Python——论一只爬虫的自我修养2:实战
测试题:
0. urlopen() 方法的 timeout 参数用于设置什么?
1. 如何从 urlopen() 返回的对象中获取 HTTP 状态码?
2. 在客户端和服务器之间进行请求-响应时,最常用的是哪两种方法?
3. HTTP 是基于请求-响应的模式,那是客户端发出请求,服务端做出响应;还是服务端发出请求,客户端做出响应呢?
4. User-Agent 属性通常是记录什么信息?
5. 如何通过 urlopen() 使用 POST 方法像服务端发出请求?
6. 使用字符串的什么方法将其它编码转换为 Unicode 编码?
7. JSON 是什么鬼?
动动手:
0. 配合 EasyGui,给“下载一只猫“的代码增加互动:
- 让用户输入尺寸;
- 如果用户不输入尺寸,那么按默认宽400,高600下载喵;
- 让用户指定保存位置。
程序实现如下图:
1. 写一个登录豆瓣的客户端。
这道题可能要难为大家了,因为需要 N 多你没学过的知识!
不过我也不打算让你断送希望,下边是一个可行的 Python 2 的代码片段,请修改为 Python 3 版本。其中一些库和知识点你可能还没学过,但凭借着过人的自学能力,你可以在不看答案的情况下完成任务的,对吗?
程序实现如下图:
Python 2 实现代码:
- # -- coding:gbk --
- import re
- import urllib, urllib2, cookielib
- loginurl = 'https://www.douban.com/accounts/login'
- cookie = cookielib.CookieJar()
- opener = urllib2.build_opener(urllib2.HTTPCookieProcessor(cookie))
- params = {
- "form_email":"your email",
- "form_password":"your password",
- "source":"index_nav" #没有的话登录不成功
- }
- #从首页提交登录
- response=opener.open(loginurl, urllib.urlencode(params))
- #验证成功跳转至登录页
- if response.geturl() == "https://www.douban.com/accounts/login":
- html=response.read()
- #验证码图片地址
- imgurl=re.search('<img id="captcha_image" src="(.+?)" alt="captcha" class="captcha_image"/>', html)
- if imgurl:
- url=imgurl.group(1)
- #将图片保存至同目录下
- res=urllib.urlretrieve(url, 'v.jpg')
- #获取captcha-id参数
- captcha=re.search('<input type="hidden" name="captcha-id" value="(.+?)"/>' ,html)
- if captcha:
- vcode=raw_input('请输入图片上的验证码:')
- params["captcha-solution"] = vcode
- params["captcha-id"] = captcha.group(1)
- params["user_login"] = "登录"
- #提交验证码验证
- response=opener.open(loginurl, urllib.urlencode(params))
- ''' 登录成功跳转至首页 '''
- if response.geturl() == "http://www.douban.com/":
- print 'login success ! '
复制代码
图一时之快先看答案,您将失去一次锻炼的机会!
请先自己动手,再回复查看参考答案。
测试题答案:
0. urlopen() 方法的 timeout 参数用于设置什么?
答:timeout 参数用于设置连接的超时时间,单位是秒。
1. 如何从 urlopen() 返回的对象中获取 HTTP 状态码?
答:
- …
- response = urllib.request.urlopen(url)
- code = response.getcode()
- …
复制代码
2. 在客户端和服务器之间进行请求-响应时,最常用的是哪两种方法?
答:GET 和 POST。
3. HTTP 是基于请求-响应的模式,那是客户端发出请求,服务端做出响应;还是服务端发出请求,客户端做出响应呢?
答:发出请求的永远是客户端,做出响应的永远是服务端。
4. User-Agent 属性通常是记录什么信息?
答:普通浏览器会通过该内容向访问网站提供你所使用的浏览器类型、操作系统、浏览器内核等信息的标识。
5. 如何通过 urlopen() 使用 POST 方法像服务端发出请求?
答:urlopen 函数有一个 data 参数,如果给这个参数赋值,那么 HTTP 的请求就是使用 POST 方式;如果 data 的值是 NULL,也就是默认值,那么 HTTP 的请求就是使用 GET 方式。
6. 使用字符串的什么方法将其它编码转换为 Unicode 编码?
