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：
https://www.baidu.com/s?wd=xpath&rsv_spt=1&rsv_iqid=0xdb261ac900003e2f&issp=1&f=8&rsv_bp=0&rsv_idx=2&ie=utf-8&tn=baiduhome_pg&rsv_enter=1&rsv_n=2&rsv_sug3=1 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。
扫码关注我们
微信号：SRE实战
拒绝背锅 运筹帷幄
SRE实战 互联网时代守护先锋，助力企业售后服务体系运筹帷幄！一键直达领取阿里云限量特价优惠。
此文是我在学习《精通Python网络爬虫》（韦玮著）的总结,纯手打。
更多精彩
