快速上手Pytrch爬虫之爬取某应图片壁纸

一、前置知识

 1 爬虫简介

网络爬虫（又被称作网络蜘蛛、网络机器人，在某些社区中也经常被称为网页追逐者)可以按照指定的规则（网络爬虫的算法）自动浏览或抓取网络中的信息。

1.1 Web网页存在方式

• 表层网页指的是不需要提交表单，使用静态的超链接就可以直接访问的静态页面。
• 深层网页指的是需要用户提交一些关键词才能获得的Wb页面。深层页面需要访问的信息数量是表层页面信息数量的几百倍，所以深层页面是主要的爬取对象。

1.2 网络爬虫的分类

1.2.1通用网络爬虫/全网爬虫

• 通用网络爬虫的爬行范围和数量巨大，对爬行速度和存储空间要求较高，通常采用并行工作方式，需要较长时间才可以刷新一次页面，所以存在着一定的缺陷。
• 主要应用于大型搜索引擎中，有非常高的应用价值。通用网络爬虫主要由初始URL(统一资源定位符)集合、UL队列、页面爬行模块，页面分析模块、页面数据库、链接过滤模块等构成。

1.2.2 聚焦网络爬虫/主题网络爬虫

• 主要指按照预先定义好的主题，有选择地进行相关网页爬取的一种网络爬虫，将爬取的目标网页定位在与主题相关的页面中，极大地节省了硬件和网络资源，保存的页面也由于数量少而更快了。
• 主要应用在对特定信息的爬取，为某一类特定的人群提供服务。

1.2.3 深层网络爬虫

深层网络爬虫主要通过六个基本功能的模块（爬行控制器、解析器、表单分析器、表单处理器、响应分析器、LVS控制器)和两个爬虫内部数据结构(URL列表、LVS表)等部分构成。其中，LVS表示标签、数值集合，用来表示填充表单的数据源。

1.3 爬虫的原理

①获取初始的网络地址，该地址是用户自己制定的初始爬取的网页。
②通过爬虫代码向网页服务器发送网络请求。
③实现网页中数据的解析，确认数据在网页代码中的位置。
④在服务器响应数据中，提取数据内容。
⑤实现数据的清洗，将无用数据筛选。
⑥将清洗后的数据保存至本地或数据库当中。

2 HTTP原理

2.1 URL

使用浏览器访问网页时，需要在浏览器地址栏处填写目标网页的URL地址，统一资源定位符。

2.2 HTTP协议

HTTP(hypertext transfer protocol),即超文本传输协议，是互联网上应用最为厂厂泛的一种网络)，主要利用TCP(传输控制协议)在web服务器和客户端之间传输信息的协议。客户端使用器发起HTTP请求给Web服务器，Web服务器发送被请求的信息给客户端。

2.2.1 HTTP与Web服务器

当在浏览器输人URL地址后，浏览器会先请求DNS域名系统服务器，获得请求站点的P地址（根据URL地址www.aliyun.com获取其对应的P地址，如101.201.120.85)，然后发送一个HTTP请求(request)给拥有该IP的主机（阿里云服务器），接着就会接收到服务器返回的HTTP响应(response)，浏览器经过渲染后，以一种较好的效果呈现给用户。

2.2.2 Web服务器工作原理

①建立连接：客户端通过TCP/IP（传输控制协议、网际协议）协议建立到服务器的TCP连接。

②请求过程：客户端向服务器发送HTTP协议请求包，请求服务器里的资源文档。

③应答过程：服务器向客户端发送HTTP协议应答包，如果请求的资源包含动态语言的内容，那么服务器会调用动态语言的解释引擎处理动态语言部分，并将处理后得到的数据返回给客户端。由客户端HTML(超文本标记语言)文档，并在客户端屏幕上渲染图形结果。服务器返回给客户端的状态码可分为5种类型，由它们的第一位数字表示。

④关闭连接：客户端与服务器断开连接。

2.2.3 浏览器中的请求与响应

 3 urllib模块

3.1 urllib模块简介

Python3中将urib与urllib2模块的功能组合，并且命名为urllib。Python3中的urllib模块中包含多个功能的子模块，具体内容如下。

• urllib.request：用于实现基本HTTP请求的模块。
• urlb.error：异常处理模块，如果在发送网络请求时出现了错误，可以捕获的有效处理。
• urllib.parse：用于解析URL的模块。
• urllib.robotparser：用于解析robots.txt文件，判断网站是否可以爬取信息。

