爬蟲進階篇

 

Cookie的使用

爲何要使用Cookie呢？

Cookie，指某些網站爲了辨別用戶身份、進行session跟蹤而儲存在用戶本地終端上的數據（一般通過加密）

好比說有些網站須要登陸後才能訪問某個頁面，在登陸以前，你想抓取某個頁面內容是不容許的。那麼咱們能夠利用Urllib2庫保存咱們登陸的Cookie，而後再抓取其餘頁面就達到目的了。

在此以前呢，咱們必須先介紹一個opener的概念。

　　1.Opener

　　　　當你獲取一個URL你使用一個opener(一個urllib2.OpenerDirector的實例)。在前面，咱們都是使用的默認的opener，也就是urlopen。它是一個特殊的opener，能夠理解成opener的一個特殊實例，傳入的參數僅僅是url，data，timeout。

若是咱們須要用到Cookie，只用這個opener是不能達到目的的，因此咱們須要建立更通常的opener來實現對Cookie的設置。

　　2.Cookielib

　　　　cookielib模塊的主要做用是提供可存儲cookie的對象，以便於與urllib2模塊配合使用來訪問Internet資源。Cookielib模塊很是強大，咱們能夠利用本模塊的CookieJar類的對象來捕獲cookie並在後續鏈接請求時從新發送，好比能夠實現模擬登陸功能。該模塊主要的對象有CookieJar、FileCookieJar、MozillaCookieJar、LWPCookieJar。

它們的關係：CookieJar —-派生—->FileCookieJar  —-派生—–>MozillaCookieJar和LWPCookieJar

　　　1）獲取Cookie保存到變量

　　　　首先，咱們先利用CookieJar對象實現獲取cookie的功能，存儲到變量中，先來感覺一下

　　　　一部分是我本身的解釋

# import urllib2
# import cookielib
# #聲明一個CookieJar對象實例來保存cookie
# 獲取一個保存cookie對象？？
# cookie = cookielib.CookieJar()

# #利用urllib2庫的HTTPCookieProcessor對象來建立cookie處理器
#將一個保存cookie對象，和一個HTTP的cookie的處理綁定----？？
# handler=urllib2.HTTPCookieProcessor(cookie)

# #經過handler來構建opener
#建立一個opener，將保存了cookie的http處理器，還有設置一個handler用於處理http的URL的打開
# opener = urllib2.build_opener(handler)
# #此處的open方法同urllib2的urlopen方法，也能夠傳入request
# response = opener.open('http://www.baidu.com')
# for item in cookie:
#     print 'Name = '+item.name
#     print 'Value = '+item.value

　　咱們使用以上方法將cookie保存到變量中，而後打印出了cookie中的值，運行結果以下

Value = B07B663B645729F11F659C02AAE65B4C:FG=1
Name = BAIDUPSID
Value = B07B663B645729F11F659C02AAE65B4C
Name = H_PS_PSSID
Value = 12527_11076_1438_10633
Name = BDSVRTM
Value = 0
Name = BD_HOME
Value = 0

　　

　　2）保存Cookie到文件

在上面的方法中，咱們將cookie保存到了cookie這個變量中，若是咱們想將cookie保存到文件中該怎麼作呢？這時，咱們就要用到（文件自動生成）

FileCookieJar這個對象了，在這裏咱們使用它的子類MozillaCookieJar來實現Cookie的保存

import cookielib
import urllib2

#設置保存cookie的文件，同級目錄下的cookie.txt
filename = 'cookie.txt'
#聲明一個MozillaCookieJar對象實例來保存cookie，以後寫入文件
cookie = cookielib.MozillaCookieJar(filename)
#利用urllib2庫的HTTPCookieProcessor對象來建立cookie處理器
handler = urllib2.HTTPCookieProcessor(cookie)
#經過handler來構建opener
opener = urllib2.build_opener(handler)
#建立一個請求，原理同urllib2的urlopen
response = opener.open("http://www.baidu.com")
#保存cookie到文件
cookie.save(ignore_discard=True, ignore_expires=True)

　　

　　因而可知，ignore_discard的意思是即便cookies將被丟棄也將它保存下來，ignore_expires的意思是若是在該文件中cookies已經存在，則覆蓋原文件寫入，在這裏，咱們將這兩個所有設置爲True。運行以後，cookies將被保存到cookie.txt文件中，咱們查看一下內容，附圖以下

