?一、網(wǎng)絡爬蟲
????? 網(wǎng)絡爬蟲又被稱為網(wǎng)絡蜘蛛（???），我們可以把互聯(lián)網(wǎng)想象成一個蜘蛛網(wǎng)，每一個網(wǎng)站都是一個節(jié)點，我們可以使用一只蜘蛛去各個網(wǎng)頁抓取我們想要的資源。舉一個最簡單的例子，你在百度和谷歌中輸入‘Python'，會有大量和Python相關的網(wǎng)頁被檢索出來，百度和谷歌是如何從海量的網(wǎng)頁中檢索出你想要的資源，他們靠的就是派出大量蜘蛛去網(wǎng)頁上爬取，檢索關鍵字，建立索引數(shù)據(jù)庫，經(jīng)過復雜的排序算法，結果按照搜索關鍵字相關度的高低展現(xiàn)給你。
???? 千里之行，始于足下，我們從最基礎的開始學習如何寫一個網(wǎng)絡爬蟲，實現(xiàn)語言使用Python。
二、Python如何訪問互聯(lián)網(wǎng)
????? 想要寫網(wǎng)絡爬蟲，第一步是訪問互聯(lián)網(wǎng)，Python如何訪問互聯(lián)網(wǎng)呢？
????? 在Python中，我們使用urllib包訪問互聯(lián)網(wǎng)。（在Python3中，對這個模塊做了比較大的調(diào)整，以前有urllib和urllib2,在3中對這兩個模塊做了統(tǒng)一合并，稱為urllib包。包下面包含了四個模塊，urllib.request，urllib.error，urllib.parse，urllib.robotparser），目前主要使用的是urllib.request。
????? 我們首先舉一個最簡單的例子，如何獲取獲取網(wǎng)頁的源碼：
import urllib.request
response = urllib.request.urlopen('https://docs.python.org/3/')
html = response.read()
print(html.decode('utf-8'))
三、Python網(wǎng)絡簡單使用
?????? 首先我們用兩個小demo練一下手，一個是使用python代碼下載一張圖片到本地，另一個是調(diào)用有道翻譯寫一個翻譯小軟件。
?????? 3.1根據(jù)圖片鏈接下載圖片，代碼如下：
編輯
import urllib.request
response = urllib.request.urlopen('http://www.3lian.com/e/ViewImg/index.html?url=http://img16.3lian.com/gif2016/w1/3/d/61.jpg')
image = response.read()
with open('123.jpg','wb') as f:
? ? f.write(image)
編輯
?????? 其中response是一個對象
?????? 輸入：response.geturl()
->'http://www.3lian.com/e/ViewImg/index.html?url=http://img16.3lian.com/gif2016/w1/3/d/61.jpg'
輸入：response.info()
?????? -><http.client.HTTPMessage object at 0x10591c0b8>
?????? 輸入：print(response.info())
->Content-Type: text/html
Last-Modified: Mon, 27 Sep 2004 01:23:20 GMT
Accept-Ranges: bytes
ETag: "0f4b59230a4c41:0"
Server: Microsoft-IIS/8.0
Date: Sun, 14 Aug 2016 07:16:01 GMT
Connection: close
?????????? Content-Length: 2827
???????輸入：response.getcode()
?????? ->200
?????? 3.1使用有道詞典實現(xiàn)翻譯功能
??????????? 我們想實現(xiàn)翻譯功能，我們需要拿到請求鏈接。首先我們需要進入有道首頁，點擊翻譯，在翻譯界面輸入要翻譯的內(nèi)容，點擊翻譯按鈕，就會向服務器發(fā)起一個請求，我們需要做的就是拿到請求地址和請求參數(shù)。
??????????? 我在此使用谷歌瀏覽器實現(xiàn)拿到請求地址和請求參數(shù)。首先點擊右鍵，點擊檢查（不同瀏覽器點擊的選項可能不同，同一瀏覽器的不同版本也可能不同），進入圖一所示，從中我們可以拿到請求請求地址和請求參數(shù)，在Header中的Form Data中我們可以拿到請求參數(shù)。
編輯
?（圖一）
代碼段如下：
編輯
import urllib.request
import urllib.parse
url = 'http://fanyi.youdao.com/translate?smartresult=dict&smartresult=rule&smartresult=ugc&sessionFrom=dict2.index'
data = {}
data['type'] = 'AUTO'
data['i'] = 'i love you'
data['doctype'] = 'json'
data['xmlVersion'] = '1.8'
data['keyfrom'] = 'fanyi.web'
data['ue'] = 'UTF-8'
data['action'] = 'FY_BY_CLICKBUTTON'
data['typoResult'] = 'true'
data = urllib.parse.urlencode(data).encode('utf-8')
response = urllib.request.urlopen(url,data)
html = response.read().decode('utf-8')
print(html)
編輯
????? 上述代碼執(zhí)行如下：
???????? {"type":"EN2ZH_CN","errorCode":0,"elapsedTime":0,"translateResult":[[{"src":"i love you","tgt":"我愛你"}]],"smartResult":{"type":1,"entries":["","我愛你。"]}}
????? 對于上述結果，我們可以看到是一個json串，我們可以對此解析一下，并且對代碼進行完善一下：
編輯
