【详解】Python写爬虫脚本的教程

【2015-12-11更新】本文是无聊以及不成熟时候的记录，都是最最基础的东西，很多都是废话，可以不看！

【2015-12-16更新】研究出了模拟登录b站的方法，该篇虽然废话，但都是基础，看过该篇可继续看下一篇---《Python模拟登录b站并抓取信息》


因为过去了一段时间，有好多点都可以直接写，反而不知道从哪儿开始写。所以写一个从零开始的Python爬虫教程，也是自己从头再学习和复习的一个过程。

1.Python的安装

我们这里安装Python2.7，虽然据说Python3有好些地方进步了不少（比如比较让人头疼的编码问题）

具体安装过程就不赘述了，百度很好找到。

2.PyCharm的安装

这个是比较好的一个Python编程工具，强烈推荐使用。安装过程自行百度！

3.第三方模块的安装使用

Python如同Java一样，也有很多包，包里面有很多方法函数。除了自带的各种，我们可以通过安装第三方的模块来简化我们的开发过程。

在我的学习过程中，只用到了两种安装方法：

1. 针对个别模块，可以找到安装文件，点击打开后如同普通软件一样有安装向导，比如pygame就是这样的

2. 最常见的，就是解压之后一个文件夹，文件夹中有setup.py的文件。通过命令行来安装，cmd-->cd  \--->f:--->cd f:/a/b/c

    定位到setup.py这个文件所在的文件夹下，然后，加上setup.py install 完成安装

以上这些算是准备工作，接下来开始正式介绍如何写Python爬虫脚本。

顺序由上至下依次写：

1.顶端的声明

#!/usr/bin/python
# -*- coding: utf-8 -*-

第一行：用来说明脚本语言是python，而且要用/usr/bin下面的程序（工具）python这个解释器，来解释python脚本，用来运行python脚本的。

第二行：是用来指定文件编码为utf-8。推荐使用utf-8这样可以在脚本文件中添加中文注释，比较方便的。

2.版本标识

__author__ = "$Author: Python$"
__version__ = "$Revision: 1.0 $"
__date__ = "$Date: 2015-10-22 15:35$"

指明，作者，版本号，以及编写日期

3.

###############################################################
# 功能：模拟登录哔哩哔哩并抓取个人主页关注动态的视频信息
###############################################################

表名功能

4.模拟登录

首先讲模拟登录。我们从网站上抓取数据，很多时候都需要先登录，然后进入网页。

说模拟登录，有句话是这么说的，代码其实很好写，只是分析登录的过程比较麻烦！

其实写过一次之后真的是这样的，代码的写法其实比较死，关键是每个网站的登录过程都不同。分析清楚这个过程就算是完成了大半的模拟登录工作了！

我们这里做一个功能，模拟登录bilibili并抓取当前时间正在观看的前十名，显示视频名称并显示点击数。

首先贴一个之前做的模拟登录某数据后台的代码，作为记录对照以及参考。

这个是我最初做模拟登录的第一版代码，也是最为基础的代码。

#!/usr/bin/python
# -*- coding: utf-8 -*-

import re
import cookielib
import urllib
import urllib2
import optparse

def login():

#输入用户名密码的数据
# parse input parameters
parser = optparse.OptionParser()
parser.add_option("-u","--channelId",action="store",type="string",default='',dest="channelId",help="Your ChannelId");
parser.add_option("-p","--password",action="store",type="string",default='',dest="password",help="Your Password");
(options, args) = parser.parse_args()

#导出所有的选项变量,方便之后使用
# export all options variables, then later variables can be used
for i in dir(options):
exec(i + " = options." + i)

#处理cookie
cj = cookielib.CookieJar()
opener = urllib2.build_opener(urllib2.HTTPCookieProcessor(cj))
urllib2.install_opener(opener)

downjoyMainUrl = "http://money.downjoy.com/connectchannel/login.jsp"
resp = urllib2.urlopen(downjoyMainUrl)

