整合營銷服務商
電腦端+手機端+微信端=數(shù)據(jù)同步管理
免費咨詢熱線：
電腦端+手機端+微信端=數(shù)據(jù)同步管理
免費咨詢熱線：
時大家在Github上找項目的時候經常會需要去看看這個項目的一些代碼，如果是明確的想要這個項目，就會下載到本地，然后導入到開發(fā)工具中查看。
如果不是很明確，只是想了解下，就會直接在網頁上進行查看，大家也都知道，Github的這個訪問是時快時慢，一個個頁面去點的話太慢了，也沒有層級結構。
所以很多時候我們都會去下載一些插件用于快速的瀏覽源碼，會在左側有個樹形的菜單，效果如下：
但是這個只是多了個菜單，并沒有其他的一些功能，不過也算比較實用的插件。
最近發(fā)現(xiàn)Github出現(xiàn)了一個挺有用的項目叫github1s，打開這個網址你會發(fā)現(xiàn)出現(xiàn)了一個VS Code的編輯器，在網頁里面。
如果想要訪問某個單獨的倉庫，可以直接在github后面加個1s即可。比如倉庫地址是https://github.com/yinjihuan/kitty你打開那就是普通的網頁。
如果你把地址改成https://github1s.com/yinjihuan/kitty去訪問的話就變成編輯器樣式了。
有了這個工具，源碼看起來幾乎和本地一樣的體驗，非常爽。
我還試了一種情況，在某些情況下Github的網頁打不開，用這個1s的域名能打開，感覺還能起到加速的作用，覺得非常不錯，今天就推薦給大家了。
讀：本文主要分為兩個部分：一部分是網絡爬蟲的概述，幫助大家詳細了解網絡爬蟲；另一部分是HTTP請求的Python實現(xiàn)，幫助大家了解Python中實現(xiàn)HTTP請求的各種方式，以便具備編寫HTTP網絡程序的能力。
作者：范傳輝
如需轉載請聯(lián)系華章科技
接下來從網絡爬蟲的概念、用處與價值和結構等三個方面，讓大家對網絡爬蟲有一個基本的了解。
1. 網絡爬蟲及其應用
隨著網絡的迅速發(fā)展，萬維網成為大量信息的載體，如何有效地提取并利用這些信息成為一個巨大的挑戰(zhàn)，網絡爬蟲應運而生。網絡爬蟲（又被稱為網頁蜘蛛、網絡機器人），是一種按照一定的規(guī)則，自動地抓取萬維網信息的程序或者腳本。下面通過圖3-1展示一下網絡爬蟲在互聯(lián)網中起到的作用：
▲圖3-1 網絡爬蟲
網絡爬蟲按照系統(tǒng)結構和實現(xiàn)技術，大致可以分為以下幾種類型：通用網絡爬蟲、聚焦網絡爬蟲、增量式網絡爬蟲、深層網絡爬蟲。實際的網絡爬蟲系統(tǒng)通常是幾種爬蟲技術相結合實現(xiàn)的。
搜索引擎（Search Engine），例如傳統(tǒng)的通用搜索引擎baidu、Yahoo和Google等，是一種大型復雜的網絡爬蟲，屬于通用性網絡爬蟲的范疇。但是通用性搜索引擎存在著一定的局限性：
為了解決上述問題，定向抓取相關網頁資源的聚焦爬蟲應運而生。
聚焦爬蟲是一個自動下載網頁的程序，它根據(jù)既定的抓取目標，有選擇地訪問萬維網上的網頁與相關的鏈接，獲取所需要的信息。與通用爬蟲不同，聚焦爬蟲并不追求大的覆蓋，而將目標定為抓取與某一特定主題內容相關的網頁，為面向主題的用戶查詢準備數(shù)據(jù)資源。
說完了聚焦爬蟲，接下來再說一下增量式網絡爬蟲。增量式網絡爬蟲是指對已下載網頁采取增量式更新和只爬行新產生的或者已經發(fā)生變化網頁的爬蟲，它能夠在一定程度上保證所爬行的頁面是盡可能新的頁面。
和周期性爬行和刷新頁面的網絡爬蟲相比，增量式爬蟲只會在需要的時候爬行新產生或發(fā)生更新的頁面，并不重新下載沒有發(fā)生變化的頁面，可有效減少數(shù)據(jù)下載量，及時更新已爬行的網頁，減小時間和空間上的耗費，但是增加了爬行算法的復雜度和實現(xiàn)難度。
例如：想獲取趕集網的招聘信息，以前爬取過的數(shù)據(jù)沒有必要重復爬取，只需要獲取更新的招聘數(shù)據(jù)，這時候就要用到增量式爬蟲。
最后說一下深層網絡爬蟲。Web頁面按存在方式可以分為表層網頁和深層網頁。表層網頁是指傳統(tǒng)搜索引擎可以索引的頁面，以超鏈接可以到達的靜態(tài)網頁為主構成的Web頁面。深層網絡是那些大部分內容不能通過靜態(tài)鏈接獲取的、隱藏在搜索表單后的，只有用戶提交一些關鍵詞才能獲得的Web頁面。
例如用戶登錄或者注冊才能訪問的頁面。可以想象這樣一個場景：爬取貼吧或者論壇中的數(shù)據(jù)，必須在用戶登錄后，有權限的情況下才能獲取完整的數(shù)據(jù)。
2. 網絡爬蟲結構
下面用一個通用的網絡爬蟲結構來說明網絡爬蟲的基本工作流程，如圖3-4所示。
▲圖3-4 網絡爬蟲結構
網絡爬蟲的基本工作流程如下：
通過上面的網絡爬蟲結構，我們可以看到讀取URL、下載網頁是每一個爬蟲必備而且關鍵的功能，這就需要和HTTP請求打交道。接下來講解Python中實現(xiàn)HTTP請求的三種方式：urllib2/urllib、httplib/urllib以及Requests。
1. urllib2/urllib實現(xiàn)
urllib2和urllib是Python中的兩個內置模塊，要實現(xiàn)HTTP功能，實現(xiàn)方式是以urllib2為主，urllib為輔。
1.1 首先實現(xiàn)一個完整的請求與響應模型
urllib2提供一個基礎函數(shù)urlopen，通過向指定的URL發(fā)出請求來獲取數(shù)據(jù)。最簡單的形式是：
import urllib2
response=urllib2.urlopen('http://www.zhihu.com')
html=response.read()
print html
其實可以將上面對http://www.zhihu.com的請求響應分為兩步，一步是請求，一步是響應，形式如下：
import urllib2
# 請求
request=urllib2.Request('http://www.zhihu.com')
# 響應
response=urllib2.urlopen(request)
html=response.read()
print html
上面這兩種形式都是GET請求，接下來演示一下POST請求，其實大同小異，只是增加了請求數(shù)據(jù)，這時候用到了urllib。示例如下：
import urllib
import urllib2
url='http://www.xxxxxx.com/login'
postdata={'username' : 'qiye',
'password' : 'qiye_pass'}
# info 需要被編碼為urllib2能理解的格式，這里用到的是urllib
data=urllib.urlencode(postdata)
req=urllib2.Request(url, data)
response=urllib2.urlopen(req)
html=response.read()
但是有時會出現(xiàn)這種情況：即使POST請求的數(shù)據(jù)是對的，但是服務器拒絕你的訪問。這是為什么呢?問題出在請求中的頭信息，服務器會檢驗請求頭，來判斷是否是來自瀏覽器的訪問，這也是反爬蟲的常用手段。
1.2 請求頭headers處理
將上面的例子改寫一下，加上請求頭信息，設置一下請求頭中的User-Agent域和Referer域信息。
import urllib
import urllib2
url='http://www.xxxxxx.com/login'
user_agent='Mozilla/4.0 (compatible; MSIE 5.5; Windows NT)'