3）從文件中獲取Cookie並訪問

那麼咱們已經作到把Cookie保存到文件中了，若是之後想使用，能夠利用下面的方法來讀取cookie並訪問網站，感覺一下

 

import cookielib
import urllib2

#建立MozillaCookieJar實例對象
cookie = cookielib.MozillaCookieJar()
#從文件中讀取cookie內容到變量
cookie.load('cookie.txt', ignore_discard=True, ignore_expires=True)
#建立請求的request
req = urllib2.Request("http://www.baidu.com")
#利用urllib2的build_opener方法建立一個opener
opener = urllib2.build_opener(urllib2.HTTPCookieProcessor(cookie))
response = opener.open(req)
print response.read()

　　

　　設想，若是咱們的 cookie.txt 文件中保存的是某我的登陸百度的cookie，那麼咱們提取出這個cookie文件內容，就能夠用以上方法模擬這我的的帳號登陸百度。

 　　4）利用cookie模擬網站登陸

　　　　下面咱們以咱們學校的教育系統爲例，利用cookie實現模擬登陸，並將cookie信息保存到文本文件中，來感覺一下cookie大法吧！

　　　　注意：密碼我改了啊，別偷偷登陸鄭的選課系統 o(╯□╰)o

 

 

import urllib2
import cookielib
 
filename = 'cookie.txt'
#聲明一個MozillaCookieJar對象實例來保存cookie，以後寫入文件
cookie = cookielib.MozillaCookieJar(filename)
opener = urllib2.build_opener(urllib2.HTTPCookieProcessor(cookie))
postdata = urllib.urlencode({
            'stuid':'201200131012',
            'pwd':'23342321'
        })
#登陸教務系統的URL
loginUrl = 'http://jwxt.sdu.edu.cn:7890/pls/wwwbks/bks_login2.login'
#模擬登陸，並把cookie保存到變量
result = opener.open(loginUrl,postdata)
#保存cookie到cookie.txt中
cookie.save(ignore_discard=True, ignore_expires=True)
#利用cookie請求訪問另外一個網址，此網址是成績查詢網址
gradeUrl = 'http://jwxt.sdu.edu.cn:7890/pls/wwwbks/bkscjcx.curscopre'
#請求訪問成績查詢網址
result = opener.open(gradeUrl)
print result.read()

　　以上程序的原理以下

　　建立一個帶有cookie的opener，在訪問登陸的URL時，將登陸後的cookie保存下來，而後利用這個cookie來訪問其餘網址。

　　如登陸以後才能查看的成績查詢呀，本學期課表呀等等網址，模擬登陸就這麼實現啦，是否是很酷炫？

　　

　　正則表達式

 正則表達式是用來匹配字符串很是強大的工具，在其餘編程語言中一樣有正則表達式的概念，Python一樣不例外，利用了正則表達式，咱們想要從返回的頁面內容提取出咱們想要的內容就易如反掌了。

正則表達式的大體匹配過程是：
1.依次拿出表達式和文本中的字符比較，
2.若是每個字符都能匹配，則匹配成功；一旦有匹配不成功的字符則匹配失敗。
3.若是表達式中有量詞或邊界，這個過程會稍微有一些不一樣。

　　2.正則表達式的語法規則

　　　　下面是Python中正則表達式的一些匹配規則，圖片資料來自CSDN

 

　　3.正則表達式相關注解

　　　　（1）數量詞的貪婪模式與非貪婪模式

　　正則表達式一般用於在文本中查找匹配的字符串。Python裏數量詞默認是貪婪的（在少數語言裏也多是默認非貪婪），老是嘗試匹配儘量多的字符；非貪婪的則相反，老是嘗試匹配儘量少的字符。例如：正則表達式」ab*」若是用於查找」abbbc」，將找到」abbb」。而若是使用非貪婪的數量詞」ab*?」，將找到」a」。

