【Python】Spider 初探

本文为 one-ccs 原创文章，引用必须注明出处！

最初是看到了Python爬虫入门教程：超级简单的Python爬虫教程，就有点感兴趣。正好这几天有时间，就一头钻了进去。经过几天的研究，也算有了一些了解。

你需要知道

1. HTML（超文本标记语言 ，Hyper Text Markup Language）
2. 正则表达式（规则表达式，Regular Expression，在代码中常简写为regex、regexp或RE
3. 编码
4. python
   urllib （Python 内置的 HTTP 请求库）
   requests (第三方 HTTP 请求库，pip install requests）
   re（Python 内置的 正则 库）
   try: … except: …异常处理

准备

1.HTML

HTML 简介

2. 正则表达式

github - learn-regex

你是如何学会正则表达式的？

3. 编码

什么是字符编码

4. python

urllib的详解使用

urllib.parse解析链接

urlretrieve() 函数下载图片

requests库详解 --Python3

python爬虫之requests的使用

从requests源码和scrapy源码分析编码问题

Python正则表达式指南

异常处理

目标

以爬取壁纸吧的图片为例，输入首页地址，自动爬取所有页面的图片

开始

注：以下使用的所有库，在上一节“准备”中都给出了对应的链接，且你在里面能学到的必然远远超过接下来所学的，以下仅仅做为一个示例，抛砖引玉，让我们开始吧！

1. 使用 requests 获取网页源代码

本来是用的python内置的 urlllib 但是这个库用起来特麻烦（特别是处理字符串编码的时候），最后换成了第三方的 requests

\'\'\' 使用 requests \'\'\'

import requests
from requests.exceptions import ReadTimeout, HTTPError, RequestException


url = \'...\'

# 尝试执行 try 缩进的代码，捕获错误后执行对应语句，否则报错并结束程序的运行
try:
    # 请求 url 获得一个 
    response = requests.get(url, timeout=2.5)
except ReadTimeout as e:
	# 捕获 ReadTimeout 错误，并临时命名为 e
    print(\'Error: 连接超时 ->\', url)
except HTTPError as e:
	# 捕获 HTTPError 错误，并临时命名为 e
    print(\'Error: 无效的 url 链接 ->\', url)
except RequestException as e:
	# 捕获 RequestException 错误，并临时命名为 e
    print(\'Error: 请求异常 ->\', url)
except Exception as e:
	# 极端做法，捕获 所有 错误，并临时命名为 e
    print(\'Error:\', e, \'->\', url)
else:
	# 当 try 语句块正确执行就会执行 else 语句块
    # 提取网页源代码 
    text = response.text
    print(text)
    
## 如果输出有乱码，试试
# print(text.encode(\'utf-8\'))
## gbk, gb2312 是 gb18030 的子集，使用后者比较保险
# print(text.encode(\'gb18030\'))
## apparent_encoding -> requests 用 chardet 对字节流猜测获得的编码
# print(text.encode(response.apparent_encoding))

\'\'\' 使用 urllib \'\'\'

from urllib import request


url = \'https://tieba.baidu.com/p/6197666814?pn=1\'

# 请求 url 获得一个 
response = request.urlopen(url)

# 获取网页的源代码的字节流 
b_text = response.read()

# 解码获取对应的网页源码 
text = b_text.decode(\'utf-8\')

print(text)

2. 选择合适的正则表达式

随便打开一条帖子，复制图片地址。然后右击 -> 查看网页源代码 -> Ctrl+F -> 搜索复制的地址

搜索成功，并且发现图片路径是使用的绝对路径，这下好办了！

观察链接规律，使用正则 (?<=src=\").+?\\.jpg


匹配多达83个，有许多都是不需要的链接。
对表达式进行优化 (?<=src=\").+?\\.jpg(?=\" size=\"\\d{4,7})


优化后匹配39个，正好。

3. 使用 re 筛选

\'\'\' 使用正则表达式筛选可用链接 \'\'\'

import requests
import re


url = \'...\'
response = requests.get(url)
text = response.text

# 正则表达式
regex = r\'(?<=src=\").+?\\.jpg(?=\" size=\"\\d{4,7})\'

# 编译正则表达式 
pattern = re.compile(regex)

# 获得全部匹配的字符串 
# match[0] 
match = re.findall(pattern, text)

for s in match:
    print(s)

4. 使用 urllib.request 下载

既然获取了下载链接，那么下一步自然就是把图片下载下来了

\'\'\' 下载 \'\'\'

# 保存地址，这里使用的相对路径
path = \'./download/01.jpg\'

# 下载，这里忽略了回调函数
request.urlretrieve(match[0], path)

5. 获取第 n 页链接

现在下载首页的图片没有问题了，那怎么自动下载第 n 页呢？
又是推理时间：
第一页 .../p/6197666814?pn=1
第二页 .../p/6197666814?pn=2
观察可知只有最后一个数字发生了变化，那猜测，最后一个数字是不是代表页数呢？
可推出第6页会不会是 .../p/6197666814?pn=6呢？
经验证后，果然是这样

接下来就是一页一页的下载所有页面了，很容易就想到了循环使用字符串的 format 方法

\'\'\' 获取第 n 页链接 \'\'\'

url = \'...\'

# 字符串模板
url_model = url[:-4] + \'{}\'

page = 1                # 起始页
end_page = 100          # 结束页

while page <= end_page:
    print(url_model.format(\'pn=\' + str(page)))
    page += 1

