python网络爬虫常用技术

Yy3318q 2023-03-18 发布于广西

展开全文

urllib模块

urllib库是python中自带的模块，也是一个最基本的网络请求库，该模块提供了一个urlopen()方法，通过该方法指定URL发送网络请求来获取数据。

urllib 是一个收集了多个涉及 URL 的模块的包

urllib.request 打开和读取 URL

三行代码即可爬取百度首页源代码：

import urllib.request# 打开指定需要爬取的网页response=urllib.request.urlopen('http://www.baidu.com')# 或者是 # from urllib import request# response = request.urlopen('http://www.baidu.com')

# 打印网页源代码print(response.read().decode())

加入decode()是为了避免出现下图中十六进制内容

加入decode()进行解码后

下面三种本篇将不做详述

urllib.error 包含 urllib.request 抛出的异常

urllib.parse 用于解析 URL

urllib.robotparser 用于解析 robots.txt 文件

requests模块

requests模块是python中实现HTTP请求的一种方式，是第三方模块，该模块在实现HTTP请求时要比urllib模块简化很多，操作更加人性化。
以GET请求为例：

import requestsresponse = requests.get('http://www.baidu.com/')print('状态码：', response.status_code)print('请求地址：', response.url)print('头部信息：', response.headers)print('cookie信息：', response.cookies)# print('文本源码：', response.text)# print('字节流源码：', response.content)

输出结果如下：

状态码：200请求地址：http://www.baidu.com/

头部信息：{'Cache-Control': 'private, no-cache, no-store, proxy-revalidate, no-transform', 'Connection': 'keep-alive', 'Content-Encoding': 'gzip', 'Content-Type': 'text/html', 'Date': 'Sun, 10 May 2020 02:43:33 GMT', 'Last-Modified': 'Mon, 23 Jan 2017 13:28:23 GMT', 'Pragma': 'no-cache', 'Server': 'bfe/1.0.8.18', 'Set-Cookie': 'BDORZ=27315; max-age=86400; domain=.baidu.com; path=/', 'Transfer-Encoding': 'chunked'}

cookie信息：<RequestsCookieJar[<Cookie BDORZ=27315 for .baidu.com/>]>

这里讲解一下response.text和 response.content的区别

response.content是直接从网络上面抓取的数据,没有经过任何解码,所以是一个 bytes类型
response.text是将response.content进行解码的字符串,解码需要指定一个编码方式, requests会根据自己的猜测来判断编码的方式,所以有时候可能会猜测错误,就会导致解码产生乱码,这时候就应该使用 response.content.decode('utf-8’)
进行手动解码

以POST请求为例

import requestsdata={'word':'hello'}response = requests.post('http://www.baidu.com',data=data)print(response.content)

请求headers处理

当爬取页面由于该网页为防止恶意采集信息而使用反爬虫设置，从而拒绝用户访问，我们可以通过模拟浏览器的头部信息来进行访问，这样就能解决反爬虫设置的问题。

通过浏览器进入指定网页，右击鼠标，选中“检查”，选择“Network”，刷新页面后选择第一条信息，右侧消息头面板将显示下图中请求头部信息

例如：

import requestsurl = 'https://www.bilibili.com/'

headers = {'user-agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/81.0.4044.129 Safari/537.36'}

response = requests.get(url, headers=headers)print(response.content.decode())

网络超时

在访问一个页面，如果该页面长时间未响应，系统就会判断该网页超时，所以无法打开网页。
例如：

import requests

url = 'http://www.baidu.com'# 循环发送请求50次for a in range(0, 50):    try:       # timeout数值可根据用户当前网速，自行设置        response = requests.get(url, timeout=0.03) # 设置超时为0.03        print(response.status_code)    except Exception as e:        print('异常'+str(e)) # 打印异常信息

部分输出结果如下：

代理服务

设置代理IP可以解决不久前可以爬取的网页现在无法爬取了，然后报错——由于连接方在一段时间后没有正确答复或连接的主机没有反应，连接尝试失败的问题。

例如：

import requests

# 设置代理IPproxy = {'http': '117.45.139.139:9006', 'https': '121.36.210.88:8080' }# 发送请求url = 'https://www.baidu.com'response = requests.get(url, proxies=proxy)# 也就是说如果想取文本数据可以通过response.text# 如果想取图片，文件，则可以通过 response.content# 以字节流的形式打印网页源代码,bytes类型print(response.content.decode())# 以文本的形式打印网页源代码，为str类型print(response.text) # 默认”iso-8859-1”编码，服务器不指定的话是根据网页的响应来猜测编码。

Beautiful Soup模块

Beautiful Soup模块是一个用于HTML和XML文件中提取数据的python库。Beautiful Soup模块自动将输入的文档转换为Unicode编码，输出文档转换为UTF-8编码，你不需要考虑编码方式，除非文档没有指定一个编码方式，这时，Beautiful Soup就不能自动识别编码方式了，然后，仅仅需要说明一下原始编码方式就可以了。

例如：

from bs4 import BeautifulSoup

html_doc = '''<html><head><title>The Dormouse's story</title></head><body><p class='title'><b>The Dormouse's story</b></p>

<p class='story'>Once upon a time there were three little sisters; and their names were<a href='http:///elsie' class='sister' id='link1'>Elsie</a>,<a href='http:///lacie' class='sister' id='link2'>Lacie</a> and<a href='http:///tillie' class='sister' id='link3'>Tillie</a>;and they lived at the bottom of a well.</p>

<p class='story'>...</p>'''# 创建对象soup = BeautifulSoup(html_doc, features='lxml')# 或者创建对象打开需要解析的html文件# soup = BeautifulSoup(open('index.html'), features='lxml')print('源代码为：', soup)# 打印解析的HTML代码

运行结果如下：

<html><head><title>The Dormouse's story</title></head><body>The Dormouse's storyOnce upon a time there were three little sisters; and their names were<a class='sister' href='http:///elsie' id='link1'>Elsie</a>,<a class='sister' href='http:///lacie' id='link2'>Lacie</a> and<a class='sister' href='http:///tillie' id='link3'>Tillie</a>;and they lived at the bottom of a well....</body></html>

用Beautiful Soup爬取百度首页标题

from bs4 import BeautifulSoupimport requests

response = requests.get('http://news.baidu.com')soup = BeautifulSoup(response.text, features='lxml')print(soup.find('title').text)