Python爬虫Csdn系列I

By 白熊花田(http://blog.csdn.net/whiterbear)

说明：

我会在这个系列介绍如何利用python写一个csdn爬虫，并将给定的Csdn用户的博客的所有文章保存起来。嗯，实用性貌似不是很大，写着玩，这个系列后，会有更好玩的更高级的爬虫出现。

原因：

本来想学cookie的，后来发现爬取csdn的文章伪装成浏览器去访问就行了。

本次目标：

爬取csdn某用户的文章列表。这里以我的blog为例，仅仅打开第一列文章列表，不做任何分析，只是验证可以爬取csdn文章。

失败的例子：

# -*- coding:utf-8 -*-
import sys
import urllib
import urllib2

reload(sys)
sys.setdefaultencoding('utf-8')
#给定一个csdn的博客专栏链接
url = 'http://blog.csdn.net/sodleave'
#尝试打开
response = urllib2.urlopen(url)
html = response.read()
print html

结果：

分析：

访问被拒，因为csdn不允许程序直接访问，所以，我们需要将url请求伪装成浏览器访问。使用chrome的审查元素中的Network或者使用其他的抓包工具，在浏览器地址中键入一个csdn地址，比如http://blog.csdn.net/sodleave，回车，此时查看发出去的get请求（使用chrome可以查看Network响应中的第一栏（名字是sodleave，如果你是输入上面的url的话），右键选择Copy
request headers）。这个请求的内容如下：

GET /sodleave HTTP/1.1
Host: blog.csdn.net
Connection: keep-alive
Accept: text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,*/*;q=0.8
User-Agent: Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/42.0.2311.11 Safari/537.36
Accept-Encoding: gzip, deflate, sdch
Accept-Language: zh-CN,zh;q=0.8,en;q=0.6
Cookie: bdshare….

使用上面的User-Agent信息，就可以伪装成浏览器。不要问我为什么这样有这个信息就行，我只知道，csdn一定会根据这个信息判断请求方是否是浏览器。使用urllib2.Request函数将绑定了header的请求发送出去，我们就可以等待响应了。

代码：

# -*- coding:utf-8 -*-
import sys
import urllib
import urllib2
from bs4 import BeautifulSoup

reload(sys)
sys.setdefaultencoding('utf-8')
#伪装成浏览器，注意headers必须是一个字典
headers = {'User-Agent':'Mozilla/5.0 (Windows NT 6.1) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/31.0.1650.57 Safari/537.36'}
#我们指定url并发送请求
req = urllib2.Request('http://blog.csdn.net/sodleave', headers=headers)
#接着服务端响应来自客户端的请求
response = urllib2.urlopen(req)
soup = BeautifulSoup(response.read())
print soup

结果：

分析：

仅仅是添加了添加了一个头部就可以访问csdn的网页了，那么接下来我们就去获取文章信息吧。

未完待续。