注：咱們通常使用非貪婪模式來提取。

　　（2）反斜槓問題

　　與大多數編程語言相同，正則表達式裏使用」\」做爲轉義字符，這就可能形成反斜槓困擾。假如你須要匹配文本中的字符」\」，那麼使用編程語言表示的正則表達式裏將須要4個反斜槓」\\\\」：前兩個和後兩個分別用於在編程語言裏轉義成反斜槓，轉換成兩個反斜槓後再在正則表達式裏轉義成一個反斜槓。

Python裏的原生字符串很好地解決了這個問題，這個例子中的正則表達式可使用r」\\」表示。一樣，匹配一個數字的」\\d」能夠寫成r」\d」。有了原生字符串，媽媽也不用擔憂是否是漏寫了反斜槓，寫出來的表達式也更直觀勒。

　　4.Python Re模塊

　　　　Python 自帶了re模塊，它提供了對正則表達式的支持。主要用到的方法列舉以下

 

#返回pattern對象
re.compile(string[,flag])  
#如下爲匹配所用函數
re.match(pattern, string[, flags])
re.search(pattern, string[, flags])
re.split(pattern, string[, maxsplit])
re.findall(pattern, string[, flags])
re.finditer(pattern, string[, flags])
re.sub(pattern, repl, string[, count])
re.subn(pattern, repl, string[, count])

　　在介紹這幾個方法以前，咱們先來介紹一下pattern的概念，pattern能夠理解爲一個匹配模式，那麼咱們怎麼得到這個匹配模式呢？很簡單，咱們須要利用re.compile方法就能夠。例如

 

pattern = re.compile(r'hello')

 

在參數中咱們傳入了原生字符串對象，經過compile方法編譯生成一個pattern對象，而後咱們利用這個對象來進行進一步的匹配。

另外你們可能注意到了另外一個參數 flags，在這裏解釋一下這個參數的含義：

參數flag是匹配模式，取值可使用按位或運算符’|’表示同時生效，好比re.I | re.M。

可選值有：

 

 • re.I(全拼：IGNORECASE): 忽略大小寫（括號內是完整寫法，下同）
 • re.M(全拼：MULTILINE): 多行模式，改變'^'和'$'的行爲（參見上圖）
 • re.S(全拼：DOTALL): 點任意匹配模式，改變'.'的行爲
 • re.L(全拼：LOCALE): 使預約字符類 \w \W \b \B \s \S 取決於當前區域設定
 • re.U(全拼：UNICODE): 使預約字符類 \w \W \b \B \s \S \d \D 取決於unicode定義的字符屬性
 • re.X(全拼：VERBOSE): 詳細模式。這個模式下正則表達式能夠是多行，忽略空白字符，並能夠加入註釋。

　　在剛纔所說的另外幾個方法例如 re.match 裏咱們就須要用到這個pattern了，下面咱們一一介紹。

 

注：如下七個方法中的flags一樣是表明匹配模式的意思，若是在pattern生成時已經指明瞭flags，那麼在下面的方法中就不須要傳入這個參數了。

　　（1）re.match(pattern, string[, flags])

　　這個方法將會從string（咱們要匹配的字符串）的開頭開始，嘗試匹配pattern，一直向後匹配，若是遇到沒法匹配的字符，當即返回None，若是匹配未結束已經到達string的末尾，也會返回None。兩個結果均表示匹配失敗，不然匹配pattern成功，同時匹配終止，再也不對string向後匹配。下面咱們經過一個例子理解一下

 

__author__ = 'CQC'
# -*- coding: utf-8 -*-

#導入re模塊
import re

# 將正則表達式編譯成Pattern對象，注意hello前面的r的意思是「原生字符串」
pattern = re.compile(r'hello')

# 使用re.match匹配文本，得到匹配結果，沒法匹配時將返回None
result1 = re.match(pattern,'hello')
result2 = re.match(pattern,'helloo CQC!')
result3 = re.match(pattern,'helo CQC!')
result4 = re.match(pattern,'hello CQC!')