referer='http://www.xxxxxx.com/'
postdata={'username' : 'qiye',
'password' : 'qiye_pass'}
# 將user_agent,referer寫入頭信息
headers={'User-Agent':user_agent,'Referer':referer}
data=urllib.urlencode(postdata)
req=urllib2.Request(url, data,headers)
response=urllib2.urlopen(req)
html=response.read()
也可以這樣寫，使用add_header來添加請求頭信息，修改如下：
import urllib
import urllib2
url='http://www.xxxxxx.com/login'
user_agent='Mozilla/4.0 (compatible; MSIE 5.5; Windows NT)'
referer='http://www.xxxxxx.com/'
postdata={'username' : 'qiye',
'password' : 'qiye_pass'}
data=urllib.urlencode(postdata)
req=urllib2.Request(url)
# 將user_agent,referer寫入頭信息
req.add_header('User-Agent',user_agent)
req.add_header('Referer',referer)
req.add_data(data)
response=urllib2.urlopen(req)
html=response.read()
對有些header要特別留意，服務器會針對這些header做檢查，例如：
1.3 Cookie處理
urllib2對Cookie的處理也是自動的，使用CookieJar函數(shù)進行Cookie的管理。如果需要得到某個Cookie項的值，可以這么做：
import urllib2
import cookielib
cookie=cookielib.CookieJar()
opener=urllib2.build_opener(urllib2.HTTPCookieProcessor(cookie))
response=opener.open('http://www.zhihu.com')
for item in cookie:
print item.name+':'+item.value
但是有時候會遇到這種情況，我們不想讓urllib2自動處理，我們想自己添加Cookie的內容，可以通過設置請求頭中的Cookie域來做：
import urllib2 opener=urllib2.build_opener() opener.addheaders.append( ( 'Cookie', 'email=' + "xxxxxxx@163.com" ) ) req=urllib2.Request( "http://www.zhihu.com/" ) response=opener.open(req) print response.headers retdata=response.read()
1.4 Timeout設置超時
在Python2.6之前的版本，urllib2的API并沒有暴露Timeout的設置，要設置Timeout值，只能更改Socket的全局Timeout值。示例如下：
import urllib2 import socket socket.setdefaulttimeout(10) # 10 秒鐘后超時 urllib2.socket.setdefaulttimeout(10) # 另一種方式
在Python2.6及新的版本中，urlopen函數(shù)提供了對Timeout的設置，示例如下：
import urllib2
request=urllib2.Request('http://www.zhihu.com')
response=urllib2.urlopen(request,timeout=2)
html=response.read()
print html
1.5 獲取HTTP響應碼
對于200 OK來說，只要使用urlopen返回的response對象的getcode()方法就可以得到HTTP的返回碼。但對其他返回碼來說，urlopen會拋出異常。這時候，就要檢查異常對象的code屬性了，示例如下：
import urllib2
try:
response=urllib2.urlopen('http://www.google.com')
print response
except urllib2.HTTPError as e:
if hasattr(e, 'code'):
print 'Error code:',e.code
1.6 重定向
urllib2默認情況下會針對HTTP 3XX返回碼自動進行重定向動作。要檢測是否發(fā)生了重定向動作，只要檢查一下Response的URL和Request的URL是否一致就可以了，示例如下：
import urllib2
response=urllib2.urlopen('http://www.zhihu.cn')
isRedirected=response.geturl()=='http://www.zhihu.cn'
如果不想自動重定向，可以自定義HTTPRedirectHandler類，示例如下：
import urllib2
class RedirectHandler(urllib2.HTTPRedirectHandler):
def http_error_301(self, req, fp, code, msg, headers):
pass
def http_error_302(self, req, fp, code, msg, headers):
result=urllib2.HTTPRedirectHandler.http_error_301(self, req, fp, code,
msg, headers)
result.status=code
result.newurl=result.geturl()
return result
opener=urllib2.build_opener(RedirectHandler)
opener.open('http://www.zhihu.cn')
1.7 Proxy的設置
在做爬蟲開發(fā)中，必不可少地會用到代理。urllib2默認會使用環(huán)境變量http_proxy來設置HTTP Proxy。但是我們一般不采用這種方式，而是使用ProxyHandler在程序中動態(tài)設置代理，示例代碼如下：
import urllib2
proxy=urllib2.ProxyHandler({'http': '127.0.0.1:8087'})
opener=urllib2.build_opener([proxy,])
urllib2.install_opener(opener)
response=urllib2.urlopen('http://www.zhihu.com/')
print response.read()
這里要注意的一個細節(jié)，使用urllib2.install_opener()會設置urllib2的全局opener，之后所有的HTTP訪問都會使用這個代理。這樣使用會很方便，但不能做更細粒度的控制，比如想在程序中使用兩個不同的Proxy設置，這種場景在爬蟲中很常見。比較好的做法是不使用install_opener去更改全局的設置，而只是直接調用opener的open方法代替全局的urlopen方法，修改如下：
