张子浩 阅读(26) 评论(0)
import os;
import urllib.request;
import re;
import threading;# 多线程
from urllib.error import URLError#接收异常's 模块


#获取网站的源码
class QsSpider:
    #init 初始化构造函数 .self本身
    def __init__(self):
      self.user_agent='Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/63.0.3239.84 Safari/537.36'
      self.header = {'User-Agent':self.user_agent}
      self.url = 'http://www.qiubaichengren.net/%s.html'
      self.save_dir = './img'
      self.page_num = 20  #page num
#获取网站源代码
    def load_html(self,page):
        try:
            web_path = self.url % page
            request = urllib.request.Request(web_path,headers=self.header)
            with urllib.request.urlopen(request) as f:
                html_content = f.read().decode('gbk')
                #print(html_content)
                self.pick_pic(html_content)
        except URLError as e :
            print(e.reason) #异常原因
    #download
    def sava_pic(self,img):
        save_path = self.save_dir + "/" +img.replace(':','@').replace('/','_')
        if not os.path.exists(self.save_dir):
            os.makedirs(self.save_dir)
        print(save_path)
        urllib.request.urlretrieve(img,save_path)
    #filter
    def pick_pic(self,html_content):
        patren = re.compile(r'src="(http:.*?\.(?:jpg|png|gif))')
        pic_path_list = patren.findall(html_content)
        for i in pic_path_list:
           #print(i)
           self.sava_pic(str(i))


    #mamy threading
    def start(self):
        for i in range(1,self.page_num):
            thread = threading.Thread(target=self.load_html,args=str(i))
            thread.start()

# main void
spider = QsSpider()
spider.start()

一、爬虫流程:

1、发起请求

使用http库向目标站点发起请求,即发送一个Request

Request包含:请求头、请求体等 

Request模块缺陷:不能执行JS 和CSS 代码

 

2、获取响应内容

如果服务器能正常响应,则会得到一个Response

Response包含:html,json,图片,视频等

 

3、解析内容

解析html数据:正则表达式(RE模块),第三方解析库如Beautifulsoup,pyquery等

解析json数据:json模块

解析二进制数据:以wb的方式写入文件

 

4、保存数据

数据库(MySQL,Mongdb、Redis)

文件

 

二、响应Response

1、响应状态码

  200:代表成功

  301:代表跳转

  404:文件不存在

  403:无权限访问

  502:服务器错误

 

三、http协议 请求与响应

 

Request:用户将自己的信息通过浏览器(socket client)发送给服务器(socket server)

Response:服务器接收请求,分析用户发来的请求信息,然后返回数据(返回的数据中可能包含其他链接,如:图片,js,css等)

ps:浏览器在接收Response后,会解析其内容来显示给用户,而爬虫程序在模拟浏览器发送请求然后接收Response后,是要提取其中的有用数据。

 

四、结果(福利)