python自带了urllib和urllib2模块,以及第三方的requests库来抓取网页,这里我们使用easy_install包管理工具下载requests库,BeautifulSoup库,在CMD命令行下,切换到easy_install的目录,运行命令easy_install 包名称。 easy_install requests 安装好requests包之后,我们就可以选择使用urllib,urllib2或requests库来抓取网页了 1.网页内容的抓取
#! /usr/bin/env python#coding:utf-8import urllibimport urllib2import requestsimport sysurl = 'http://www.csdn.net'def urllib2Test(): req = urllib2.Request(url) response = urllib2.urlopen(req) thePage = response.read()def requestsTest(): r = requests.get(url) r.status_code r.content r.headersdef urllib2TestEx(url): req = urllib2.Request(url) try: response = urllib2.urlopen(req) content = response.read() except urllib2.URLError,e: print e.reasondef urlhttperror(url): req = urllib2.Request(url) try:urllib2.urlopen(req) except urllib2.HTTPError,e: print e.read()if __name__ == '__main__': urllib2Test() requestsTest() urllib2TestEx(url) urlhttperror(url) 2.爬虫伪装成浏览器的访问在访问一些网站时,会出现HTTPError: HTTP Error 403: Forbidden这样的异常,这是由于现在有些网站禁止爬虫访问,爬虫会带来服务器上的负担,爬虫和浏览器发出的http请求区别在于:当用户发送一个http请求的时候,浏览的的版本信息也包含在了http请求信息中,而爬虫就不包含头信息,当服务器端收到一个页面访问请求时,如果不知道发送这个请求使用的浏览器,操作系统,硬件平台等信息,这些信息在HTTP协议的中的一个字段User-agent中,缺失这些信息,服务器会认为这些请求是非正常的访问,我们用Fiddler工具就可以看到浏览器的请求的信息. 对于禁止爬虫的网站,可以伪装成浏览器访问,在请求中加入UserAgent的信息。 添加和修改 headers = {'User-Agent':'Mozilla/5.0 (Windows; U; Windows NT 6.1; en-US; rv:1.9.1.6) Gecko/20091201 Firefox/3.5.6'} req = urllib2.Request('http://blog.csdn.net/nevasun', headers=headers) 伪装成浏览器访问如下 #! /usr/bin/env python#coding:utf-8import requestsfrom BeautifulSoup import BeautifulSoupfrom os.path import dirname, abspathimport sysimport os#PREFIX = dirname(abspath(__file__))## 这段代码是用于解决中文报错的问题 reload(sys) sys.setdefaultencoding('utf8') ##################################################### defaultWaitTime = 1def getHtmlContent(url): global defaultWaitTime content = None retry = 0 headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 6.1) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/31.0.1650.57 Safari/537.36'} AccessFrequency = defaultWaitTime while retry < 5: try: r = requests.get(url,timeout=10,headers=headers) content = r.content return content except: retry+=1 time.sleep(AccessFrequency) return contentdef Test(): content = getHtmlContent('http://blog.csdn.net/figo829/article/details/18015537')# print contentif __name__ == '__main__': Test() 作者:figo829 发表于2014-1-12 0:04:32 原文链接 阅读:0 评论:0 查看评论
|
|