答:decode。decode 的作用是将其他编码的字符串转换成 unicode 编码,相反,encode 的作用是将 unicode 编码转换成其他编码的字符串。
7. JSON是什么鬼?
答:JSON 是一种轻量级的数据交换格式,说白了这里就是用字符串把 Python 的数据结构封装起来,便与存储和使用。
动动手答案:
0. 配合 EasyGui,给“下载一只猫“的代码增加互动。
代码清单:
- import easygui as g
- import urllib.request
- def main():
- msg = "请填写喵的尺寸"
- title = "下载一只喵"
- fieldNames = ["宽:", "高:"]
- fieldValues = []
- size = width, height = 400, 600
- fieldValues = g.multenterbox(msg, title, fieldNames, size)
- while 1:
- if fieldValues == None:
- break
- errmsg = ""
- try:
- width = int(fieldValues[0].strip())
- except:
- errmsg += "宽度必须为整数!"
- try:
- height = int(fieldValues[1].strip())
- except:
- errmsg += "高度必须为整数!"
- if errmsg == "":
- break
- fieldValues = g.multenterbox(errmsg, title, fieldNames, fieldValues)
- url = "http://placekitten.com/g/%d/%d" % (width, height)
- response = urllib.request.urlopen(url)
- cat_img = response.read()
- filepath = g.diropenbox("请选择存放喵的文件夹")
- if filepath:
- filename = '%s/cat_%d_%d.jpg' % (filepath, width, height)
- else:
- filename = 'cat_%d_%d.jpg' % (width, height)
- with open(filename, 'wb') as f:
- f.write(cat_img)
- if __name__ == "__main__":
- main()
复制代码
1. 写一个登录豆瓣的客户端。
答:Python 3 对比 Python 2 有不少的改变。
在本题中:
- urllib 和 urllib2 合并,大多数功能放入了 urllib.request 模块;
- 原来的 urllib.urlencode() 变为 urllib.parse.urlencode().encode(),由于编码的关系,你还需要在后边加上 encode('utf-8');
- cookielib 被改名为 http.cookiejar;
课堂中我们还没讲,所以这里借机会给大家简单科普一下 cookie 是什么东西:
我们说 HTTP 协议是基于请求响应模式,就是客户端发一个请求,服务端回复一个响应酱紫……
但 HTTP 协议是无状态的,也就是说客户端这会儿给服务端提交了账号密码,服务端回复验证通过,但下一秒客户端说我要访问 XXOO 资源,服务端回复:“啊??你是谁?!”
为了解决这个尴尬的困境,有人就发明出了 cookie。cookie 相当于服务端(网站)用于验证你的身份的密文。于是客户端每次提交请求的时候,服务端通过验证 cookie 即可知道你的身份信息。那么正如你所猜测的,CookieJar 是 Python 用于存放 cookie 的对象。
当然,这里已经给你提供了 Python 2 的代码,你不懂上边这些,也不影响完成作业。
代码清单:
- import re
- import urllib.request
- from http.cookiejar import CookieJar
- # 豆瓣的登录url
- loginurl = 'https://www.douban.com/accounts/login'
- cookie = CookieJar()
- opener = urllib.request.build_opener(urllib.request.HTTPCookieProcessor)
- data = {
- "form_email":"your email",
- "form_password":"your password",
- "source":"index_nav"
- }
- data = {}
- data['form_email'] = '你的账号'
- data['form_password'] = '你的密码'
- data['source'] = 'index_nav'
- response = opener.open(loginurl, urllib.parse.urlencode(data).encode('utf-8'))
- #验证成功跳转至登录页
- if response.geturl() == "https://www.douban.com/accounts/login":
- html = response.read().decode()
- #验证码图片地址
- imgurl = re.search('<img id="captcha_image" src="(.+?)" alt="captcha" class="captcha_image"/>', html)
- if imgurl:
- url = imgurl.group(1)
- # 将验证码图片保存至同目录下
- res = urllib.request.urlretrieve(url, 'v.jpg')
- # 获取captcha-id参数
- captcha = re.search('<input type="hidden" name="captcha-id" value="(.+?)"/>' ,html)
- if captcha:
- vcode = input('请输入图片上的验证码:')
- data["captcha-solution"] = vcode
- data["captcha-id"] = captcha.group(1)
- data["user_login"] = "登录"
- # 提交验证码验证
- response = opener.open(loginurl, urllib.parse.urlencode(data).encode('utf-8'))
- # 登录成功跳转至首页 '''
- if response.geturl() == "http://www.douban.com/":
- Print(‘登陆成功!’)