全网最全的python网络爬虫常用技术
yuyutoo 2024-12-23 14:28 21 浏览 0 评论
前言
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。
正文
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 requests
response = 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 requests
data={'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 requests
url = '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IP
proxy = {'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://example.com/elsie" class="sister" id="link1">Elsie</a>,
<a href="http://example.com/lacie" class="sister" id="link2">Lacie</a> and
<a href="http://example.com/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>
<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 class="sister" href="http://example.com/elsie" id="link1">Elsie</a>,
<a class="sister" href="http://example.com/lacie" id="link2">Lacie</a> and
<a class="sister" href="http://example.com/tillie" id="link3">Tillie</a>;
and they lived at the bottom of a well.</p>
<p class="story">...</p>
</body></html>用Beautiful Soup爬取百度首页标题
from bs4 import BeautifulSoup
import requests
response = requests.get('http://news.baidu.com')
soup = BeautifulSoup(response.text, features='lxml')
print(soup.find('title').text)运行结果如下：
百度新闻——海量中文资讯平台
最后希望大家能够喜欢，再给小编一个关注！
相关推荐
- 当 Linux 根分区 (/) 已满时如何释放空间?
-
根分区（/）是Linux文件系统的核心，包含操作系统核心文件、配置文件、日志文件、缓存和用户数据等。当根分区满载时，系统可能出现无法写入新文件、应用程序崩溃甚至无法启动的情况。常见原因包括：...
- 玩转 Linux 之:磁盘分区、挂载知多少?
-
今天来聊聊linux下磁盘分区、挂载的问题，篇幅所限，不会聊的太底层，纯当科普！！1、Linux分区简介1.1主分区vs扩展分区硬盘分区表中最多能存储四个分区，但我们实际使用时一般只分为两...
- Linux 文件搜索神器 find 实战详解，建议收藏
-
在Linux系统使用中，作为一个管理员，我希望能查找系统中所有的大小超过200M文件，查看近7天系统中哪些文件被修改过，找出所有子目录中的可执行文件，这些任务需求...
- Linux 操作系统磁盘操作（linux 磁盘命令）
-
一、文档介绍本文档描述Linux操作系统下多种场景下的磁盘操作情况。二、名词解释...
- Win10新版19603推送:一键清理磁盘空间、首次集成Linux文件管理器
-
继上周四的Build19592后，微软今晨面向快速通道的Insider会员推送Windows10新预览版，操作系统版本号Build19603。除了一些常规修复，本次更新还带了不少新功能，一起来了...
- Android 16允许Linux终端使用手机全部存储空间
-
IT之家4月20日消息，谷歌Pixel手机正朝着成为强大便携式计算设备的目标迈进。2025年3月的更新中，Linux终端应用的推出为这一转变奠定了重要基础。该应用允许兼容的安卓设备...
- Linux 系统管理大容量磁盘(2TB+)操作指南
-
对于容量超过2TB的磁盘，传统MBR分区表的32位寻址机制存在限制（最大支持2.2TB）。需采用GPT（GUIDPartitionTable）分区方案，其支持64位寻址，理论上限为9.4ZB（9....
- Linux 服务器上查看磁盘类型的方法
-
方法1：使用lsblk命令lsblk输出说明：TYPE列显示设备类型，如disk（物理磁盘）、part（分区）、rom（只读存储）等。...
- ESXI7虚机上的Ubuntu Linux 22.04 LVM空间扩容操作记录
-
本人在实际的使用中经常遇到Vmware上安装的Linux虚机的LVM扩容情况，最终实现lv的扩容，大多数情况因为虚机都是有备用或者可停机的情况，一般情况下通过添加一块物理盘再加入vg,然后扩容lv来实...
- 5.4K Star很容易!Windows读取Linux磁盘格式工具
-
[开源日记],分享10k+Star的优质开源项目...
- Linux 文件系统监控:用脚本自动化磁盘空间管理
-
在Linux系统中，文件系统监控是一项非常重要的任务，它可以帮助我们及时发现磁盘空间不足的问题，避免因磁盘满而导致的系统服务不可用。通过编写脚本自动化磁盘空间管理，我们可以更加高效地处理这一问题。下面...
- Linux磁盘管理LVM实战（linux实验磁盘管理）
-
LVM（逻辑卷管理器，LogicalVolumeManager）是一种在Linux系统中用于灵活管理磁盘空间的技术，通过将物理磁盘抽象为逻辑卷，实现动态调整存储容量、跨磁盘扩展等功能。本章节...
- Linux查看文件大小:`ls`和`du`为何结果不同?一文讲透原理!
-
Linux查看文件大小：ls和du为何结果不同？一文讲透原理！在Linux运维中，查看文件大小是日常高频操作。但你是否遇到过以下困惑？...
- 使用 df 命令检查服务器磁盘满了，但用 du 命令发现实际小于磁盘容量
-
在Linux系统中，管理员或开发者经常会遇到一个令人困惑的问题：使用...
- Linux磁盘爆满紧急救援指南:5步清理释放50GB+小白也能轻松搞定
-
“服务器卡死？网站崩溃？当Linux系统弹出‘Nospaceleft’的红色警报，别慌！本文手把手教你从‘删库到跑路’进阶为‘磁盘清理大师’，5个关键步骤+30条救命命令，快速释放磁盘空间，拯救你...
欢迎 你 发表评论:
- 一周热门
- 最近发表
- 标签列表
-
- mybatis plus (70)
- scheduledtask (71)
- css滚动条 (60)
- java学生成绩管理系统 (59)
- 结构体数组 (69)
- databasemetadata (64)
- javastatic (68)
- jsp实用教程 (53)
- fontawesome (57)
- widget开发 (57)
- vb net教程 (62)
- hibernate 教程 (63)
- case语句 (57)
- svn连接 (74)
- directoryindex (69)
- session timeout (58)
- textbox换行 (67)
- extension_dir (64)
- linearlayout (58)
- vba高级教程 (75)
- iframe用法 (58)
- sqlparameter (59)
- trim函数 (59)
- flex布局 (63)
- contextloaderlistener (56)