爬虫笔记（9/27）------常用爬虫（图片，链接，内容）

1.图片爬虫

1）建立爬取图片的自定义函数

2）通过for循环将该分类下的所有网页都爬取一遍

import re
import urllib.request
def craw(url,page):
html1 = urllib.request.urlopen(url).read()
html1 = str(html1)
pat1='<div id="plist".+?<div class="page clearfix">'
result1 = re.compile(pat1).findall(html1)
result1 = result1[0]
pat2 = '<img width="220" height="220" data-img="1" data-lazy-img="//(.+?\.jpg)">'
imagelist = re.compile(pat2).findall(result1)
x = 1
for imageurl in imagelist:
imagename = "C:/Users/alibaba/Desktop/jupyter/code/picturecrawler/jdphoto/"+str(page)+str(x)+".jpg"
imageurl = "http://"+imageurl
try:
urllib.request.urlretrieve(imageurl, filename = imagename)
except urllib.error.URLError as e:
if hasattr(e,"code"):
x+=1
if hasattr(e,"reason"):
x+=1
x+=1
for i in range(1,79):
url = "http://list.jd.com/list.html?cat=9987,653,655&page="+str(i)
craw(url,i)
break

2.链接爬取

1）确定好爬取的入口链接

2）构建正则表达式

3）模拟浏览器对网页进行爬取

4）提取需要的网页链接(re.compile(pat).findall(data))

5）过滤重复的网页(list(set(link)))

import re
import urllib.request
def getlink(url):
#模拟成浏览器
headers = ("User-Agent","Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/57.0.2987.133 Safari/537.36")
opener = urllib.request.build_opener()
opener.addheaders = [headers]
#将opener安装位全局
urllib.request.install_opener(opener)
file = urllib.request.urlopen(url)
data = str(file.read())
#根据需求构建好链接表达式
pat = '(https?://[^\s)";]+\.(\w|)*)'
link = re.compile(pat).findall(data)
#去除重复元素
link = list(set(link))
return link
#要爬取的网页链接
url = "http://blog.csdn.net/"
#获取对应网页中包含的链接地址
linklist = getlink(url)
#通过for循环分辨遍历输出获取到的链接地址到屏幕上
for link in linklist:
print(link[0])

3.内容爬虫

1）看网址规律，构造网址变量，for循环实现多页内容爬取

2）构造函数getcontent(用户，内容)，

·模拟成浏览器

·正则表达式

·匹配内容，爬虫

·for循环输出内容

3）for循环网页，每次调用gercontent函数

import urllib.request
import re
def getcontent(url,page):
#模拟成浏览器
headers = ("User-Agent","Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/57.0.2987.133 Safari/537.36")
opener = urllib.request.build_opener()
opener.addheaders = [headers]
#将opener安装全局
urllib.request.install_opener(opener)
data = urllib.request.urlopen(url).read().decode('utf-8')
#构建对应用户提取的正则表达式
userpat = 'target="_blank" title="(.*?)">'
#构建段子内容提取的正则表达式
contentpat = '<div class="content">(.*?)</div>'
#寻找出所有的用户
userlist = re.compile(userpat,re.S).findall(data)
#寻找出所有的内容
contentlist = re.compile(contentpat,re.S).findall(data)
x=1
#通过for循环遍历段子的内容并将内容分别赋予给对应的变量
for content in contentlist:
content = content.replace("\n","")
#用字符串作为变量名，先将对应字符串付给变量
name = "content"+str(x)
#通过exec()函数实现用字符串作为变量名赋值
exec(name+'=content')
x+=1
y=1
#通过for循环遍历用户，并输出该用户对应的内容
for user in userlist:
name = "content"+str(y)
print("用户"+str(page)+str(y)+"是"+user)
print("内容是：")
exec("print("+name+")")
print("\n")
y+=1
#分别获取各页的段子，通过for循环可获取多页
for i in range(1,30):
url="http://www.qiushibaike.com/"+str(i)
getcontent(url,i)

