自己写了一个爬虫爬取豆瓣小说，后来为了应对请求不到数据，增加了请求的头部信息headers，为了应对豆瓣服务器的反爬虫机制：防止请求频率过快而造
1 #-*-coding:utf-8-*-
2 import urllib2
3 from bs4 import BeautifulSoup
4 import time
5 import random
6
7 class dbxs:
8
9 def __init__(self):
10 self.pageIndex = 0
11 self.enable = True
12
13
14 #获取html页面的内容
15 def getPage(self, pageIndex):
16 try:
17 #设置代理ip
18 enable_proxy = True
19 #Openers使用处理器Handlers，所有的“繁重”工作由Handlers处理，每个handlers知道如何通过特定协议打开URLs，或者如何处理URL打开时的各个方面
20 #在你使用代理上网或其他的情况就需要自己创建一个opener，可以实例化一个OpenerDirector,然后调用.add_handler(some_handler_instance)
21 #也可使用build_opener，这是一个更加方便的函数，用来创建opener对象，它只需要一次函数调用
22 proxy_handler = urllib2.ProxyHandler({'Http': '113.118.170.230:808'})
23 null_proxy_handler = urllib2.ProxyHandler({})
24 if enable_proxy:
25 #当你获取一个URL你要使用一个opener，默认情况下opener是urlopen，但urllib2.urlopen()不支持验证、cookie或者其他Http高级功能
26 #要支持这些功能，必须使用build_opener()创建自定义opener对象，build_opener([handler1 [handler2,...]])，参数handler是Handlers的实例，常用的有HTTPBasicAuthHandler、HTTPCookieProcessor、ProxyHandler
27 opener = urllib2.build_opener(proxy_handler)
28 else:
29 opener = urllib2.build_opener(null_proxy_handler)
30 urllib2.install_opener(opener) #install_opener用来创建（全局）默认opener，这个表示调用urlopen将使用你安装的opener
31 #获得页面响应的内容
32 url = 'https://www.douban.com/tag/%E5%B0%8F%E8%AF%B4/book' + "?start=" + str(pageIndex)
33 #设置请求头部信息，模拟浏览器的行为
34 my_headers = {'User-Agent':'Mozilla/5.0 (Windows NT 6.1; WOW64; rv:55.0)'}
35 request = urllib2.Request(url, headers = my_headers)
36 response = urllib2.urlopen(request)
37 return response.read()
38
39 #另外一种随机设置请求头部信息的方法
40 #my_headers =['Mozilla/5.0 (Windows NT 6.1; WOW64; rv:55.0)', 'Mozilla/5.0 (Windows NT 6.1; Win64; x64)', 'Mozilla/5.0 (Windows NT 6.1; WOW64; Trident/7.0; rv:11.0)']
41 #header = random.choice(my_headers) #random.choice()可以从任何序列，比如list列表中，选取一个随机的元素返回，可以用于字符串、列表、元组
42 #request = urllib2.Request(url, headers = {'User-Agent': header})
43 except urllib2.URLError, e:
44 if hasattr(e, "code"):
45 print e.code
46 if hasattr(e, "reason"):
47 print e.reason
48 return None
49
50 #过滤查找这一页的小说名字，信息和评分
51 def getContent(self, pageIndex):
52 pageCode = self.getPage(pageIndex)
53 soup = BeautifulSoup(pageCode, 'html.parser')
54 #在获得相应的内容中找出所有标签为<dd>的内容（里面包含了我们需要的小说信息）
55 contents = soup.find_all('dd')
56 #如果contents为真，能够获取到包含<dd>标签的内容，什么情况获取不到？我们发现豆瓣小说21页之后的所有页面里都不包含<dd>标签，我们应该停止打印
57 if contents:
58 #item为包含小说信息的每一页的内容
59 for item in contents:
60 title = item.find(class_ = 'title').string
61 info = item.find(class_ = 'desc').string.strip()
62 rate = item.find(class_ = 'rating_nums')
63 #通过试验，我们发现某一页可能存在小说没有评分，如果我们不判断rate，那么可能就出现报错
64 if rate:
65 rates = rate.string
66 print u"%s\n%s\n评分:%s\n" %(title, info, rates)
67 #对于小说没有评分的内容，我们只打印小说名字，信息
68 else:
69 print u"%s\n%s\n" %(title, info)
70 #如果页面不包含<dd>标签，我们应该停止
71 else:
72 print u"所有页面已加载完"
73 self.enable = False
74
75 return contents
76
77
78 #创建一个开始方法
79 def start(self):
80 #打印第一页，此时self.pageIndex = 0，初始化时设置了
81 #设置页码x = 1
82 x = 1
83 #我们观察发现，第二页的pageIndex - 第一页的 = 第一页的小说的个数
84 #我们执行self.getContent的同时，获取了第一页的小说的个数
85 page_num = len(self.getContent(self.pageIndex))
86 print u"第%s页" %x
87
88 #利用self.enable控制下一页的打印
89 while self.enable == True:
90 #设置下一页的pageIndex
91 self.pageIndex += page_num
92 #页码+1
93 x += 1
94 #time.sleep(1) #可以利用time模块来设置sleep时间
95 #再次调用self.getContent的同时，获取当前页的小说的个数
96 page_num = len(self.getContent(self.pageIndex))
97 #在self.getContent中，如果不能获取到<dd>的内容，self.enable将会改为False，如果我们不加self.enable判断，仍会打印不存在小说信息的页码
if self.enable == True:
99 print u"第%s页" %x
100
101
102 DBXS = dbxs()
103