3.2 发送网络请求urllib.request.urlopen()

3.2.1 urllib.request.urlopen()函数简介

urllib.request.urlopen(url, data=None, [timeout, ]*, cafile=None, capath=None, cadefault=False, context=None)

• url：需要访问网站的URL完整地址
• data：该参数默认为None,通过该参数确认请求方式，如果是None,表示请求方式为GET,否则请求方式为POST。在发送POST请求时，参数daa需要以字典形式的数据作为参数值，并且需要将字典类型的参数值转换为字节类型的数据才可以实现POST请求。
• timeout：设置网站访问超时时间，以秒为单位。
• cafile：指定包含CA证书的单个文件，
• capah：指定证书文件的目录。
• cadefault：CA证书默认值
• context：描述SSL选项的实例。

3.2.2 发送GET请求

import urllib.request
response = urllib.request.urlopen("https://www.baidu.com/")
print("response:",response)
# 输出： response: <http.client.HTTPResponse object at 0x000001AD2793C850>

3.2.3 获取状态码、响应头、获取HTMl代码 

import urllib.request
url = "https://www.baidu.com/"
response = urllib.request.urlopen(url=url)
print("响应状态码：",response.status)
# 输出： 响应状态码： 200
print("响应头信息：",response.getheaders())
# 响应头信息： [('Accept-Ranges', 'bytes'), ('Cache-Control', 'no-cache'), ('Content-Length', '227'), ('Content-Type', 'text/html'), ('Date', 'Wed, 09 Mar 2022 10:45:04 GMT'), ('P3p', 'CP=" OTI DSP COR IVA OUR IND COM "'), ('P3p', 'CP=" OTI DSP COR IVA OUR IND COM "'), ('Pragma', 'no-cache'), ('Server', 'BWS/1.1'), ('Set-Cookie', 'BD_NOT_HTTPS=1; path=/; Max-Age=300'), ('Set-Cookie', 'BIDUPSID=5C4759402F5A8C38E347A1E6FB8788EF; expires=Thu, 31-Dec-37 23:55:55 GMT; max-age=2147483647; path=/; domain=.baidu.com'), ('Set-Cookie', 'PSTM=1646822704; expires=Thu, 31-Dec-37 23:55:55 GMT; max-age=2147483647; path=/; domain=.baidu.com'), ('Set-Cookie', 'BAIDUID=5C4759402F5A8C384F12C0C34D5D3B36:FG=1; max-age=31536000; expires=Thu, 09-Mar-23 10:45:04 GMT; domain=.baidu.com; path=/; version=1; comment=bd'), ('Strict-Transport-Security', 'max-age=0'), ('Traceid', '1646822704264784359414774964437731406767'), ('X-Frame-Options', 'sameorigin'), ('X-Ua-Compatible', 'IE=Edge,chrome=1'), ('Connection', 'close')]
print("响应头指定信息：",response.getheader('Accept-Ranges'))
# 响应头指定信息： bytes
print("目标页面的Html代码 \n ",response.read().decode('utf-8'))
# 即为Html文件的内容

3.2.4 发送POST请求

urlopen()方法在默认的情况下发送的是GET请求，如果需要发送POST请求，可以为其设置data参数、该参数是byte类型，需要使用bytes()方法将参数值进行数据类型转换

import urllib.request
import urllib.parseurl = "https://www.baidu.com/"
data = bytes(urllib.parse.urlencode({'hello':'python'}),encoding='utf-8') # 将表单转化为bytes类型，并且设置编码
response = urllib.request.urlopen(url=url,data=data,timeout=0.1) # 发送网络请求 设置超时时间0.1s
print(response.read().decode('utf-8')) # 读取Html代码进行编码

3.2.5 处理网络超市异常

如果遇到了超时异常，爬虫程序将在此处停止。所以在实际开发中开发者可以将超时异常捕获，然后处理下面的爬虫任务。以上述发送网络请求为例，将超时参数imeout设置为0.1s，然后使用try...excpt 捕获异常并判断如果是超时异常就模拟自动执行下一个任务。

import urllib.request
import urllib.error
import socketurl = "https://www.baidu.com/"try:response = urllib.request.urlopen(url=url,timeout=0.1)print(response.read().decode('utf-8'))
except urllib.error.URLError as error :if isinstance(error.reason,socket.timeout):print("当前任务已经超时，即将执行下一任务")

