qpython爬虫例子

爬虫例子"/>

qpython爬虫例子

这篇教程会和大家分享如何用Python爬取移民与保护法庭(IPT)网站上，过往的判例。因涉及内容较多，教程会分成几部分。这是第一篇。

学习效果展示

通过这个系列的教程，我期望读者可以：爬取到IPT中的判例的信息(/)，并生成类似下边格式的Excel文件保存到电脑本地，其中含有判例的标题、摘要、日期、引用的条例等自己需要的信息。将PDF格式的判例批量下载到电脑本地

将教程中的知识应用到其他场景，爬取其他不需要登录的网页内容。

具体来说，通过这篇教程及其中提供的外部链接，我预期读者能够：了解基本的网络知识：如client(客户端)、服务器(server)、request(请求)和response(回应)、HTTP Headers(头部)等

通过剩下的教程及其中提供的学习资源，我预期读者能够：了解如何安装Python及Python module(模块)

初步接触并了解如何使用requests模块爬取网络内容

了解如何使用Xlswriter模块把爬取到的内容保存到Excel格式的文件

了解如何使用urllib模块批量下载PDF文件到本地电脑

通过教程或文中提供的学习资源，掌握教程中出现的所有代码

所需知识及目标读者

这篇文章假设读者和我一样，没有接受过系统的电脑科学的教育，但有日常使用电脑的经验。

读者不需要学过Python，可以通过文章中给出的资源，自学相关概念及知识。

同时要求读者：有自学的意愿。限于篇幅，这些教程没法做到“手把手”教学，也无法事无巨细覆盖所有方面，实操中可能出现的问题也是层出不穷的。读者不可能只通过我的教程掌握所有相关内容。相反，如果是完全没有基础的读者，大概率需要通过文章中的外部链接和资源、花时间自学。所以有自学的意愿是重要的。

通常，读者还会遇到各种问题，这是所有自学者需要克服的困难。建议需要通过网络搜索等方式解决，这是自学者需要掌握的最重要的技巧之一。读者需要有基本的英语阅读能力。文中给出的资源都是英文(对的，Python和几乎所有其他编程语言的代码也是用英文写的)。英语是lingua franca、是机会的语言、也是通往海量的优质信息的大门。九年义务教育让我们花了六七年在学英语，不是没理由的。如果英语不好，可以在电脑上安装词典边查边看。要相信办法总比困难多。

有没有时间或精力、以前是不是读理科生等、英语有没有考过四级，这些是不重要的。有强烈意愿的人，会想办法克服这些困难。

读者需要的工具

电脑、Chrome浏览器、网络连接。

这篇文章假设读者使用Windows操作系统。使用Mac或Linux的，可通过搜索获得替代方案。

网络知识

在讲解如何用Python爬取网络之前，我们需要先讲解爬虫的原理，也就是基础的网络知识。我会用叫外卖的例子帮助读者理解。这个例子可能有不是太精准的地方，但大概可以把事情说清楚。

我们假设现在有个人叫小明，他要和附近一家“真香餐馆”叫外卖。他打电话，和餐馆要了一份叉烧拼鹅腿饭，让餐馆多淋一些酱汁，还要了一瓶盒装的维他奶(在这个例子里，请忘了外卖app的存在)。过一会，外卖员把外卖送到，他去把外卖拿回来。

上边是一个日常的例子。其实我们日常上网浏览网页的过程，和叫外卖是类似的。

实际发生的事情是：我们通过浏览器，和网站要(request)东西。这就像我们打电话给餐馆，说我们要点什么东西。

网站收到我们请求，就像餐馆接到我们电话，会按照我们要求，把我们要的东西送回来(比如文本、图片、视频)，而这就像餐馆接单后准备外卖后送给我们的过程。

在计算机科学中，去请求要东西的一方，叫client(客户端)，给回东西的一方，叫server(服务器端)。可以注意到，client的本意是客户，而server是由serve(服务)这个词变过来的)。Client和server的关系，有点像一个甲方和乙方、顾客和餐馆的关系：一方要东西，另一方提供东西。