6. 结束

恭喜，你已经成功爬取了一堆预览图

ヽ(#`Д´)ﾉ 解决办法是，继续推理

预览图地址
/forum/w%3D580/sign=48d1e6...8/c61ca8d3fd1f413455c8b5922b1f95cad0c85e65.jpg
/forum/w%3D580/sign=2266b3...a/ec5694eef01f3a29898b65229725bc315d607c99.jpg
原图地址
/forum/pic/item/c61ca8d3fd1f413455c8b5922b1f95cad0c85e65.jpg
/forum/pic/item/ec5694eef01f3a29898b65229725bc315d607c99.jpg

观察发现文件名是不变的，只有路径变了
ok，那好办给所有下载链接变个装

\'\'\' 使用 url2fn 提取文件名 \'\'\'

def url2fn(url):
    \"\"\" 返回 url 中的文件名 \"\"\"
    if not isinstance(url, str):
        raise ValueError(
            \'The argument \"url\" should be a \"str\", but it is a \"{}\".\'.format(type(url)))
    flag = url[::-1].find(\'/\')
    if flag == -1:
        return None
    file = url[-flag:]
    return file

\'\'\' 获取所有文件名 \'\'\'

filenames = map(url2fn, match)

for filename in filenames:
    print(filename)

\'\'\' 组合链接 \'\'\'

# 获取所有文件名 
filenames = map(url2fn, match)

# 转换类型 
filenames = list(filenames)

# 拼接所有链接
real_urls = map(lambda x : \'.../forum/pic/item/\' + x, filenames)

path = \'./download/\'

for url, name in zip(real_urls, filenames):
    print(\'Download:\', url)
    request.urlretrieve(url, path + name)

7. 真的结束了

整理所有代码

#!/usr/bin/env python3
# -*- coding: utf-8 -*-

import requests
import re
from requests.exceptions import ReadTimeout, HTTPError, RequestException
from urllib import request


def check_url(url):
    \"\"\"对首页链接的特殊情况进行特殊处理

    若首页链接没有带页码，则自动加上页码方便后续处理
    \"\"\"

    if url.find(\'?\') == -1:
        url += \'?pn=1\'

    return url


def get_text(url):
    \"\"\"返回网页源码\"\"\"

    text = None
	try:
	    # 请求 url 获得一个 
	    response = requests.get(url, timeout=2.5)
	except ReadTimeout as e:
		# 捕获 ReadTimeout 错误，并临时命名为 e
	    print(\'Error: 连接超时 ->\', url)
	except HTTPError as e:
		# 捕获 HTTPError 错误，并临时命名为 e
	    print(\'Error: 无效的 url 链接 ->\', url)
	except RequestException as e:
		# 捕获 RequestException 错误，并临时命名为 e
	    print(\'Error: 请求异常 ->\', url)
	except Exception as e:
		# 极端做法，捕获 所有 错误，并临时命名为 e
	    print(\'Error:\', e, \'->\', url)
	else:
		# 当 try 语句块正确执行就会执行 else 语句块
        # 提取网页源代码 
        text = response.text

    return text


def get_urls(text, regex):
    \"\"\"筛选链接

    Args:
        text: 待匹配字符串
        regex: 正则表达式
    \"\"\"
    # 编译正则表达式 
    pattern = re.compile(regex)

    # 获得全部匹配的字符串 
    # match[0] 
    match = re.findall(pattern, text)

    return match

def url2fn(url):
    \"\"\"返回 url 中的文件名\"\"\"

    if not isinstance(url, str):
        raise ValueError(
            \'The argument \"url\" should be a \"str\", but it is a \"{}\".\'.format(type(url)))

    flag = url[::-1].find(\'/\')

    if flag == -1:
        return None

    file = url[-flag:]

    return file


def main(url):
    \"\"\"主函数\"\"\"

    # 字符串模板
    url_model = url[:-4] + \'{}\'

    # 正则表达式
    regex = r\'(?<=src=\").+?\\.jpg(?=\" size=\"\\d{4,7})\'

    # 保存地址，这里使用的相对路径
    path = \'./download/\'

    page = 1                # 起始页

    end_page = 100          # 结束页

    while page <= end_page:
        url = url_model.format(\'pn=\' + str(page))
        print(url)

        text = get_text(url)

        urls = get_urls(text, regex)

        # 获取所有文件名 
        filenames = map(url2fn, urls)

        # 转换类型 
        filenames = list(filenames)

        # 拼接所有链接
        real_urls = map(lambda x : \'.../forum/pic/item/\' + x, filenames)

        for url, name in zip(real_urls, filenames):

            print(\'Download:\', url)

            request.urlretrieve(url, path + name)

        page += 1

    return None


if __name__ == \"__main__\":
    while True:
        url = input(\'请输入链接： \')
        url = check_url(url)
        main(url)
        result = input(\'\\n是否继续执行? [Y/N]: \')
        if result == \'N\' or result == \'n\':
            exit(0)

总结

你学到了：

• 什么是 HTML
• 什么是 正则表达式
• python库 urllib，requests，re
• try: … except: …异常处理

还需要注意：Python爬虫基本上都是一次性的，但万物不离根，都是这么个思路，只需要根据实际情况制定不同的策略。

还可以做什么

• 提取域名
• 提取标题
• 提取文件名
• 根据 “./download/域名/标题/文件名” 的形式组织保存目录
• 提取日期
• 提取尾页页码
• 等等