import urllib2
proxy=urllib2.ProxyHandler({'http': '127.0.0.1:8087'})
opener=urllib2.build_opener(proxy,)
response=opener.open("http://www.zhihu.com/")
print response.read()
2. httplib/urllib實現(xiàn)
httplib模塊是一個底層基礎模塊，可以看到建立HTTP請求的每一步，但是實現(xiàn)的功能比較少，正常情況下比較少用到。在Python爬蟲開發(fā)中基本上用不到，所以在此只是進行一下知識普及。下面介紹一下常用的對象和函數(shù)：
接下來演示一下GET請求和POST請求的發(fā)送，首先是GET請求的示例，如下所示：
import httplib
conn=None
try:
conn=httplib.HTTPConnection("www.zhihu.com")
conn.request("GET", "/")
response=conn.getresponse()
print response.status, response.reason
print '-' * 40
headers=response.getheaders()
for h in headers:
print h
print '-' * 40
print response.msg
except Exception,e:
print e
finally:
if conn:
conn.close()
POST請求的示例如下：
import httplib, urllib
conn=None
try:
params=urllib.urlencode({'name': 'qiye', 'age': 22})
headers={"Content-type": "application/x-www-form-urlencoded"
, "Accept": "text/plain"}
conn=httplib.HTTPConnection("www.zhihu.com", 80, timeout=3)
conn.request("POST", "/login", params, headers)
response=conn.getresponse()
print response.getheaders() # 獲取頭信息
print response.status
print response.read()
except Exception, e:
print e
finally:
if conn:
conn.close()
3. 更人性化的Requests
Python中Requests實現(xiàn)HTTP請求的方式，是本人極力推薦的，也是在Python爬蟲開發(fā)中最為常用的方式。Requests實現(xiàn)HTTP請求非常簡單，操作更加人性化。
Requests庫是第三方模塊，需要額外進行安裝。Requests是一個開源庫，源碼位于：
GitHub: https://github.com/kennethreitz/requests
希望大家多多支持作者。
使用Requests庫需要先進行安裝，一般有兩種安裝方式：
如何驗證Requests模塊安裝是否成功呢？在Python的shell中輸入import requests，如果不報錯，則是安裝成功。如圖3-5所示。
▲圖3-5 驗證Requests安裝
3.1 首先還是實現(xiàn)一個完整的請求與響應模型
以GET請求為例，最簡單的形式如下：
import requests
r=requests.get('http://www.baidu.com')
print r.content
大家可以看到比urllib2實現(xiàn)方式的代碼量少。接下來演示一下POST請求，同樣是非常簡短，更加具有Python風格。示例如下：
import requests
postdata={'key':'value'}
r=requests.post('http://www.xxxxxx.com/login',data=postdata)
print r.content
HTTP中的其他請求方式也可以用Requests來實現(xiàn)，示例如下：
r=requests.put('http://www.xxxxxx.com/put', data={'key':'value'})
r=requests.delete('http://www.xxxxxx.com/delete')
r=requests.head('http://www.xxxxxx.com/get')
r=requests.options('http://www.xxxxxx.com/get')
接著講解一下稍微復雜的方式，大家肯定見過類似這樣的URL：
http://zzk.cnblogs.com/s/blogpost?Keywords=blog:qiyeboy&pageindex=1
就是在網址后面緊跟著“?”，“?”后面還有參數(shù)。那么這樣的GET請求該如何發(fā)送呢？肯定有人會說，直接將完整的URL帶入即可，不過Requests還提供了其他方式，示例如下：
import requests
payload={'Keywords': 'blog:qiyeboy','pageindex':1}
r=requests.get('http://zzk.cnblogs.com/s/blogpost', params=payload)
print r.url
通過打印結果，我們看到最終的URL變成了：
http://zzk.cnblogs.com/s/blogpost?Keywords=blog:qiyeboy&pageindex=1
3.2 響應與編碼
還是從代碼入手，示例如下：
import requests
r=requests.get('http://www.baidu.com')
print 'content-->'+r.content
print 'text-->'+r.text
print 'encoding-->'+r.encoding
r.encoding='utf-8'
print 'new text-->'+r.text
其中r.content返回的是字節(jié)形式，r.text返回的是文本形式，r.encoding返回的是根據(jù)HTTP頭猜測的網頁編碼格式。
輸出結果中：“text-->”之后的內容在控制臺看到的是亂碼，“encoding-->”之后的內容是ISO-8859-1（實際上的編碼格式是UTF-8），由于Requests猜測編碼錯誤，導致解析文本出現(xiàn)了亂碼。Requests提供了解決方案，可以自行設置編碼格式，r.encoding='utf-8'設置成UTF-8之后，“new text-->”的內容就不會出現(xiàn)亂碼。
但是這種手動的方式略顯笨拙，下面提供一種更加簡便的方式：chardet，這是一個非常優(yōu)秀的字符串/文件編碼檢測模塊。安裝方式如下：
pip install chardet
安裝完成后，使用chardet.detect()返回字典，其中confidence是檢測精確度，encoding是編碼形式。示例如下：
import requests
r=requests.get('http://www.baidu.com')
print chardet.detect(r.content)