#若是1匹配成功
if result1:
    # 使用Match得到分組信息
    print result1.group()
else:
    print '1匹配失敗！'


#若是2匹配成功
if result2:
    # 使用Match得到分組信息
    print result2.group()
else:
    print '2匹配失敗！'


#若是3匹配成功
if result3:
    # 使用Match得到分組信息
    print result3.group()
else:
    print '3匹配失敗！'

#若是4匹配成功
if result4:
    # 使用Match得到分組信息
    print result4.group()
else:
    print '4匹配失敗！'

 

　　運行結果

hello
hello
3匹配失敗
hello

　

　　匹配分析

　　1.第一個匹配，pattern正則表達式爲’hello’，咱們匹配的目標字符串string也爲hello，從頭到尾徹底匹配，匹配成功。

　　2.第二個匹配，string爲helloo CQC，從string頭開始匹配pattern徹底能夠匹配，pattern匹配結束，同時匹配終止，後面的o CQC再也不匹配，返回匹配成功的信息。

　　3.第三個匹配，string爲helo CQC，從string頭開始匹配pattern，發現到 ‘o’ 時沒法完成匹配，匹配終止，返回None

　　4.第四個匹配，同第二個匹配原理，即便遇到了空格符也不會受影響。

　　咱們還看到最後打印出了result.group()，這個是什麼意思呢？下面咱們說一下關於match對象的的屬性和方法
Match對象是一次匹配的結果，包含了不少關於這次匹配的信息，可使用Match提供的可讀屬性或方法來獲取這些信息。

屬性：
1.string: 匹配時使用的文本。
2.re: 匹配時使用的Pattern對象。
3.pos: 文本中正則表達式開始搜索的索引。值與Pattern.match()和Pattern.seach()方法的同名參數相同。
4.endpos: 文本中正則表達式結束搜索的索引。值與Pattern.match()和Pattern.seach()方法的同名參數相同。
5.lastindex: 最後一個被捕獲的分組在文本中的索引。若是沒有被捕獲的分組，將爲None。
6.lastgroup: 最後一個被捕獲的分組的別名。若是這個分組沒有別名或者沒有被捕獲的分組，將爲None。
方法：
1.group([group1, …]):
得到一個或多個分組截獲的字符串；指定多個參數時將以元組形式返回。group1可使用編號也可使用別名；編號0表明整個匹配的子串；不填寫參數時，返回group(0)；沒有截獲字符串的組返回None；截獲了屢次的組返回最後一次截獲的子串。
2.groups([default]):
以元組形式返回所有分組截獲的字符串。至關於調用group(1,2,…last)。default表示沒有截獲字符串的組以這個值替代，默認爲None。
3.groupdict([default]):
返回以有別名的組的別名爲鍵、以該組截獲的子串爲值的字典，沒有別名的組不包含在內。default含義同上。
4.start([group]):
返回指定的組截獲的子串在string中的起始索引（子串第一個字符的索引）。group默認值爲0。
5.end([group]):
返回指定的組截獲的子串在string中的結束索引（子串最後一個字符的索引+1）。group默認值爲0。
6.span([group]):
返回(start(group), end(group))。
7.expand(template):
將匹配到的分組代入template中而後返回。template中可使用\id或\g、\g引用分組，但不能使用編號0。\id與\g是等價的；但\10將被認爲是第10個分組，若是你想表達\1以後是字符’0’，只能使用\g0。

　　

 下面咱們用一個例子來體會一下

# -*- coding: utf-8 -*-
#一個簡單的match實例

import re
# 匹配以下內容：單詞+空格+單詞+任意字符
m = re.match(r'(\w+) (\w+)(?P<sign>.*)', 'hello world!')

print "m.string:", m.string
print "m.re:", m.re
print "m.pos:", m.pos
print "m.endpos:", m.endpos
print "m.lastindex:", m.lastindex
print "m.lastgroup:", m.lastgroup
print "m.group():", m.group()
print "m.group(1,2):", m.group(1, 2)
print "m.groups():", m.groups()
print "m.groupdict():", m.groupdict()
print "m.start(2):", m.start(2)
print "m.end(2):", m.end(2)
print "m.span(2):", m.span(2)
print r"m.expand(r'\g \g\g'):", m.expand(r'\2 \1\3')
 
### output ###
# m.string: hello world!
# m.re: 
# m.pos: 0
# m.endpos: 12
# m.lastindex: 3
# m.lastgroup: sign
# m.group(1,2): ('hello', 'world')
# m.groups(): ('hello', 'world', '!')
# m.groupdict(): {'sign': '!'}
# m.start(2): 6
# m.end(2): 11
# m.span(2): (6, 11)
# m.expand(r'\2 \1\3'): world hello!

