|
一直想找个英语单词词根和前缀、后缀的词典,主要用来辅助记单词
比如entombed,如果知道en-,知道tomb,这个单词看一遍就记住了,
有点类似汉字的偏旁部首
找来找去,觉得prefixsuffix.com这个网站还不错,收得比较全,解释比较简明
但是总不能整天老挂在这网站上,得想个能离线浏览的办法
他家倒是出了个app放在appstore上,卖18元,说实话有点小贵,人家SOED6才卖18
这还不算,最要命的是从2010年以来这个app一直没更新过,究竟是不再维护了呢?还是已经完美到不用再更新了呢?
要知道这几年ios都有过几次重大升级,万一买了和ios7不兼容,闪退怎么办?岂不是白买
于是想到有没有可能把他家的数据全给扒下来
运气不错,这家网站完全没设防,扒数据的整个过程轻松而愉快
现在就把这个过程详细讲讲。遇到类似问题可以照猫画虎,把附件的代码改改就能工作
我尽量写得比较啰嗦一点,让计算机小白也能看懂
一、网页的构造
这个网站比较简单,和词根相关的网页就两个
一个是rootchart,点开是张大表,列出最常用的词根
http://www.prefixsuffix.com/rootchart.php?navblks=1011000
还有一个rootsearch,点开有个search选项,可以自己输入词根查询
http://www.prefixsuffix.com/rootsearch.php
二、先搞第一个网页
地方找到了,如何下手呢?
第一个简单,直接用脚本请求这个页面,把返回结果接住就行
- url = 'http://www.prefixsuffix.com/rootchart.php?navblks=1011000'
- req = urllib2.Request(url)
- response = urllib2.urlopen(req)
- page = response.read()
- print page # 打出来看看返回结果究竟是啥玩意
复制代码 给计算机小白扫盲
互联网的工作原理是这样的:用户向网站发送请求,网站响应请求返回数据
比如用浏览器看网页这样一个最简单的操作:
输入一个网址按回车,浏览器就向那个网站发送请求;网站返回的网页数据被浏览器接住,经过解析、渲染呈现出来
视频啥的也是一个道理,只不过这时候返回的是视频数据,不是网页数据
这里用脚本发的请求,网站返回的数据自然也能用脚本接到
网页数据拿到了,真正需要的那一小块数据在哪呢,这个可以查一下网页的源码,右键菜单->审查元素,如下图
可以看到那块数据就在这个大表里面- <table class="affix">...</table>
复制代码 在那一大篇网页数据里把这个表找到,把里面的内容给抠出来,就是一个超强的python库:BeautifulSoup的拿手好戏
(这个库使用起来非常简单,文档也非常完善,有不明白的尽可以去这里查询。这里不再多说。
http://www.crummy.com/software/B ... 4/doc/index.zh.html)
于是有下面的代码
- soup = BeautifulSoup(page)
- tb = soup.find('table', {'class': 'affix'}) # 这样就把那个大表给抠出来了
- # 然后再一层一层的剥
- if tb:
- rows = tb.findAll('tr') # 所有行
- for tr in rows:
- tds = tr.findAll('td') # 每一行的所有列
- if tds:
- 。。。
复制代码 第一个网页到此解说完毕。
博客类、或者外汇牌价,基金公司的每日净值之类的公告信息,都可以用类似的办法扒数据
三、再搞第二个网页
这个稍微有点不同,它的工作原理是这样的
用户输入关键字,把下拉框和"start","anywhere","end"这两项选好,点击search按钮,
这时候浏览器会向rootsearch.php这个页面发送请求,捎带着还要把用户刚才输入的这些数据给POST过去,
rootsearch.php收到这些用户数据,才知道要干啥、吐出什么东西回来
页面url是已经知道的,那么这里的关键问题就是:浏览器究竟把什么数据给POST过去了呢?
还是要查一下网页的源码,如下图
可以看到这是一个form,里面有这几个东西正好对应着文本框、下拉框、"start"……:
field、find、stype
还有个hidden的东西searching,不晓得是啥,不过没关系,它的value是固定的yes
给计算机小白扫盲
form叫做提交表单,用来把用户输入的数据提交到网站后台处理
文本框、下拉框、"start"……这些叫做网页控件
注意它们的两个属性:name和value,这两个东西都是要提交给后台的,这样网站才知道用户想干嘛
搞清楚以后,于是有下面的代码
- values = {'field': 'root', 'find': 'ex','searching': 'yes', 'stype': 'anywhere'}
- # 这里模仿用户查询ex这个词缀,输入‘ex’
- # 扒数据自然是出来的越多越好,因此把下拉框选成root,单选按钮选到anywhere
- # 实际上为了扒到所有的数据,我写了26个字母X26个字母的组合,anywhere/start/end各查一遍
- # 一共发了26X26X3次请求,比较暴力,这种丑陋的代码就不拿出来现了
- data = urllib.urlencode(values)
- print data # 看看变成了什么,是不是很眼熟?
- req = urllib2.Request(url, data)
- page = urllib2.urlopen(req)
- print page # 打出来看看这回又是啥玩意
复制代码 这样就又把数据搞到了,接下来的流程和上面第一个网页的BeautifulSoup那块开始往下一模一样
注:
像这个网站这样每次检索后刷新整个页面的做法已经不多了,
最近大量的网站使用ajax技术,网站不再返回整个html页面把整篇全部刷新
而是返回一小块html片段,只刷新页面的某一小块,比较环保
或者干脆只返回一大串数据,用网页的javascript解析、生成html,这种就比较头大,数据看着头晕
第二个网页到此解说完毕。
网站登录类、论坛自动发帖类、订票类、考试报名类、抢沙发类……等等原理上都是这样实现的
看到这里你应该想明白了,为什么现在各个网站都要限制连接间隔、用图片验证码
还有用短信发验证码的,有些还搞了数据加密、随机数什么的。。。不这么搞网站服务器就要沦陷了
所以上面的代码通常会遇到网站的各种阻挠,让你抓不到数据,需要你和网站斗智斗勇
像图片验证码这玩意最近已经都不太好使了,有人收集大量的验证码图片建特征数据库,一样能突破网站的防线
于是最近很多网站的图片验证码搞得极其扭曲,以至于本人用肉眼看半天都输错,
已经到了人类都无法识别的地步。这种网站估计是留着给外星人用的。
sfetchdata.zip
(1.21 KB, 下载次数: 893)
|
评分
-
2
查看全部评分
-
|