爬虫--urllib模块

Posted 2021-01-24 foremostxl

一.urllib库

　　概念：urllib是Python自带的一个用于爬虫的库，其主要作用就是可以通过代码模拟浏览器发送请求。其常被用到的子模块在Python3中的为urllib.request和urllib.parse，在Python2中是urllib和urllib2。

     使用流程：

• 指定url
• 基于urllib的request子模块发起请求
• 获取响应中的数据值
• 持久化存储

爬取搜狗首页的页面数据

---

# 爬取搜狗首页的页面数据
import urllib.request
# 1.指定url
url = ‘https://www.sogou.com/‘

#2.发起请求：urlopean可以根据指定的url发起请求，且返回一个响应对象
response = urllib.request.urlopen(url=url)

#3.获取页面数据：read函数返回的就是响应对象中存储的页面数据(byte)-二进制形式
page_text = response.read()
#print(page_text)

#4.持久化存储
with open(‘./sogou.html‘,‘wb‘)as f:
    f.write(page_text)
    print(‘写入数据成功‘)
  

 

 补充说明：

urlopen函数原型：
    urllib.request.urlopen(url, data=None, timeout=<object object at 0x10af327d0>, *, cafile=None, capath=None, cadefault=False, context=None)

在上述案例中我们只使用了该函数中的第一个参数url。在日常开发中，我们能用的只有url和data这两个参数。

url参数：指定向哪个url发起请求
data参数：可以将post请求中携带的参数封装成字典的形式传递给该参数（暂时不需要理解，后期会讲）

urlopen函数返回的响应对象，相关函数调用介绍：
response.headers()：获取响应头信息
response.getcode()：获取响应状态码
response.geturl()：获取请求的url
response.read()：获取响应中的数据值（字节类型）

爬取指定词条所对应的页面数据

 

# 需求：爬取指定词条所对应的页面数据
import urllib.request
import urllib.parse

#指定url
url = ‘https://www.sogou.com/web?query=‘

# url特性：url不可以存在非ASCII编码的字符
word = urllib.parse.quote(‘人名币‘)
url += word

# 发请求
response = urllib.request.urlopen(url=url)

# 获取页面数据
page_text=response.read()
# print(page_text)

#4.持久化存储
with open(‘rmb.html‘,‘wb‘)as f:
    f.write(page_text)
    print(‘写入数据成功‘)

双击rmb.html出现页面：

 

- 反爬机制：

网站检查请求的UA，如果发现UA是爬虫程序，则拒绝提供网站数据
- User-Agent(UA)：请求载体的身份标识
- 反反爬机制：伪装爬虫程序请求的UA--如何通过代码实现

在百度浏览器下点击F12

然后输入www.sogou.com

------------------------

 

import urllib.request
#被访问的搜狗网页
url = ‘https://www.sogou.com/‘
# UA伪装
#1.自制定一个请求对象
#存储任意的请求头信息
# 此处用的百度的UA
headers = {‘User-Agent‘:‘Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/63.0.3239.132 Safari/537.36‘}
#该请求对象的UA进行了成功的伪装
request = urllib.request.Request(url=url,headers=headers)

# 2.针对自定制的请求发起请求
response = urllib.request.urlopen(request)
print(response.read())