0; WOW64; rv:53.0) Gecko/ Firefox/53.0")
opener = urllib.request.build_opener()
opener.addheaders = [headers]
urllib.request.install_opener(opener)
comid = ""
url = "?commentid="+comid+"&reqnum=20&tag=&callback=jQuery37&_=45"
for i in range(0, 100):
data = urllib.request.urlopen(url).read().decode()
patnext = "last":"(.*?)"
nextid = re.compile(patnext).findall(data)[0]
patcom = "content":"(.*?)",
comdata = re.compile(patcom).findall(data)
for j in range(0, len(comdata)):
print("------第"+str(i)+str(j)+"条评论内容是:")
print(eval(u"+comdata[j]+"))
url = "?commentid="+nextid+"&reqnum=20&tag=&callback=jQuery_37&_=45"
爬虫实战
如何解决的限制?
#!/usr/bin/env python
# _*_ UTF-8 _*_
# author:livan
import re
import urllib.request
import time
import urllib.error
#自定义函数，功能为使用代理服务器爬一个网址
def use_proxy(proxy_addr, url): #建立异常处理机制
try:
req = urllib.request.Request(url)
req.add_header("User_Agent", "Mozilla/5.0 (Windows NT 10.0; WOW64; rv:53.0) Gecko/ Firefox/53.0")
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(req).read()
return data
except urllib.error.URLError as e:
if hasattr(e, "code"):
print(e.code)
if hasattr(e, "reason"):
print(e.reason)
#若为URLError 异常，延时10 秒执行time.sleep(10)
except Exception as e:
print("exception:"+str(e))
time.sleep(1)
#设置关键词
key = "Python" #设置代理服务器，该代理服务器有可能失效，读者需要换成新的有效代理服务器#即通过fiddler中转爬取。
proxy = "127.0.0.1:8888"
#爬多少页:
for i in range(0, 10):
key = urllib.request.quote(key)
thispageurl = "?type=2&query="+key+"&page"+str(i)
#a=""
thispagedata = use_proxy(proxy, thispageurl)
print(len(str(thispagedata)))
pat1 = <a href="(.*?)"
rs1 = re.compile(pat1, re.S).findall(str(thispagedata))
if(len(rs1)==0):
print("此次("+str(i)+"页)没有成功")
continue
for j in range(0, len(rs1)):
thisurl = rs1[j]
# 提取到的网址与通过浏览器实际跳转的页面网址不完全一致，通过比#较观察发 现，爬取的页面中有amp 字段为多余。
thisurl = thisurl.replace("amp;", "")
file = "F:/python_workspace/test/wechat/第"+str(i)+"页第"+str(j)+"篇文章.html"
thisdata = use_proxy(proxy, thisurl)
try:
fh = open(file, "wb")
fh.write(thisdata)
fh.close()
print("第"+str(i)+"页第"+str(j)+"篇文章成功")
except Exception as e:
print(e)
print("第"+str(i)+"页第"+str(j)+"篇文章失败")
爬虫的爬取依然是使用浏览器，即在搜狗浏览器上使用网页版，然后编辑这个页面的 url，以获取内容。
多线程爬取实战 糗事百科的代码
#!/usr/bin/env python
# _*_ UTF-8 _*_
# author:livan
import urllib.request
import re
import urllib.error
headers = ("User_Agent", "Mozilla/5.0 (Windows NT 10.0; WOW64; rv:53.0) Gecko/ Firefox/53.0")
opener = urllib.request.build_opener()
opener.addheaders = [headers]
urllib.request.install_opener(opener)
for i in range(1, 2):
url = ""+str(i)
pagedata = urllib.request.urlopen(url).read().decode("utf-8","ignore")
pat = <div>.*?<span>(.*?)</span>.*?</div>
datalist = re.compile(pat, re.S).findall(pagedata)
for j in range(0, len(datalist)):
print("第"+str(i)+"页第"+str(j)+"个段子的内容是:")
print(datalist[j])
将此程序改为多进程为:
#!/usr/bin/env python
# _*_ UTF-8 _*_
# author:livan
import urllib.request
import re
import urllib.error
import threading
headers = ("User_Agent", "Mozilla/5.0 (Windows NT 10.0; WOW64; rv:53.0)Gecko/ Firefox/53.0")
opener = urllib.request.build_opener()
opener.addheaders = [headers]
urllib.request.install_opener(opener)
class One(threading.Thread):
def __init__(self):
threading.Thread.__init__(self)
def run(self):
for i in range(1, 36, 2):
url = ""+str(i)
pagedata = urllib.request.urlopen(url).read().decode("utf8","ignore")
pat=<div class="content">.*?<span>(.*?)</span>.*?</div>
datalist = re.compile(pat, re.S).findall(pagedata)
for j in range(0, len(datalist)):
print("第"+str(i)+"页第"+str(j)+"个段子的内容是：")
print(datalist[j])
class Two(threading.Thread):
def __init__(self):
threading.Thread.__init__(self)
def run(self):
for i in range(0, 36, 2):
url = ""+str(i)
pagedata = urllib.request.urlopen(url).read().decode("utf8","ignore")
pat=<div class="content">.*?<span>(.*?)</span>.*?</div>
datalist = re.compile(pat, re.S).findall(pagedata)
for j in range(0, len(datalist)):
print("第"+str(i)+"页第"+str(j)+"个段子的内容是：")
print(datalist[j])
one = One()
one.start()
two = Two()
two.start()
如果你觉得文章不错的话，分享、收藏、在看是对猴哥的最大支持，是猴哥持续创作的动力。
老表Pro已经满了
所以大家加老表Max吧
每日留言
说说你最近遇到的一个编程问题？
或者新学的一个小技巧？
（字数不少于15字）
留言赠书
广告Python自动化测试实战
作者：鹿瑞峰
京东 购买 广告父与子的编程之旅 与爸爸一起学Scratch（全彩）
作者：刘鸿城
京东 购买 广告机器学习入门：基于数学原理的Python实战
作者：戴璞微，潘斌
京东 购买 部分书籍参与京东每满100减50活动完整Python基础知识要点
Python小知识 | 这些技能你不会?(一)Python小知识 | 这些技能你不会?(二)Python小知识 | 这些技能你不会?(三)Python小知识 | 这些技能你不会?(四)近期推荐阅读：
【1】整理了我开始分享学习笔记到现在超过250篇优质文章，涵盖数据分析、爬虫、机器学习等方面，别再说不知道该从哪开始，实战哪里找了【2】【终篇】Pandas中文官方文档：基础用法6（含1-5)觉得不错就点一下“在看”吧