Python爬虫 urllib -- 爬虫的相关概念介绍urllib库的基本使用urllib:1个类型和6个方法

Posted CodeJiao

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了Python爬虫 urllib -- 爬虫的相关概念介绍urllib库的基本使用urllib:1个类型和6个方法相关的知识,希望对你有一定的参考价值。

1. 爬虫的相关概念介绍


1.1 什么是互联网爬虫


如果我们把互联网比作一张大的蜘蛛网,那一台计算机上的数据便是蜘蛛网上的一个猎物,而爬虫程序就是一只蜘蛛,沿着蜘蛛网抓取自己想要的数据

  • 解释1:通过一个程序,根据Url(http://www.taobao.com)进行爬取网页,获取有用信息
  • 解释2:使用程序模拟浏览器,去向服务器发送请求,获取响应信息

1.2 爬虫核心

  • 爬取网页:爬取整个网页 包含了网页中所有得内容
  • 解析数据:将网页中你得到的数据 进行解析
  • 难点:爬虫和反爬虫之间的博弈

1.3 爬虫的用途

  • 数据分析/人工数据集
  • 社交软件冷启动
  • 舆情监控
  • 竞争对手监控

1.4 爬虫分类

通用爬虫:

聚焦爬虫:


1.5 反爬手段

1.User‐Agent:
	User Agent中文名为用户代理,简称 UA,它是一个特殊字符串头,使得服务器能够识
	别客户使用的操作系统及版 本、CPU 类型、浏览器及版本、浏览器渲染引擎、浏览器
	语言、浏览器插件等。
2.代理IP:
	西次代理 
	快代理 
	什么是高匿名、匿名和透明代理?它们有什么区别? 
		1.使用透明代理,对方服务器可以知道你使用了代理,并且也知道你的真实IP。 
		2.使用匿名代理,对方服务器可以知道你使用了代理,但不知道你的真实IP。 
		3.使用高匿名代理,对方服务器不知道你使用了代理,更不知道你的真实IP。
3.验证码访问 
	打码平台 
		云打码平台 
		超级🦅
4.动态加载网页 网站返回的是js数据 并不是网页的真实数据 
	selenium驱动真实的浏览器发送请求
5.数据加密 
	分析js代码

2. urllib库的基本使用

爬取百度源码:

# 使用urllib来获取百度首页的源码
import urllib.request


# (1)定义一个url  就是你要访问的地址
url = 'http://www.baidu.com'

# (2)模拟浏览器向服务器发送请求 response响应
response = urllib.request.urlopen(url)

# (3)获取响应中的页面的源码  content 内容的意思
# read方法  返回的是字节形式的二进制数据
# 我们要将二进制的数据转换为字符串
# 二进制--》字符串  解码  decode('编码的格式')
content = response.read().decode('utf-8')

# (4)打印数据
print(content)

运行结果:

补充说明:如果不解码会怎么样?


3. urllib:1个类型和6个方法


3.1 一个类型:HTTPResponse

import urllib.request

url = 'http://www.baidu.com'

# 模拟浏览器向服务器发送请求
response = urllib.request.urlopen(url)

# 一个类型
# response是HTTPResponse的类型
print('response type is ', type(response))

运行结果:


3.2 六个方法

read():按照一个字节一个字节的去读

import urllib.request

url = 'http://www.baidu.com'

# 模拟浏览器向服务器发送请求
response = urllib.request.urlopen(url)

# 按照一个字节一个字节的去读
content = response.read()
print('response.read() is: ', content)

运行结果:

import urllib.request

url = 'http://www.baidu.com'

# 模拟浏览器向服务器发送请求
response = urllib.request.urlopen(url)

# 返回参数个字节
content = response.read(5)
print('response.read(5) is: ', content)

运行结果:

readline():读取一行

import urllib.request

url = 'http://www.baidu.com'

# 模拟浏览器向服务器发送请求
response = urllib.request.urlopen(url)

# 读取一行
content = response.readline()
print('response.readline() is ', content)

运行结果:

readlines():读取所有行

import urllib.request

url = 'http://www.baidu.com'

# 模拟浏览器向服务器发送请求
response = urllib.request.urlopen(url)

# 读取所有行
content = response.readlines()
print(type(content))
print(content)

运行结果:

getcode(): 返回状态码

import urllib.request

url = 'http://www.baidu.com'

# 模拟浏览器向服务器发送请求
response = urllib.request.urlopen(url)


# 返回状态码  如果是200了 那么就证明我们的逻辑没有错
print(response.getcode())

运行结果:

geturl(): 返回的是url地址

import urllib.request

url = 'http://www.baidu.com'

# 模拟浏览器向服务器发送请求
response = urllib.request.urlopen(url)


# 返回的是url地址
print(response.geturl())

运行结果:

获取请求头信息:

import urllib.request

url = 'http://www.baidu.com'

# 模拟浏览器向服务器发送请求
response = urllib.request.urlopen(url)

# 获取是一个状态信息
print(response.getheaders())

运行结果:



以上是关于Python爬虫 urllib -- 爬虫的相关概念介绍urllib库的基本使用urllib:1个类型和6个方法的主要内容,如果未能解决你的问题,请参考以下文章

python爬虫

爬虫相关22 个python库

python爬虫相关库安装

python爬虫_urllib2:Get请求和Post请求

Python爬虫求教学?

python3网络爬虫系统学习:第一讲 基本库urllib