r.encoding=chardet.detect(r.content)['encoding']
print r.text
直接將chardet探測到的編碼，賦給r.encoding實現(xiàn)解碼，r.text輸出就不會有亂碼了。
除了上面那種直接獲取全部響應的方式，還有一種流模式，示例如下：
import requests
r=requests.get('http://www.baidu.com',stream=True)
print r.raw.read(10)
設置stream=True標志位，使響應以字節(jié)流方式進行讀取，r.raw.read函數(shù)指定讀取的字節(jié)數(shù)。
3.3 請求頭headers處理
Requests對headers的處理和urllib2非常相似，在Requests的get函數(shù)中添加headers參數(shù)即可。示例如下：
import requests
user_agent='Mozilla/4.0 (compatible; MSIE 5.5; Windows NT)'
headers={'User-Agent':user_agent}
r=requests.get('http://www.baidu.com',headers=headers)
print r.content
3.4 響應碼code和響應頭headers處理
獲取響應碼是使用Requests中的status_code字段，獲取響應頭使用Requests中的headers字段。示例如下：
import requests
r=requests.get('http://www.baidu.com')
if r.status_code==requests.codes.ok:
print r.status_code# 響應碼
print r.headers# 響應頭
print r.headers.get('content-type')# 推薦使用這種獲取方式，獲取其中的某個字段
print r.headers['content-type']# 不推薦使用這種獲取方式
else:
r.raise_for_status()
上述程序中，r.headers包含所有的響應頭信息，可以通過get函數(shù)獲取其中的某一個字段，也可以通過字典引用的方式獲取字典值，但是不推薦，因為如果字段中沒有這個字段，第二種方式會拋出異常，第一種方式會返回None。
r.raise_for_status()是用來主動地產生一個異常，當響應碼是4XX或5XX時，raise_for_status()函數(shù)會拋出異常，而響應碼為200時，raise_for_status()函數(shù)返回None。
3.5 Cookie處理
如果響應中包含Cookie的值，可以如下方式獲取Cookie字段的值，示例如下：
import requests
user_agent='Mozilla/4.0 (compatible; MSIE 5.5; Windows NT)'
headers={'User-Agent':user_agent}
r=requests.get('http://www.baidu.com',headers=headers)
# 遍歷出所有的cookie字段的值
for cookie in r.cookies.keys():
print cookie+':'+r.cookies.get(cookie)
如果想自定義Cookie值發(fā)送出去，可以使用以下方式，示例如下：
import requests
user_agent='Mozilla/4.0 (compatible; MSIE 5.5; Windows NT)'
headers={'User-Agent':user_agent}
cookies=dict(name='qiye',age='10')
r=requests.get('http://www.baidu.com',headers=headers,cookies=cookies)
print r.text
還有一種更加高級，且能自動處理Cookie的方式，有時候我們不需要關心Cookie值是多少，只是希望每次訪問的時候，程序自動把Cookie的值帶上，像瀏覽器一樣。Requests提供了一個session的概念，在連續(xù)訪問網頁，處理登錄跳轉時特別方便，不需要關注具體細節(jié)。使用方法示例如下：
import Requests
oginUrl='http://www.xxxxxxx.com/login'
s=requests.Session()
#首先訪問登錄界面，作為游客，服務器會先分配一個cookie
r=s.get(loginUrl,allow_redirects=True)
datas={'name':'qiye','passwd':'qiye'}
#向登錄鏈接發(fā)送post請求，驗證成功，游客權限轉為會員權限
r=s.post(loginUrl, data=datas,allow_redirects=True)
print r.text
上面的這段程序，其實是正式做Python開發(fā)中遇到的問題，如果沒有第一步訪問登錄的頁面，而是直接向登錄鏈接發(fā)送Post請求，系統(tǒng)會把你當做非法用戶，因為訪問登錄界面時會分配一個Cookie，需要將這個Cookie在發(fā)送Post請求時帶上，這種使用Session函數(shù)處理Cookie的方式之后會很常用。
3.6 重定向與歷史信息
處理重定向只是需要設置一下allow_redirects字段即可，例如：
r=requests.get('http://www.baidu.com',allow_redirects=True)
將allow_redirects設置為True，則是允許重定向；設置為False，則是禁止重定向。如果是允許重定向，可以通過r.history字段查看歷史信息，即訪問成功之前的所有請求跳轉信息。示例如下：
import requests
r=requests.get('http://github.com')
print r.url
print r.status_code
print r.history
打印結果如下：
https://github.com/ 200 (<Response [301]>,)
上面的示例代碼顯示的效果是訪問GitHub網址時，會將所有的HTTP請求全部重定向為HTTPS。
3.7 超時設置
超時選項是通過參數(shù)timeout來進行設置的，示例如下：
requests.get('http://github.com', timeout=2)
3.8 代理設置
使用代理Proxy，你可以為任意請求方法通過設置proxies參數(shù)來配置單個請求：
import requests
proxies={
"http": "http://0.10.1.10:3128",
"https": "http://10.10.1.10:1080",
}
requests.get("http://example.org", proxies=proxies)
也可以通過環(huán)境變量HTTP_PROXY和HTTPS_PROXY?來配置代理，但是在爬蟲開發(fā)中不常用。你的代理需要使用HTTP Basic Auth，可以使用http://user:password@host/語法：
proxies={
"http": "http://user:pass@10.10.1.10:3128/",
}
本文主要講解了網絡爬蟲的結構和應用，以及Python實現(xiàn)HTTP請求的幾種方法。希望大家對本文中的網絡爬蟲工作流程和Requests實現(xiàn)HTTP請求的方式重點吸收消化。