打电话出去要东西这个过程，对应到网络中，我们会说是客户端发出请求(request)。餐馆把外卖送过来，对应的是服务器返回网页等内容给我们，返回的内容叫response。

注意：客户端可以是一个浏览器，也可以是其他东西。比如一段Python代码也可以向服务器发出请求(并接收服务器的回应)。

在客户端-服务器你来我往、你要我给的交流过程中，需要遵循一些共同的规则，以达到(高效)沟通目的。在互联网中，这些规则叫HTTP协议。细节可以见：。

HTTP协议里很重要的一部分，就是客户端和服务器沟通时，需要提供一些必要的信息。比如最明显的，客户端需要和服务器说明自己想要的是什么东西、希望服务器以什么格式呈现这些信息。这就像小明叫餐时，他会说餐馆说明，自己要点什么、点几份、要不要加辣。

客户端发出请求时，可以通过几种形式，把这些信息给到服务器端，比如：Request headers(请求头部)

Query string parameter(查询字符串参数)

为了说明request headers和query string长什么样，我会用Chrome浏览器的开发者工具中的“网络”工具，给大家演示下。

首先我们用Chrome浏览器打开必应的网站(/)。在搜索框随便输入一个词，比如这里我输入spring。然后我们按右键 > Inspect，或按快捷键Ctrl + Shift + J。会看到下边截图红框中的窗口，这个就是我所说的开发者工具。

接着我们按右上方的Network，出现类似下边的界面。里边会记录我们所有的网络活动，包括请求和回应。我们勾选上Preserve Log，这样可以保留网络请求的记录。

如果你打开的Network视窗已经有类似下边的记录，可以按下图说明，清除已有的请求，以便于观察新发起的请求。

接着我们点击必应的搜索按钮( )，会看到Network窗口出现一堆东西。这些是浏览器的网络活动，包括发出去的请求和浏览器的回应。

我们拉到最上方，点下图中红框部分。这个是我们点击搜索按钮时，发出去的搜索请求及回应。点开后会出现右下角的视窗。

在右下角的视窗中，我们看到有Headers、Preview、Response等标签页。里边有我们的搜索请求和回应的信息。我们先重点关注其中的Headers。

从上往下看，Headers这个标签页有四个部分组成：General。关于请求和回应的基础信息

Request Headers。请求头部。

Response Headers。回应头部。

Query String Parameters。查询字符串参数

我们现在讲下其中的Request Headers和Query String Parameters。刚上边说了，客户端发出请求时，会带上一些信息，这些信息可以用request headers和query string的形式发出。

Request headers

客户端发出的请求所带的headers，即为request headers。我们上边的必应搜索请求的请求头部如下。

Headers是用复数，是因为其中还有很多一条条的header。这些header以配对的的键-值出现，比如上边截图里，加粗的部分是键，冒号后边是值。如:authority为键，。

Headers的作用不一，可以在网上搜索到，比如可以在下边这个网址查到：

我们仅举其中几条headers为例说明header的作用。比如accept这条header，是客户端告诉服务器，自己接受的回应的文件格式，比如请求要图片和PDF文档时，accept header就会有所不同。accept-language是告诉服务器，想接受什么语言的回应。服务器可以根据这些请求头，返回对应的不同格式或语言版本的回应。

而知道headers对于我们用Python爬取内容有什么意义呢？回答如下，我们用Python发出请求时，通常需要模拟请求头部信息，也就是构建上边这些头部，随请求一起发出去，以得到想要的特定的回应。另外，有的服务器有反爬措施，如果直接用代码发出请求，可能会被识别出是爬虫进而被屏蔽。我们通过让Python发出的请求中，带有和浏览器一样的头部，避免被识别出是爬虫。

Query string

接下来我们讲下query string。我们的必应搜索例子中的query string parameters如下，可以看出它们也是键-值配对的格式。如q为键，spring为值。

