Python 爬虫

一、背景

某个比赛要从网上抓取图像,于是做了简单爬虫入门。

二、基础

1、首先是python3的urllib,获取普通baidu网页

import urllib.request
import urllib.error

url = "http://www.baidu.com"
try:
    response = urllib.request.urlopen(url)
    html = response.read().decode()
    print(html)
except:
    print('Warning: Could not download from %s' % url)

2、python2的urllib2,获取普通baidu网页

import urllib2 #这里变成了urllib2

url = "http://www.baidu.com"
try:
    response = urllib2.urlopen(url) #这里变成了urllib2
    html = response.read().decode()
    print(html)
except:
    print('Warning: Could not download from %s' % url)

3、使用request库,不区分python2还是python3

import requests #这里变成了requests

url = "http://www.baidu.com"
try:
    response = requests.get(url=url)
    response.encoding = 'utf-8'
    html = response.text
    print(html)
except:
    print('Warning: Could not download from %s' % url)

三、使用代理

  要使用代理,首先要确定本地http和https代理设置,一般为“127.0.0.1:xxxx”。其中,xxxx为端口号。其次要确认headers里的‘user-agent’,可以在https://developers.whatismybrowser.com/useragents/explore/ 网站查找。
  获取图像,某网页图片如下图:

image.png

  下面给出了python2和python3的两种实现,其中python3区分了字节流BytesIO和字符流StringIO,而python2不区分,需要特别注意。

import urllib.request
import urllib.error
from PIL import Image
from io import BytesIO  #python3
# from StringIO import StringIO    #python2

url = "https://lh3.googleusercontent.com/-4YE2L3n5W1s/WEn3Ks0KnNI/AAAAAAAASSI/_HP83M-1cIQEYq7CQVj0lHmZ1P1kMilLwCOcB/s1600/"
try:
    proxies = {'https': 'https://127.0.0.1:12333','http' : 'http://127.0.0.1:12333'}
    headers = {
        #73.0.3683.86为chrome的版本号
        'user-agent': 'Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/73.0.3683.86 Safari/537.36'
    }


    opener = urllib.request.build_opener(urllib.request.ProxyHandler(proxies))
    urllib.request.install_opener(opener)
    req = urllib.request.Request(url, headers=headers)
    image_data = response.read()
except:
    print('Warning: Could not download image from %s' % url)

try:
    #python3
    pil_image = Image.open(BytesIO(image_data))
   #phyton2
   #pil_image = Image.open(StringIO(image_data))
except:
    print('Warning: Failed to parse image from %s' % url)


  try:
    pil_image_rgb = pil_image.convert('RGB') #RGB的图像
  except:
    print('Warning: Failed to convert image %s to RGB' % key)

四、总结

  Python2和Python3库兼容性非常不好,使用时要特别注意。

©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 217,542评论 6 504
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 92,822评论 3 394
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 163,912评论 0 354
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 58,449评论 1 293
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 67,500评论 6 392
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 51,370评论 1 302
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 40,193评论 3 418
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 39,074评论 0 276
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 45,505评论 1 314
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 37,722评论 3 335
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 39,841评论 1 348
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 35,569评论 5 345
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 41,168评论 3 328
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 31,783评论 0 22
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 32,918评论 1 269
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 47,962评论 2 370
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 44,781评论 2 354

推荐阅读更多精彩内容