關于作者：范傳輝，資深網蟲，Python開發(fā)者，參與開發(fā)了多項網絡應用，在實際開發(fā)中積累了豐富的實戰(zhàn)經驗,并善于總結，貢獻了多篇技術文章廣受好評。研究興趣是網絡安全、爬蟲技術、數(shù)據(jù)分析、驅動開發(fā)等技術。
本文摘編自《Python爬蟲開發(fā)與項目實戰(zhàn)》，經出版方授權發(fā)布。
延伸閱讀《Python爬蟲開發(fā)與項目實戰(zhàn)》
推薦語：零基礎學習爬蟲技術，從Python和Web前端基礎開始講起，由淺入深，包含大量案例，實用性強。
讀：本文主要分為兩個部分：一部分是網絡爬蟲的概述，幫助大家詳細了解網絡爬蟲；另一部分是HTTP請求的Python實現(xiàn)，幫助大家了解Python中實現(xiàn)HTTP請求的各種方式，以便具備編寫HTTP網絡程序的能力。
作者：范傳輝
如需轉載請聯(lián)系華章科技
接下來從網絡爬蟲的概念、用處與價值和結構等三個方面，讓大家對網絡爬蟲有一個基本的了解。
1. 網絡爬蟲及其應用
隨著網絡的迅速發(fā)展，萬維網成為大量信息的載體，如何有效地提取并利用這些信息成為一個巨大的挑戰(zhàn)，網絡爬蟲應運而生。網絡爬蟲（又被稱為網頁蜘蛛、網絡機器人），是一種按照一定的規(guī)則，自動地抓取萬維網信息的程序或者腳本。下面通過圖3-1展示一下網絡爬蟲在互聯(lián)網中起到的作用：
▲圖3-1 網絡爬蟲
網絡爬蟲按照系統(tǒng)結構和實現(xiàn)技術，大致可以分為以下幾種類型：通用網絡爬蟲、聚焦網絡爬蟲、增量式網絡爬蟲、深層網絡爬蟲。實際的網絡爬蟲系統(tǒng)通常是幾種爬蟲技術相結合實現(xiàn)的。
搜索引擎（Search Engine），例如傳統(tǒng)的通用搜索引擎baidu、Yahoo和Google等，是一種大型復雜的網絡爬蟲，屬于通用性網絡爬蟲的范疇。但是通用性搜索引擎存在著一定的局限性：
為了解決上述問題，定向抓取相關網頁資源的聚焦爬蟲應運而生。
聚焦爬蟲是一個自動下載網頁的程序，它根據(jù)既定的抓取目標，有選擇地訪問萬維網上的網頁與相關的鏈接，獲取所需要的信息。與通用爬蟲不同，聚焦爬蟲并不追求大的覆蓋，而將目標定為抓取與某一特定主題內容相關的網頁，為面向主題的用戶查詢準備數(shù)據(jù)資源。
說完了聚焦爬蟲，接下來再說一下增量式網絡爬蟲。增量式網絡爬蟲是指對已下載網頁采取增量式更新和只爬行新產生的或者已經發(fā)生變化網頁的爬蟲，它能夠在一定程度上保證所爬行的頁面是盡可能新的頁面。
和周期性爬行和刷新頁面的網絡爬蟲相比，增量式爬蟲只會在需要的時候爬行新產生或發(fā)生更新的頁面，并不重新下載沒有發(fā)生變化的頁面，可有效減少數(shù)據(jù)下載量，及時更新已爬行的網頁，減小時間和空間上的耗費，但是增加了爬行算法的復雜度和實現(xiàn)難度。
例如：想獲取趕集網的招聘信息，以前爬取過的數(shù)據(jù)沒有必要重復爬取，只需要獲取更新的招聘數(shù)據(jù)，這時候就要用到增量式爬蟲。
最后說一下深層網絡爬蟲。Web頁面按存在方式可以分為表層網頁和深層網頁。表層網頁是指傳統(tǒng)搜索引擎可以索引的頁面，以超鏈接可以到達的靜態(tài)網頁為主構成的Web頁面。深層網絡是那些大部分內容不能通過靜態(tài)鏈接獲取的、隱藏在搜索表單后的，只有用戶提交一些關鍵詞才能獲得的Web頁面。
例如用戶登錄或者注冊才能訪問的頁面。可以想象這樣一個場景：爬取貼吧或者論壇中的數(shù)據(jù)，必須在用戶登錄后，有權限的情況下才能獲取完整的數(shù)據(jù)。
2. 網絡爬蟲結構
下面用一個通用的網絡爬蟲結構來說明網絡爬蟲的基本工作流程，如圖3-4所示。
▲圖3-4 網絡爬蟲結構
網絡爬蟲的基本工作流程如下：
通過上面的網絡爬蟲結構，我們可以看到讀取URL、下載網頁是每一個爬蟲必備而且關鍵的功能，這就需要和HTTP請求打交道。接下來講解Python中實現(xiàn)HTTP請求的三種方式：urllib2/urllib、httplib/urllib以及Requests。
1. urllib2/urllib實現(xiàn)
urllib2和urllib是Python中的兩個內置模塊，要實現(xiàn)HTTP功能，實現(xiàn)方式是以urllib2為主，urllib為輔。
1.1 首先實現(xiàn)一個完整的請求與響應模型
urllib2提供一個基礎函數(shù)urlopen，通過向指定的URL發(fā)出請求來獲取數(shù)據(jù)。最簡單的形式是：
import urllib2
response=urllib2.urlopen('http://www.zhihu.com')
html=response.read()
print html
其實可以將上面對http://www.zhihu.com的請求響應分為兩步，一步是請求，一步是響應，形式如下：
import urllib2
# 請求
request=urllib2.Request('http://www.zhihu.com')
# 響應
response=urllib2.urlopen(request)
html=response.read()
print html
上面這兩種形式都是GET請求，接下來演示一下POST請求，其實大同小異，只是增加了請求數(shù)據(jù)，這時候用到了urllib。示例如下：
import urllib
import urllib2
url='http://www.xxxxxx.com/login'
postdata={'username' : 'qiye',
'password' : 'qiye_pass'}
# info 需要被編碼為urllib2能理解的格式，這里用到的是urllib
data=urllib.urlencode(postdata)
req=urllib2.Request(url, data)
response=urllib2.urlopen(req)
html=response.read()
但是有時會出現(xiàn)這種情況：即使POST請求的數(shù)據(jù)是對的，但是服務器拒絕你的訪問。這是為什么呢?問題出在請求中的頭信息，服務器會檢驗請求頭，來判斷是否是來自瀏覽器的訪問，這也是反爬蟲的常用手段。
1.2 請求頭headers處理
將上面的例子改寫一下，加上請求頭信息，設置一下請求頭中的User-Agent域和Referer域信息。
import urllib
import urllib2
url='http://www.xxxxxx.com/login'
user_agent='Mozilla/4.0 (compatible; MSIE 5.5; Windows NT)'
referer='http://www.xxxxxx.com/'
postdata={'username' : 'qiye',
'password' : 'qiye_pass'}
# 將user_agent,referer寫入頭信息
headers={'User-Agent':user_agent,'Referer':referer}
data=urllib.urlencode(postdata)
req=urllib2.Request(url, data,headers)
response=urllib2.urlopen(req)
html=response.read()
也可以這樣寫，使用add_header來添加請求頭信息，修改如下：
import urllib