4 设置请求头

4.1 urllib.request.Request()

urlopen()方法可以实现最基本的请求的发起，但如果要加入Headers等信息，就可以利用Request类来构造请求。

4.1.1 函数原型
使用方法为：

urllib.request.Request(url, data=None, headers={}, origin_req_host=None, unverifiable=False, method=None)

4.1.2 参数解析

• url：要请求的URL地址
• data ：必须是bytes(字节流）类型，如果是字典，可以用urllib.parse模块里的urlencode()编码
• headers：是一个字典类型，是请求头。①在构造请求时通过headers参数直接构造，也可以通过调用请求实例的add_header()方法添加。②通过请求头伪装浏览器，默认User-Agent是Python-urllib。要伪装火狐浏览器，可以设置User-Agent为Mozilla/5.0 (x11; U; Linux i686) Gecko/20071127 Firefox/2.0.0.11
• origin_req_host：指定请求方的host名称或者ip地址
• unverifiable：设置网页是否需要验证，默认是False，这个参数一般也不用设置。
• method ：字符串，用来指定请求使用的方法，比如GET，POST和PUT等。

4.1.3 设置请求头的作用

请求头参数是为了模拟浏览器向网页后台发送网络请求，这样可以避免服务器的反爬措施。使用urlopen()方法发送网络请求时，其本身并没有设置请求头参数，所以向测试地址发送请求时，返回的信息中headers将显示默认值。

所以在设置请求头信息前，需要在浏览器中找到一个有效的请求头信息。以谷歌浏览器为例2

4.1.4 手动寻找请求头

F12打开开发工具，选择 Network 选项，接着任意打开一个网页，在请求列表中找到Headers选项中找到请求头。

 4.2 设置请求头

import urllib.request
import urllib.parse
url = "https://www.baidu.com/" # 设置请求地址
#设置请求头信息
headers = {"User-Agent": "Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/86.0.4240.198 Safari/537.36"}
# data转化为bytes类型，并设置编码方式
data = bytes(urllib.parse.urlencode({'hello':'python'}),encoding='utf-8')
# 创建Request类型对象
url_post = urllib.request.Request(url=url,data=data,headers=headers,method='POST')
# 发送网络请求
response = urllib.request.urlopen(url_post)
# 读取HTMl代码并进行UTF-8编码
print(response.read().decode('utf-8'))

5 Cookie

   Cookie是服务器向客户端返回响应数据时所留下的标记，当客户端再次访问服务器时将携带这个标记。一般在实现登录一个页面时，登录成功后，会在浏览器的Cookie中保留一些信息，当浏览器再次访问时会携带Cook中的信息，经过服务器核对后便可以确认当前用户已经登录过，此时可以直接将登录后的数据返回。
    在使用网络爬虫获取网页登录后的数据时，除了使用模拟登录以外，还可以获取登录后的Cookie，然后利用这个Cookie再次发送请求时，就能以登录用户的身份获取数据。

5.1 模拟登陆

5.1.1 登陆前准备

目标地址：site2.rjkflm.com:666

账号：test01test

密码：123456

5.1.2 查看登陆目标地址

得到以下信息

Request URL:http://site2.rjkflm.com:666/index/index/login.html

5.1.2 实现模拟登陆

import urllib.request
import urllib.parseurl = "http://site2.rjkflm.com:666/index/index/chklogin.html"
# 设置表单
data = bytes(urllib.parse.urlencode({'username':'test01test','password':'123456'}),encoding='utf-8')
# 将bytes转化，并且设置编码
r = urllib.request.Request(url=url,data=data,method='POST')
response = urllib.request.urlopen(r) # 发送请求
print(response.read().decode('utf-8'))
# 返回：{"status":true,"msg":"登录成功！"}