4.微信爬虫

1）自定义函数：

·用代理服务器爬内容

·获取多个页面的文章链接

·爬取标题和内容

2）异常处理

import re
import urllib.request
import time
import urllib.error
#模拟成浏览器
headers = ("User-Agent","Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/57.0.2987.133 Safari/537.36")
opener = urllib.request.build_opener()
opener.addheaders = [headers]
#将opener安装为全局
urllib.request.install_opener(opener)
#设置一个列表listurl存储文章网址列表
listurl = []
#自定义函数，功能为使用代理服务器
def use_proxy(proxy_addr,url):
#建立异常处理机制
try:
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
except urllib.request.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))
#若为Exception异常，延时1秒执行
time.sleep(1)
print(1)
#获取所有文章链接
def getlisturl(key,pagestart,pageend,proxy):
try:
page = pagestart
#编码关键字key
keycode = urllib.request.quote(key)
#编码“&page”
pagecode = urllib.request.quote("&page")
#循环爬取各页的文章链接
for page in range(pagestart,pageend+1):
#分别构建各页的url链接，每次循环构建一次
url = "http://weixin.sougou.com/weixin?type=2&query="+keycode+pagecode+str(page)
#用代理服务器爬取，解决IP被封杀问题
data1 = use_proxy(proxy,url)
#获取文章链接的正则表达式
listurlpat = '<div class="txt-box">.*?(http://.*?)"'
#获取每页的所有文章链接并添加到链表listurl中
listurl.append(re.compile(listurlpat,re.S).findall(data1))
print("共获取到"+str(len(listurl))+"页")#便于调试
return listurl
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))
#若为Exception异常，延时1秒执行
time.sleep(1)
#通过文章链接获取对应内容
def getcontent(listurl,proxy):
i = 0
#设置本地文件中的开始html编码
html1='''<!DOCTYPE html PUBLIC "-//W3C//DTD XHTML 1.0 Transitional//EN" "HTTP://www.w3.org/TR/xhtml1-transitional.dtd">
<html xmlns="html://www.w3.org/1999/xhtml">
<head>
<meta http-equiv="Content-Type" content="text/html; charset=utf-8"/>
<title>微信文章页面</title>
</head>
<body>'''
fh = open("自己保存的位置/1.html","wb")
fh.write(html1.encode("utf-8"))
fh.close()
#再次以追加写入的方式打开文件，以写入对应文章内容
fh = open("自己保存的位置/1.html","ab")
#此时listurl为二维列表，形如listurl[][]，第一维存储的信息跟第几页相关，第二维存储的信息跟该页第几个文章链接相关
for i in range(0,len(listurl)):
for j in range(0,len(listurl[i])):
try:
url = listurl[i][j]
#处理成真是url，读者亦可以观察对应网址的关系自行分析，采集网址比真实网址多了一串amp
url = url.replace("amp","")
#使用代理去爬取对应网站的内容
data = usr_proxy(proxy,url)
#文章标题正则表达式
titlepat = "<title>(.*?)</title>"
#文章内容正则表达式
contentpat = 'id="js_content">(.*?)id="js_sg_bar"'
#通过对应正则表达式找到标题并赋给列表title
title = re.compile(titlepat).findall(data)
#通过对应正则表达式找到内容并赋给列表content
content = re.compile(contentpat,re.S).findall(data)
#初始化标题和内容
thistitle = "此次没有获取到"
thiscontent = "此次没有获取到"
#如果标题列表不为空，说明找到了标题，取列表第零个元素，即此次标题赋给变量thistitle
if(title!=[]):
thistitle = title[0]
if(content!=0):
thiscontent = content[0]
#如果标题与内容汇总赋给变量dataall
dataall = "<p>标题为："+thistitle+"</p><p>内容为："+thiscontent+"</p><br>"
#将该片文章的标题和内容的总信息写入对应文件
fh.write(dataall.encode('utf-8'))
print("第"+str(i)+"个网页第"+str(j)+"次处理")#便于调试
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))
#若为Exception异常，延时1秒执行
time.sleep(1)
fh.close()
#设置并写入本地文本的html后面结束部分代码
html2 = '''</body>
</html>'''
fh = open("自己保存的位置/1.html","ab")
fh.write(html2.encode("utf-8"))
fh.close()
#设置关键词
key = "物联网"
#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
proxy = "119.6.136.122:80"
#可以为getlisturl()与getcontent()设置不同的代理服务器，此处没有启用该项设置
proxy2 = ""
#起始页
pagestart=1
#爬取到哪一页
pageend=2
listurl = getlisturl(key,pagestart,pageend,proxy)
getcontent(listurl,proxy)