import urllib2
url='http://www.xxxxxx.com/login'
user_agent='Mozilla/4.0 (compatible; MSIE 5.5; Windows NT)'
referer='http://www.xxxxxx.com/'
postdata={'username' : 'qiye',
'password' : 'qiye_pass'}
data=urllib.urlencode(postdata)
req=urllib2.Request(url)
# 將user_agent,referer寫入頭信息
req.add_header('User-Agent',user_agent)
req.add_header('Referer',referer)
req.add_data(data)
response=urllib2.urlopen(req)
html=response.read()
對有些header要特別留意，服務器會針對這些header做檢查，例如：
1.3 Cookie處理
urllib2對Cookie的處理也是自動的，使用CookieJar函數(shù)進行Cookie的管理。如果需要得到某個Cookie項的值，可以這么做：
import urllib2
import cookielib
cookie=cookielib.CookieJar()
opener=urllib2.build_opener(urllib2.HTTPCookieProcessor(cookie))
response=opener.open('http://www.zhihu.com')
for item in cookie:
print item.name+':'+item.value
但是有時候會遇到這種情況，我們不想讓urllib2自動處理，我們想自己添加Cookie的內容，可以通過設置請求頭中的Cookie域來做：
import urllib2 opener=urllib2.build_opener() opener.addheaders.append( ( 'Cookie', 'email=' + "xxxxxxx@163.com" ) ) req=urllib2.Request( "http://www.zhihu.com/" ) response=opener.open(req) print response.headers retdata=response.read()
1.4 Timeout設置超時
在Python2.6之前的版本，urllib2的API并沒有暴露Timeout的設置，要設置Timeout值，只能更改Socket的全局Timeout值。示例如下：
import urllib2 import socket socket.setdefaulttimeout(10) # 10 秒鐘后超時 urllib2.socket.setdefaulttimeout(10) # 另一種方式
在Python2.6及新的版本中，urlopen函數(shù)提供了對Timeout的設置，示例如下：
import urllib2
request=urllib2.Request('http://www.zhihu.com')
response=urllib2.urlopen(request,timeout=2)
html=response.read()
print html
1.5 獲取HTTP響應碼
對于200 OK來說，只要使用urlopen返回的response對象的getcode()方法就可以得到HTTP的返回碼。但對其他返回碼來說，urlopen會拋出異常。這時候，就要檢查異常對象的code屬性了，示例如下：
import urllib2
try:
response=urllib2.urlopen('http://www.google.com')
print response
except urllib2.HTTPError as e:
if hasattr(e, 'code'):
print 'Error code:',e.code
1.6 重定向
urllib2默認情況下會針對HTTP 3XX返回碼自動進行重定向動作。要檢測是否發(fā)生了重定向動作，只要檢查一下Response的URL和Request的URL是否一致就可以了，示例如下：
import urllib2
response=urllib2.urlopen('http://www.zhihu.cn')
isRedirected=response.geturl()=='http://www.zhihu.cn'
如果不想自動重定向，可以自定義HTTPRedirectHandler類，示例如下：
import urllib2
class RedirectHandler(urllib2.HTTPRedirectHandler):
def http_error_301(self, req, fp, code, msg, headers):
pass
def http_error_302(self, req, fp, code, msg, headers):
result=urllib2.HTTPRedirectHandler.http_error_301(self, req, fp, code,
msg, headers)
result.status=code
result.newurl=result.geturl()
return result
opener=urllib2.build_opener(RedirectHandler)
opener.open('http://www.zhihu.cn')
1.7 Proxy的設置
在做爬蟲開發(fā)中，必不可少地會用到代理。urllib2默認會使用環(huán)境變量http_proxy來設置HTTP Proxy。但是我們一般不采用這種方式，而是使用ProxyHandler在程序中動態(tài)設置代理，示例代碼如下：
import urllib2
proxy=urllib2.ProxyHandler({'http': '127.0.0.1:8087'})
opener=urllib2.build_opener([proxy,])
urllib2.install_opener(opener)
response=urllib2.urlopen('http://www.zhihu.com/')
print response.read()
這里要注意的一個細節(jié)，使用urllib2.install_opener()會設置urllib2的全局opener，之后所有的HTTP訪問都會使用這個代理。這樣使用會很方便，但不能做更細粒度的控制，比如想在程序中使用兩個不同的Proxy設置，這種場景在爬蟲中很常見。比較好的做法是不使用install_opener去更改全局的設置，而只是直接調用opener的open方法代替全局的urlopen方法，修改如下：
import urllib2
proxy=urllib2.ProxyHandler({'http': '127.0.0.1:8087'})
opener=urllib2.build_opener(proxy,)
response=opener.open("http://www.zhihu.com/")
print response.read()
2. httplib/urllib實現(xiàn)
httplib模塊是一個底層基礎模塊，可以看到建立HTTP請求的每一步，但是實現(xiàn)的功能比較少，正常情況下比較少用到。在Python爬蟲開發(fā)中基本上用不到，所以在此只是進行一下知識普及。下面介紹一下常用的對象和函數(shù)：