　　

　　（2）re.search(pattern, string[, flags])

　　search方法與match方法極其相似，區別在於match()函數只檢測re是否是在string的開始位置匹配，search()會掃描整個string查找匹配，match（）只有在0位置匹配成功的話纔有返回，若是不是開始位置匹配成功的話，match()就返回None。一樣，search方法的返回對象一樣match()返回對象的方法和屬性。咱們用一個例子感覺一下

#導入re模塊
import re

# 將正則表達式編譯成Pattern對象
pattern = re.compile(r'world')
# 使用search()查找匹配的子串，不存在能匹配的子串時將返回None
# 這個例子中使用match()沒法成功匹配
match = re.search(pattern,'hello world!')
if match:
    # 使用Match得到分組信息
    print match.group()
### 輸出 ###
# world

　　

　　（3）re.split(pattern, string[, maxsplit])

　　按照可以匹配的子串將string分割後返回列表。maxsplit用於指定最大分割次數，不指定將所有分割。咱們經過下面的例子感覺一下。

 

import re

pattern = re.compile(r'\d+')
print re.split(pattern,'one1two2three3four4')

### 輸出 ###
# ['one', 'two', 'three', 'four', '']

　　

　　（4）re.findall(pattern, string[, flags])

　　搜索string，以列表形式返回所有能匹配的子串。咱們經過這個例子來感覺一下

 

import re

pattern = re.compile(r'\d+')
print re.findall(pattern,'one1two2three3four4')

### 輸出 ###
# ['1', '2', '3', '4']

　　（5）re.finditer(pattern, string[, flags])

搜索string，返回一個順序訪問每個匹配結果（Match對象）的迭代器。咱們經過下面的例子來感覺一下

import re
 
pattern = re.compile(r'\d+')
for m in re.finditer(pattern,'one1two2three3four4'):
    print m.group(),
 
### 輸出 ###
# 1 2 3 4

　　（6）re.sub(pattern, repl, string[, count])

　　使用repl替換string中每個匹配的子串後返回替換後的字符串。
當repl是一個字符串時，可使用\id或\g、\g引用分組，但不能使用編號0。
當repl是一個方法時，這個方法應當只接受一個參數（Match對象），並返回一個字符串用於替換（返回的字符串中不能再引用分組）。
count用於指定最多替換次數，不指定時所有替換。

import re

pattern = re.compile(r'(\w+) (\w+)')
s = 'i say, hello world!'

print re.sub(pattern,r'\2 \1', s)

def func(m):
    return m.group(1).title() + ' ' + m.group(2).title()

print re.sub(pattern,func, s)

### output ###
# say i, world hello!
# I Say, Hello World!

　　

　　（7）re.subn(pattern, repl, string[, count])

　　返回 (sub(repl, string[, count]), 替換次數)。

import re
 
pattern = re.compile(r'(\w+) (\w+)')
s = 'i say, hello world!'
 
print re.subn(pattern,r'\2 \1', s)
 
def func(m):
    return m.group(1).title() + ' ' + m.group(2).title()
 
print re.subn(pattern,func, s)
 
### output ###
# ('say i, world hello!', 2)
# ('I Say, Hello World!', 2)

　　

　5.Python Re模塊的另外一種使用方式

　　在上面咱們介紹了7個工具方法，例如match，search等等，不過調用方式都是 re.match，re.search的方式，其實還有另一種調用方式，能夠經過pattern.match，pattern.search調用，這樣調用便不用將pattern做爲第一個參數傳入了，你們想怎樣調用皆可。

函數API列表

 match(string[, pos[, endpos]]) | re.match(pattern, string[, flags])
 search(string[, pos[, endpos]]) | re.search(pattern, string[, flags])
 split(string[, maxsplit]) | re.split(pattern, string[, maxsplit])
 findall(string[, pos[, endpos]]) | re.findall(pattern, string[, flags])
 finditer(string[, pos[, endpos]]) | re.finditer(pattern, string[, flags])
 sub(repl, string[, count]) | re.sub(pattern, repl, string[, count])
 subn(repl, string[, count]) |re.sub(pattern, repl, string[, count])

　　

具體的調用方法沒必要詳說了，原理都相似，只是參數的變化不一樣。小夥伴們嘗試一下吧~