spark学习进度6-Python爬取数据的四个简单实例

Posted 2021-03-11 123456www

今天本来想把昨天安装的intellij配置好，但是一直显示没有网络，网上查了相关资料也没有查出来解决办法。

然后暂停了intellij的配置，开始做了几个Python爬取简单数据的实例，先做了几个最简单的，以后再加大难度（用idle编码）：

（1）京东商品页面爬取：

链接：https://item.jd.com/2967929.html

 

 代码解析：

首先r是一个response对象；

r.status_code返回一个值，如果是200的话则正常，如果时候503的话，则抛出异常，调用该方法的目的是查看返回的response对象是否正确；

r.encoding是返回编码信息，如果编码为gbk则表示这个网站提供了页面信息的相关编码；

（2）亚马逊商品页面的爬取：

 r.status_code返回值为503，说明请求没有得到正确的答复，这时，查看我们访问的http的头可知我们告诉了亚马逊网站我们是用Python的requests库来访问的，并且亚马逊拒绝了爬虫的访问，所以，这时我们更改了我们的头部信息，让爬虫模拟一个浏览器来访问，把user-agent更改为Mozolla/5.0就可以成功的访问了。

（3）百度搜索关键词提交：

百度对关键词的搜索提供了接口：http://www.baidu.com/s?wd=keyword。所以这时利用了params，将键字对输入进去，但是这里当我查询url时，并没有正常显示，百度利用安全认证，我把http的头部更改为Mozilla/5.0也不起作用，还未解决。

（4）网络图片的爬取和存储：

 

 只适用于最简单的图片爬取，如https://gss2.bdstatic.com/fo3dSag_xI4khGkpoWK1HF6hhy/baike/c0%3Dbaike80%2C5%2C5%2C80%2C26/sign=c9162213c4fcc3cea0cdc161f32cbded/279759ee3d6d55fb3cfdd81761224f4a20a4ddcc.jpg。

结尾是图片文件的形式，r.content是返回内容的二进制形式，所以用write方法写入文件中，形成jpg文件。open函数中的‘wb’是指打开文件的模式，相关模式含义如下表：