接下來演示一下GET請求和POST請求的發(fā)送，首先是GET請求的示例，如下所示：
import httplib
conn=None
try:
conn=httplib.HTTPConnection("www.zhihu.com")
conn.request("GET", "/")
response=conn.getresponse()
print response.status, response.reason
print '-' * 40
headers=response.getheaders()
for h in headers:
print h
print '-' * 40
print response.msg
except Exception,e:
print e
finally:
if conn:
conn.close()
POST請求的示例如下：
import httplib, urllib
conn=None
try:
params=urllib.urlencode({'name': 'qiye', 'age': 22})
headers={"Content-type": "application/x-www-form-urlencoded"
, "Accept": "text/plain"}
conn=httplib.HTTPConnection("www.zhihu.com", 80, timeout=3)
conn.request("POST", "/login", params, headers)
response=conn.getresponse()
print response.getheaders() # 獲取頭信息
print response.status
print response.read()
except Exception, e:
print e
finally:
if conn:
conn.close()
3. 更人性化的Requests
Python中Requests實現(xiàn)HTTP請求的方式，是本人極力推薦的，也是在Python爬蟲開發(fā)中最為常用的方式。Requests實現(xiàn)HTTP請求非常簡單，操作更加人性化。
Requests庫是第三方模塊，需要額外進行安裝。Requests是一個開源庫，源碼位于：
GitHub: https://github.com/kennethreitz/requests
希望大家多多支持作者。
使用Requests庫需要先進行安裝，一般有兩種安裝方式：
如何驗證Requests模塊安裝是否成功呢？在Python的shell中輸入import requests，如果不報錯，則是安裝成功。如圖3-5所示。
▲圖3-5 驗證Requests安裝
3.1 首先還是實現(xiàn)一個完整的請求與響應模型
以GET請求為例，最簡單的形式如下：
import requests
r=requests.get('http://www.baidu.com')
print r.content
大家可以看到比urllib2實現(xiàn)方式的代碼量少。接下來演示一下POST請求，同樣是非常簡短，更加具有Python風格。示例如下：
import requests
postdata={'key':'value'}
r=requests.post('http://www.xxxxxx.com/login',data=postdata)
print r.content
HTTP中的其他請求方式也可以用Requests來實現(xiàn)，示例如下：
r=requests.put('http://www.xxxxxx.com/put', data={'key':'value'})
r=requests.delete('http://www.xxxxxx.com/delete')
r=requests.head('http://www.xxxxxx.com/get')
r=requests.options('http://www.xxxxxx.com/get')
接著講解一下稍微復雜的方式，大家肯定見過類似這樣的URL：
http://zzk.cnblogs.com/s/blogpost?Keywords=blog:qiyeboy&pageindex=1
就是在網址后面緊跟著“?”，“?”后面還有參數(shù)。那么這樣的GET請求該如何發(fā)送呢？肯定有人會說，直接將完整的URL帶入即可，不過Requests還提供了其他方式，示例如下：
import requests
payload={'Keywords': 'blog:qiyeboy','pageindex':1}
r=requests.get('http://zzk.cnblogs.com/s/blogpost', params=payload)
print r.url
通過打印結果，我們看到最終的URL變成了：
http://zzk.cnblogs.com/s/blogpost?Keywords=blog:qiyeboy&pageindex=1
3.2 響應與編碼
還是從代碼入手，示例如下：
import requests
r=requests.get('http://www.baidu.com')
print 'content-->'+r.content
print 'text-->'+r.text
print 'encoding-->'+r.encoding
r.encoding='utf-8'
print 'new text-->'+r.text
其中r.content返回的是字節(jié)形式，r.text返回的是文本形式，r.encoding返回的是根據(jù)HTTP頭猜測的網頁編碼格式。
輸出結果中：“text-->”之后的內容在控制臺看到的是亂碼，“encoding-->”之后的內容是ISO-8859-1（實際上的編碼格式是UTF-8），由于Requests猜測編碼錯誤，導致解析文本出現(xiàn)了亂碼。Requests提供了解決方案，可以自行設置編碼格式，r.encoding='utf-8'設置成UTF-8之后，“new text-->”的內容就不會出現(xiàn)亂碼。
但是這種手動的方式略顯笨拙，下面提供一種更加簡便的方式：chardet，這是一個非常優(yōu)秀的字符串/文件編碼檢測模塊。安裝方式如下：
pip install chardet
安裝完成后，使用chardet.detect()返回字典，其中confidence是檢測精確度，encoding是編碼形式。示例如下：
import requests
r=requests.get('http://www.baidu.com')
print chardet.detect(r.content)
r.encoding=chardet.detect(r.content)['encoding']
print r.text
直接將chardet探測到的編碼，賦給r.encoding實現(xiàn)解碼，r.text輸出就不會有亂碼了。
除了上面那種直接獲取全部響應的方式，還有一種流模式，示例如下：
import requests
r=requests.get('http://www.baidu.com',stream=True)
print r.raw.read(10)
設置stream=True標志位，使響應以字節(jié)流方式進行讀取，r.raw.read函數(shù)指定讀取的字節(jié)數(shù)。
3.3 請求頭headers處理