#开始模拟登录
downjoyMainLoginUrl = "http://money.downjoy.com/connectchannel/login.html"
postDict = {
'channelId'      : "1039",
'password'      : "xxx",
}
# here will automatically encode values of parameters
postData = urllib.urlencode(postDict)
req = urllib2.Request(downjoyMainLoginUrl, postData)

#编码
req.add_header('Content-Type', "application/x-www-form-urlencoded")
resp = urllib2.urlopen(req)
#加上.decode('utf-8').encode('gb2312')就能够解决中文乱码的问题
html = resp.read().decode('utf-8').encode('gb2312')
#返回了网页
print html

if __name__=="__main__":
login()

接下来分析bilibili的登录流程，我用的是火狐浏览器，点击F12然后分析具体流程！

1. 手动登录

看一下正常通过浏览器登录需要输入什么信息。

我们发现，登录bilibili需要输入用户名、密码，以及，验证码

2.先到达登录页面

#!/usr/bin/python
# -*- coding: utf-8 -*-

import cookielib
import urllib
import urllib2
import optparse

def login():

#输入用户名密码的数据
parser = optparse.OptionParser()
parser.add_option("-u","--channelId",action="store",type="string",default='',dest="channelId",help="Your ChannelId");
parser.add_option("-p","--password",action="store",type="string",default='',dest="password",help="Your Password");
(options, args) = parser.parse_args()

for i in dir(options):
exec(i + " = options." + i)

#处理cookie
cj = cookielib.CookieJar()
opener = urllib2.build_opener(urllib2.HTTPCookieProcessor(cj))
urllib2.install_opener(opener)

downjoyMainUrl = "https://account.bilibili.com/login"
resp = urllib2.urlopen(downjoyMainUrl)
html = resp.read().decode('utf-8')
print html

这里出现的第一个链接，就是bilibili登录网址，我们打印出网页，发现的确是登录页面的HTML显示

3.分析如何登录

我们打开F12，手动输入用户名密码以及验证码，登录！

我们分析时，在F12的控制台中最需要找的是，

我们输入的用户名、密码、验证码分别在哪里！

找到了这些登录网站所需要的信息，就可以模拟登录了，因为正常登录只需要这三个信息！

####怎么找我们输入的三个信息呢？

我们要记得，明确一点，登录是具有加密性的操作，所以肯定是通过post方式来提交参数的。

所以我们只需要在POST方式中寻找就可以了！

我们首先到登录页面，打开F12，清除一下现有信息，重新载入，发现除了最初的两个GET，剩下的所有POST都是一样的，而且随着时间推移不断增加，推测应该是网站以一定的频率向网站后台请求着什么。。。



这种发起请求的url肯定是有用的，我们先留个心，待会肯定会回到这条url找寻一些信息。

然后登录，我们需要在这一堆一样的POSTurl下找寻新的POST，在里面找到我们输入的信息。



我们发现，登录过程中，接了一个GET，一个POST，我们要找的信息肯定就在这两个之中！



果不其然，我们在post请求下的参数这里发现了我们刚刚输入的userid，还有pwd，即用户名和密码。

再回忆一下我们刚刚输入的验证码，发现是vdcode对应的参数。

至此，登录需要的三个信息我们都找到了，当然，确应我们刚刚所说，都在POST请求里。

####分析除了输入信息外其他的信息？

我们手动登录输入的信息都找到了，但有了这些还不一定能够登录。因为还有别的参数，我们用浏览器登录时，这些参数的获取和提交，浏览器替我们做了。

而用Python代码手动模拟登录时，这些工作需要我们自己做。

首先，act、gourl这两个肯定是不变的。

剩下的keeptime我们读一下名字，不知道它是干嘛的，但我们要分析它是可变的还是不可变的！

如果可变，我们要分析它从哪儿来；

如果不可变，我们就以分析到的值为准就可以了。

 

多登录几次，观察一下这个keeptime的变化。

最终我们发现，几次登录这个keeptime是不变化的。所以不用管它了！记住它是604800就可以了！

####验证码如何获取？

接下来分析验证码的问题。