一:抓取简单的页面:
用Python来做爬虫抓取网站这个功能很强大,今天试着抓取了一下百度的首页,很成功,来看一下步骤吧
首先需要准备工具:
1.python:自己比较喜欢用新的东西,所以用的是Python3.6,python下载地址:https://www.python.org/
2.开发工具:用Python的编译器即可(小巧),不过自己由于之前一直做得前端,使用的webstrom,所以选择JetBrains 公司的PyCharm,下载地址:https://www.jetbrains.com/zh/pycharm/specials/pycharm/pycharm.html?utm_source=baidu&utm_medium=cpc&utm_campaign=cn-bai-pro-pycharm-ex-pc&utm_content=pycharm-download&utm_term=pycharm%E4%B8%8B%E8%BD%BD
3.Fiddler -- 网页请求监控工具,我们可以使用它来了解用户触发网页请求后发生的详细步骤;(自行百度下载)
了解Python中urllib库
Python2系列使用的是urllib2,Python3后将其全部整合为urllib,
在2中:
urllib2.urlopen(url, data=None, [timeout, ]*, cafile=None, capath=None, cadefault=False, context=None) urllib2.Request(url, data=None, headers={}, origin_req_host=None, unverifiable=False, method=None)
3中是
urllib.request.urlopen(url, data=None, [timeout, ]*, cafile=None, capath=None, cadefault=False, context=None) urllib.request.Request(url, data=None, headers={}, origin_req_host=None, unverifiable=False, method=None) #这个函数看起来接受很多的参数啊,不过很多我们平时不会用到,用到的url居多。
很明显,我用后者
简单爬虫代码
#encoding:UTF-8
import urllib.request url = "https://www.douban.com/ "
data = urllib.request.urlopen(url).read()
data = data.decode('UTF-8')
print(data)
效果如下:
二:抓取需要伪装浏览器的网站
但是一个小小的百度首页怎能满足我,于是我又想到了一些需要需要伪装浏览器才能抓取的网站,比如豆瓣,
1.伪装浏览器:
对于一些需要登录的网站,如果不是从浏览器发出的请求,则得不到响应。所以,我们需要将爬虫程序发出的请求伪装成浏览器正规军。
具体实现:自定义网页请求报头。
2.、使用Fiddler查看请求和响应报头
打开工具Fiddler,然后再浏览器访问“https://www.douban.com/”,在Fiddler左侧访问记录中,找到“200 HTTPS www.douban.com”这一条,点击查看其对应的请求和响应报头具体内容:
3.进行访问:
import urllib.request import ssl ssl._create_default_https_context = ssl._create_stdlib_context # 定义保存函数
def saveFile(data):
path = "F:\\pachong\\02_douban.out"
f = open(path, 'wb')
f.write(data)
f.close() # 网址
url = "https://www.douban.com/"
headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) '
'Chrome/51.0.2704.63 Safari/537.36'}
req = urllib.request.Request(url=url, headers=headers) res = urllib.request.urlopen(req) data = res.read() # 也可以把爬取的内容保存到文件中
saveFile(data) data = data.decode('utf-8')
# 打印抓取的内容
print(data) # 打印爬取网页的各类信息
print(type(res))
print(res.geturl())
print(res.info())
print(res.getcode())
我们来看这段代码:
import ssl ssl._create_default_https_context = ssl._create_stdlib_context
这句是为了能获取到https而插入的代码,没他没法获取https
输出结果: