本章主要讲的是基于Python语言的数据采集，该功能要讲起来可以单独作为一门课程来学习，因为这是一门很重要的课程，一般运用在大数据处理和人工智能上，该应用提供大量的数据。
1.urllib模块的学习
urllib模块是python提供给我们操作互联网的模块。接下来我们可以简单的操作一下，爬取一个网页的源代码，其实就是审查元素的操作。urllib中分为四部分:1.request 2.error 3.parse 4.robotparser
request是urllib中最重要的也是最复杂的。
# 网络爬虫# 导入模块import urllib.request as req# 爬取该地址的网页源码res=req.urlopen(r"https://www.baidu.com")# 从爬取的内容中读取信息html=res.read()# 读取的信息是字节，需要通过编码格式的转换，才能获得和网页上审查元素的源代码一致html=html.decode("UTF-8")print(html)
输出结果:
2.实战2.1 爬取图片
这里我们来访问一下百度图片，其网站效果如图:
那我们一般想要某张图片，需要把鼠标移动到图片上点击右键，然后图片另存为……到我们电脑的指定的磁盘路径下。接下来看看我们python怎么通过代码来爬取想要的图片。我们先来看看这个图片对应的访问地址，右键复制图片访问地址，粘贴到地址上访问一下，是否能正常访问
即通过地址的访问，可以查看某一张图片，那么我们来通过python爬虫来爬取这张图片。
# 导入模块import urllib.request as req#指定猫的访问地址res=req.urlopen("https://gimg2.baidu.com/image_search/src=http%3A%2F%2Fimg.jj20.com%2Fup%2Fallimg%2F1113%2F052420110515%2F200524110515-2-1200.jpg&refer=http%3A%2F%2Fimg.jj20.com&app=2002&size=f9999,10000&q=a80&n=0&g=0n&fmt=auto?sec=1662537204&t=69f97612ad5cfcc28f60537007447873")# 将猫图片读取，字节保存cat_img=res.read()# 指定一个本地路径，用于存储图片，并允许写入字节f=open("cat_200_287.jpg","wb")#将图片存储f.write(cat_img)
执行完成后，可发现项目路径下已经将该图片爬取了。
12.2.2 在线文本翻译
打开浏览器访问有道翻译的网站在线翻译_有道
接着我们右键审查元素，切换到network，查看其网络的请求和响应信息
单击这个响应请求，查看其翻译信息
查看响应头信息
浏览器一般通过以下信息来判断是否是机器访问，而非人为正常操作。
如果使用python访问的该地址的话，User-Agent会被定义为Python-urllib/版本号
刚通过观察浏览器的返回结果:{“errorCode”:0,”translateResult”:[[{“tgt”:”I’m a teacher”,”src”:”我是一名老师”}]],”type”:”zh-CHS2en”}
那么这个格式是json格式，由{}和[]混合使用构建成，中间形成键值对并以冒号隔开key和value。
# -*- coding:utf-8 -*- '''使用 POST 方式抓取 有道翻译urllib2.Request(requestURL, data=data, headers=headerData)Request 方法中的 data 参数不为空，则默认是 POST 请求方式如果 data 为空则是 Get 请求方式{"errorCode":50}错误：有道翻译做了一个反爬虫机制，就是在参数中添加了 salt 和 sign 验证，具体操作说明参考：http://www.tendcode.com/article/youdao-spider/''' import urllib.requestimport urllib.parse import time import random import hashlib import sys # 字符串转 utf-8 需要重新设置系统的编码格式 def reload(sys): sys.setdefaultencoding('utf8') # 目标语言 targetLanguage = 'Auto' # 源语言 sourceLanguage = 'Auto' headerData = { 'Cookie': 'OUTFOX_SEARCH_USER_ID=-2022895048@10.168.8.76;', 'Referer': 'fanyi.youdao.com', 'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/67.0.3396.99 Safari/537.36' } # 语言类型缩写 languageTypeSacronym = { '1': 'zh-CHS 》 en', '2': 'zh-CHS 》 ru', '3': 'en 》 zh-CHS', '4': 'ru 》 zh-CHS', } # 翻译类型 translateTypes = [ '中文 》 英语', '中文 》 俄语', '英语 》 中文', '俄语 》 中文']def startRequest(tanslateWd): requestURL = 'http://fanyi.youdao.com/translate_o?smartresult=dict&smartresult=rule' client = 'fanyideskweb' timeStamp = getTime() key = 'ebSeFb%=XZ%T[KZ)c(sy!' sign = getSign(client, tanslateWd, timeStamp, key) data = { 'i': tanslateWd, 'from':sourceLanguage, 'to':targetLanguage, 'client':client, 'doctype':'json', 'version':'2.1', 'salt':timeStamp, 'sign':sign, 'keyfrom':'fanyi.web', 'action':'FY_BY_REALTIME', 'typoResult':'true', 'smartresult':'dict' } data = urllib.parse.urlencode(data).encode(encoding="utf-8") request = urllib.request.Request(requestURL, data=data, headers=headerData) resonse = urllib.request.urlopen(request) print(resonse.read().decode("utf-8")) # 生成时间戳 def getTime(): return str(int(time.time() * 1000) + random.randint(0, 10)) # 生成 Sign def getSign(client, tanslateWd, time, key): s = client + tanslateWd + time + key m = hashlib.md5() m.update(s.encode('utf-8')) return m.hexdigest() def getTranslateType(translateType): global sourceLanguage, targetLanguage try: if translateType: l = languageTypeSacronym[translateType].split(' 》 ') sourceLanguage = l[0] targetLanguage = l[1] except: print('翻译类型选择有误，程序将使用 Auto 模式为您翻译') if __name__ == '__main__': print('翻译类型：') for i, data in enumerate(translateTypes): print('%d: %s' %(i + 1, data)) translateType = input('请选择翻译类型：') getTranslateType(translateType) tanslateWd = input('请输入要翻译的消息：') startRequest(tanslateWd)