那这些query string又是做什么用的呢？简单来说，我们在和服务器互动时，经常需要和服务器查询、获取一些东西。比如用bing搜索spring这个词时，就是客户端和服务器“查询”spring相关的搜索结果。而查询字符串参数，可以看成是用于告诉浏览器，我们想要查询什么东西。有点像点餐时，和餐馆说自己想要点什么。

观察上边的参数，细心的读者可能已经看出来，query string中的第一个参数q，对应的值spring，即是我们刚才搜索的关键词。那客户端和服务器请求时，带上q这个参数，其作用很明显，就是告诉服务器，我们想要查询是关于spring的信息，这样服务器可以返回对应的查询结果。

这对于我们构建爬虫的意义，就是我们想和服务器抓取符合指定条件的信息时，可以模拟query string的参数，发出请求，服务器可以返回对应的内容。举个例子，比如我们想爬取豆瓣上对于对应《爱尔兰人》的影评()，会看到第一页只显示一部分影评。而当我们点第二页影评时，查询参数为start: 20，第三页为start: 40，那么我们可以很合理地推测：start参数值和页数的数学关系，为：页数 = start参数/20 +1。在用Python影评时，可以通过设置查询参数中的start的值，获取到对应不同页数的影评。第2页影评的query string

扩展知识

网络请求有不同的方法(method)，最常见的有POST、GET。我们上边必应例子中的请求方法是GET。GET方法的特点就是查询参数可以在查询的网址中看到(而POST则不能)。比如我们看到，下边为请求链接，其中加粗部分是键，紧接着是=，=后边是值。不同的参数之间用&连接起来。直接点开下边链接，能看到spring的搜索结果。

这个对爬虫的意义在于，我们既可以通过设置请求参数，也可以通过构建对应的网址，直接获取想要的回应。我个人偏向于用设置请求参数的方式。

而在POST请求中，请求参数是不会反映在请求网址里的。这意味着，用POST请求爬取东西时，只能通过设置请求参数，获取想要的查询结果，不能通过构建网址的方式获得。更多内容可见：

应用到实例

下边把我们上边讲到的内容应用到我们要爬取的IPT网站。假设我们需要爬取技术移民类别下关于主厨(chef)的案例，我们可以先用浏览器获取请求头部，用在Python请求中。并观察查询字符串参数的特点，看下我们查询案例的条件，是如何对应到字符串中。

具体来讲，我们需要做的事情如下。

1.在IPT的查询页面中的Category中输入类别，这里选的是从2017年8月以前旧政策对应的技术移民案例：Skill Migrant (to 27/08/2017)。在Search Terms中输入搜索的关键词chef。后点Search。

2.通过开发者工具的Network，获取到请求头部如下，这里不细讲。

3.观察查询字符串参数，确定查询条件(即Category和Search Terms)和查询字符串参数之间关系。这个一般很容易发现，但有时需要大胆猜测小心求证。

观察上图，结合我们查询的条件和字符串命名，我们可以很合理地猜测，q这个参数值中的policycategoryiptlegacy或policycategory_s对应的是网页中的Category选中的内容。同样可看到chef也在其中，猜测这是Search Term对应的搜索关键词。

我们可以通过改变搜索的类别和Search Term，再对比下查询字符串参数的值的变化，验证我们的猜想。这些参数中，有些参数的作用比较容易猜到，有一些比较神秘，很难猜出来，比如hl和fl。实操证明，我们只需要依样画葫芦照抄这些参数即可。不知道他们作用并不影响我们爬取到想要的内容。

下一步

得到请求头部，以及知道怎么通过构建查询参数，获取想要的查询结果。我们可以进入到下一步，安装Python及Python模块，并使用requests模块爬取网页。我们会在后续教程中讲。

注：我不是计算机科班出身，这篇文章可能会有一些错漏的信息，还请读者包涵，行家指正。