Requests對headers的處理和urllib2非常相似，在Requests的get函數(shù)中添加headers參數(shù)即可。示例如下：
import requests
user_agent='Mozilla/4.0 (compatible; MSIE 5.5; Windows NT)'
headers={'User-Agent':user_agent}
r=requests.get('http://www.baidu.com',headers=headers)
print r.content
3.4 響應碼code和響應頭headers處理
獲取響應碼是使用Requests中的status_code字段，獲取響應頭使用Requests中的headers字段。示例如下：
import requests
r=requests.get('http://www.baidu.com')
if r.status_code==requests.codes.ok:
print r.status_code# 響應碼
print r.headers# 響應頭
print r.headers.get('content-type')# 推薦使用這種獲取方式，獲取其中的某個字段
print r.headers['content-type']# 不推薦使用這種獲取方式
else:
r.raise_for_status()
上述程序中，r.headers包含所有的響應頭信息，可以通過get函數(shù)獲取其中的某一個字段，也可以通過字典引用的方式獲取字典值，但是不推薦，因為如果字段中沒有這個字段，第二種方式會拋出異常，第一種方式會返回None。
r.raise_for_status()是用來主動地產生一個異常，當響應碼是4XX或5XX時，raise_for_status()函數(shù)會拋出異常，而響應碼為200時，raise_for_status()函數(shù)返回None。
3.5 Cookie處理
如果響應中包含Cookie的值，可以如下方式獲取Cookie字段的值，示例如下：
import requests
user_agent='Mozilla/4.0 (compatible; MSIE 5.5; Windows NT)'
headers={'User-Agent':user_agent}
r=requests.get('http://www.baidu.com',headers=headers)
# 遍歷出所有的cookie字段的值
for cookie in r.cookies.keys():
print cookie+':'+r.cookies.get(cookie)
如果想自定義Cookie值發(fā)送出去，可以使用以下方式，示例如下：
import requests
user_agent='Mozilla/4.0 (compatible; MSIE 5.5; Windows NT)'
headers={'User-Agent':user_agent}
cookies=dict(name='qiye',age='10')
r=requests.get('http://www.baidu.com',headers=headers,cookies=cookies)
print r.text
還有一種更加高級，且能自動處理Cookie的方式，有時候我們不需要關心Cookie值是多少，只是希望每次訪問的時候，程序自動把Cookie的值帶上，像瀏覽器一樣。Requests提供了一個session的概念，在連續(xù)訪問網頁，處理登錄跳轉時特別方便，不需要關注具體細節(jié)。使用方法示例如下：
import Requests
oginUrl='http://www.xxxxxxx.com/login'
s=requests.Session()
#首先訪問登錄界面，作為游客，服務器會先分配一個cookie
r=s.get(loginUrl,allow_redirects=True)
datas={'name':'qiye','passwd':'qiye'}
#向登錄鏈接發(fā)送post請求，驗證成功，游客權限轉為會員權限
r=s.post(loginUrl, data=datas,allow_redirects=True)
print r.text
上面的這段程序，其實是正式做Python開發(fā)中遇到的問題，如果沒有第一步訪問登錄的頁面，而是直接向登錄鏈接發(fā)送Post請求，系統(tǒng)會把你當做非法用戶，因為訪問登錄界面時會分配一個Cookie，需要將這個Cookie在發(fā)送Post請求時帶上，這種使用Session函數(shù)處理Cookie的方式之后會很常用。
3.6 重定向與歷史信息
處理重定向只是需要設置一下allow_redirects字段即可，例如：
r=requests.get('http://www.baidu.com',allow_redirects=True)
將allow_redirects設置為True，則是允許重定向；設置為False，則是禁止重定向。如果是允許重定向，可以通過r.history字段查看歷史信息，即訪問成功之前的所有請求跳轉信息。示例如下：
import requests
r=requests.get('http://github.com')
print r.url
print r.status_code
print r.history
打印結果如下：
https://github.com/ 200 (<Response [301]>,)
上面的示例代碼顯示的效果是訪問GitHub網址時，會將所有的HTTP請求全部重定向為HTTPS。
3.7 超時設置
超時選項是通過參數(shù)timeout來進行設置的，示例如下：
requests.get('http://github.com', timeout=2)
3.8 代理設置
使用代理Proxy，你可以為任意請求方法通過設置proxies參數(shù)來配置單個請求：
import requests
proxies={
"http": "http://0.10.1.10:3128",
"https": "http://10.10.1.10:1080",
}
requests.get("http://example.org", proxies=proxies)
也可以通過環(huán)境變量HTTP_PROXY和HTTPS_PROXY?來配置代理，但是在爬蟲開發(fā)中不常用。你的代理需要使用HTTP Basic Auth，可以使用http://user:password@host/語法：
proxies={
"http": "http://user:pass@10.10.1.10:3128/",
}
本文主要講解了網絡爬蟲的結構和應用，以及Python實現(xiàn)HTTP請求的幾種方法。希望大家對本文中的網絡爬蟲工作流程和Requests實現(xiàn)HTTP請求的方式重點吸收消化。
關于作者：范傳輝，資深網蟲，Python開發(fā)者，參與開發(fā)了多項網絡應用，在實際開發(fā)中積累了豐富的實戰(zhàn)經驗,并善于總結，貢獻了多篇技術文章廣受好評。研究興趣是網絡安全、爬蟲技術、數(shù)據(jù)分析、驅動開發(fā)等技術。
本文摘編自《Python爬蟲開發(fā)與項目實戰(zhàn)》，經出版方授權發(fā)布。
延伸閱讀《Python爬蟲開發(fā)與項目實戰(zhàn)》
推薦語：零基礎學習爬蟲技術，從Python和Web前端基礎開始講起，由淺入深，包含大量案例，實用性強。
*請認真填寫需求信息，我們會在24小時內與您取得聯(lián)系。