import urllib.request
import urllib.parse
import json
url = 'http://fanyi.youdao.com/translate?smartresult=dict&smartresult=rule&smartresult=ugc&sessionFrom=dict2.index'
data = {}
data['type'] = 'AUTO'
data['i'] = 'i love you'
data['doctype'] = 'json'
data['xmlVersion'] = '1.8'
data['keyfrom'] = 'fanyi.web'
data['ue'] = 'UTF-8'
data['action'] = 'FY_BY_CLICKBUTTON'
data['typoResult'] = 'true'
data = urllib.parse.urlencode(data).encode('utf-8')
response = urllib.request.urlopen(url,data)
html = response.read().decode('utf-8')
target = json.loads(html)
print(target['translateResult'][0][0]['tgt'])
編輯
四、規(guī)避風險
?????? 服務器檢測出請求不是來自瀏覽器，可能會屏蔽掉請求，服務器判斷的依據(jù)是使用‘User-Agent',我們可以修改改字段的值，來隱藏自己。代碼如下：
編輯
?View Code
?????? 上述做法雖然可以隱藏自己，但是還有很大問題，例如一個網(wǎng)絡爬蟲下載圖片軟件，在短時間內(nèi)大量下載圖片，服務器可以可以根據(jù)IP訪問次數(shù)判斷是否是正常訪問。所有上述做法還有很大的問題。我們可以通過兩種做法解決辦法，一是使用延遲，例如5秒內(nèi)訪問一次。另一種辦法是使用代理。
????? 延遲訪問（休眠5秒，缺點是訪問效率低下）：
編輯
?View Code
????? 代理訪問：讓代理訪問資源，然后講訪問到的資源返回。服務器看到的是代理的IP地址，不是自己地址，服務器就沒有辦法對你做限制。
????? 步驟：
????? 1，參數(shù)是一個字典｛'類型' : '代理IP：端口號' ｝ //類型是http,https等
?????? proxy_support = urllib.request.ProxyHandler({})
????? 2，定制、創(chuàng)建一個opener
?????? opener = urllib.request.build_opener(proxy_support)
????? 3，安裝opener(永久安裝，一勞永逸)
?????? urllib.request.install_opener(opener)
????? 3，調(diào)用opener（調(diào)用的時候使用）
??????? opener.open(url)
五、批量下載網(wǎng)絡圖片
?????? 圖片下載來源為煎蛋網(wǎng)（http://jandan.net)
?????? 圖片下載的關鍵是找到圖片的規(guī)律，如找到當前頁，每一頁的圖片鏈接，然后使用循環(huán)下載圖片。下面是程序代碼（待優(yōu)化,正則表達式匹配，IP代理）：
編輯
import urllib.request
import os
def url_open(url):
? ? req = urllib.request.Request(url)
? ? req.add_header('User-Agent','Mozilla/5.0')
? ? response = urllib.request.urlopen(req)
? ? html = response.read()
? ? return html
def get_page(url):
? ? html = url_open(url).decode('utf-8')
? ? a = html.find('current-comment-page') + 23
? ? b = html.find(']',a)
? ? return html[a:b]
def find_image(url):
? ? html = url_open(url).decode('utf-8')
? ? image_addrs = []
? ? a = html.find('img src=')
? ? while a != -1:
? ? ? ? b = html.find('.jpg',a,a + 150)
? ? ? ? if b != -1:
? ? ? ? ? ? image_addrs.append(html[a+9:b+4])
? ? ? ? else:
? ? ? ? ? ? b = a + 9
? ? ? ? a = html.find('img src=',b)
? ? for each in image_addrs:
? ? ? ? print(each)
? ? return image_addrs
def save_image(folder,image_addrs):
? ? for each in image_addrs:
? ? ? ? filename = each.split('/')[-1]
? ? ? ? with open(filename,'wb') as f:
? ? ? ? ? ? img = url_open(each)
? ? ? ? ? ? f.write(img)
def download_girls(folder = 'girlimage',pages = 20):
? ? os.mkdir(folder)
? ? os.chdir(folder)
? ? url = 'http://jandan.net/ooxx/'
? ? page_num = int(get_page(url))
? ? for i in range(pages):
? ? ? ? page_num -= i
? ? ? ? page_url = url + 'page-' + str(page_num) + '#comments'
? ? ? ? image_addrs = find_image(page_url)
? ? ? ? save_image(folder,image_addrs)
if __name__ == '__main__':
? ? download_girls()
編輯
?代碼運行效果如下：
編輯