5.1.3 获取Cookies

import urllib.request
import urllib.parse
import http.cookiejar
import jsonurl = "http://site2.rjkflm.com:666/index/index/chklogin.html"
# 设置表单
data = bytes(urllib.parse.urlencode({'username':'test01test','password':'123456'}),encoding='utf-8')cookie_file = 'cookie.txt'
cookie = http.cookiejar.LWPCookieJar(cookie_file) # 创建LWPCookieJar对象
# 生成 Cookie处理器
cookie_processor = urllib.request.HTTPCookieProcessor(cookie)
# 创建opener对象
opener = urllib.request.build_opener(cookie_processor)
response = opener.open(url,data=data) # 发送网络请求
response = json.loads(response.read().decode('utf-8'))['msg']
if response == '登陆成功':cookie.save(ignore_discard=True,ignore_expires=True) # 保存Cookie文件

5.1.4 载入Cookies

import urllib.request
import http.cookiesimport urllib.request  # 导入urllib.request模块
import http.cookiejar  # 导入http.cookiejar子模块
# 登录后页面的请求地址
url = 'http://site2.rjkflm.com:666/index/index/index.html'
cookie_file = 'cookie.txt'   # cookie文件cookie = http.cookiejar.LWPCookieJar() # 创建LWPCookieJar对象
# 读取cookie文件内容
cookie.load(cookie_file,ignore_expires=True,ignore_discard=True)
# 生成cookie处理器
handler = urllib.request.HTTPCookieProcessor(cookie)
# 创建opener对象
opener = urllib.request.build_opener(handler)
response = opener.open(url) # 发送网络请求
print(response.read().decode('utf-8')) # 打印登录后页面的html代码

 

二、项目简介

必应是微软推出的搜索引擎，相比于百度具有广告少的显著优点，比较良心。以下为必应的网址：必应

经常使用必应应该可以发现，其主页每天都会更新一张图片，博主发现这些图片非常符合博主的审美，希望每天能够下载收藏每张图片。幸运的是已经有人完成了这项工作，具体请看这个网站：必应每日高清壁纸(必应每日高清壁纸 - 精彩，从这里开始)。

这个网站收录了必应每天的主页图片，并且提供直接下载（管理猿太良心了，祝愿少掉一些头发，少写一些bug ）。但是博主发现这个网站缺少一个一键全部下载功能，只能一张一张图片手动下载，如果要把所有图片都下载下来，非常麻烦，因此用python写了一个下载网站上所有图片的小爬虫，分享给大家。

三、使用的环境

• python3.8.1（较新版本都可）
• requests库（需要使用pip工具下载该库）
• re库（python自带，不用下载，直接导入就行）
• bs4库（需要使用pip工具下载该库）

1 分析页面

1.1 分析网址

https://bing.ioliu.cn/?p=1

1.2 元素寻找页面

 

 2 代码编写

import urllib3
import re
import oshttp = urllib3.PoolManager()  # 创建连接池管理对象
# 定义火狐浏览器请求头信息
headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64; rv:77.0) Gecko/20100101 Firefox/77.0'}# 通过网络请求，获得该页面的信息
def send_request(url,headers):response = http.request('GET',url,headers=headers)if response.status == 200:html_str = response.data.decode('utf-8')return  html_str# 解析地址并下载壁纸
def download_pictures(html_str):# 提取壁纸名称pic_names = re.findall('<div class="description"><h3>(.*?)</h3>',html_str) print("未处理的壁纸名称：",pic_names)# 提取壁纸的下载地址pic_urls = re.findall('<a class="ctrl download" href="(.*?)" ',html_str)print("未处理的下载地址：", pic_urls)for name,url in zip(pic_names,pic_urls):          # 遍历壁纸的名称与地址pic_name = name.replace('/',' ')              # 把图片名称中的/换成空格pic_url = 'https://bing.ioliu.cn'+url         # 组合一个完整的urlpic_response = http.request('GET',pic_url,headers=headers)    # 发送网络请求，准备下载图片if not os.path.exists('pic'):   # 判断pic文件夹是否存在os.mkdir('pic')              # 创建pic文件夹with open('pic/'+pic_name+'.jpg','wb') as f:f.write(pic_response.data)         # 写入二进制数据，下载图片print('图片：',pic_name,'下载完成了！')if __name__ == '__main__':for i in range(1, 2):url = 'https://bing.ioliu.cn/p={}'.format(i)print(url)html_str = send_request(url=url, headers=headers)  # 调用发送网络请求的方法download_pictures(html_str=html_str)  # 调用解析数据并下载壁纸的方法

3 效果展示