爬虫--urllib模块

Posted foremostxl

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了爬虫--urllib模块相关的知识,希望对你有一定的参考价值。

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.requesturllib.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

技术分享图片

---

# 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)
  技术分享图片

 

 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

技术分享图片

技术分享图片

 

# 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)
技术分享图片

双击rmb.html出现页面:

技术分享图片

 

- 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

技术分享图片

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

技术分享图片

技术分享图片

 

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())

 

以上是关于爬虫--urllib模块的主要内容,如果未能解决你的问题,请参考以下文章

爬虫学习——网页下载器和urllib2模块

Python练习册 第 0013 题: 用 Python 写一个爬图片的程序,爬 这个链接里的日本妹子图片 :-),(http://tieba.baidu.com/p/2166231880)(代码片段

urllib模块

Python爬虫--Urllib库

python—爬虫

python—爬虫