python爬蟲基礎(chǔ)之簡易網(wǎng)頁搜集器

更新時間：2021年04月26日 10:19:36 作者：世界的隱喻

這篇文章主要介紹了python爬蟲基礎(chǔ)之簡易網(wǎng)頁搜集器,文中有非常詳細(xì)的代碼示例,對正在學(xué)習(xí)python爬蟲的小伙伴們有非常好的幫助,需要的朋友可以參考下

簡易網(wǎng)頁搜集器

前面我們已經(jīng)學(xué)會了簡單爬取瀏覽器頁面的爬蟲。但事實(shí)上我們的需求當(dāng)然不是爬取搜狗首頁或是B站首頁這么簡單，再不濟(jì)，我們都希望可以爬取某個特定的有信息的頁面。

不知道在學(xué)會了爬取之后，你有沒有跟我一樣試著去爬取一些搜索頁面，比如說百度。像這樣的頁面

在這里插入圖片描述

注意我紅筆劃的部分，這是我打開的網(wǎng)頁?，F(xiàn)在我希望能爬取這一頁的數(shù)據(jù)，按我們前面學(xué)的代碼，應(yīng)該是這樣寫的：

import requests

if __name__ == "__main__":
    # 指定URL
    url = "https://www.baidu.com/s?ie=utf-8&f=8&rsv_bp=1&rsv_idx=2&tn=93923645_hao_pg&wd=%E5%A5%A5%E7%89%B9%E6%9B%BC&rsv_spt=1&oq=%25E7%2588%25AC%25E5%258F%2596%25E7%2599%25BE%25E5%25BA%25A6%25E9%25A6%2596%25E9%25A1%25B5&rsv_pq=b233dcfd0002d2d8&rsv_t=ccdbEuqbJfqtjnkFvevj%2BfxQ0Sj2UP88ixXHTNUNsmTa9yWEWTUEgxTta9r%2Fj3mXxDs%2BT1SU&rqlang=cn&rsv_dl=tb&rsv_enter=1&rsv_sug3=8&rsv_sug1=5&rsv_sug7=100&rsv_sug2=0&rsv_btype=t&inputT=1424&rsv_sug4=1424"

    # 發(fā)送請求
    response = requests.get(url)

    # 獲取數(shù)據(jù)
    page_text = response.text

    # 存儲
    with open("./奧特曼.html", "w", encoding = "utf-8") as fp:
        fp.write(page_text)

    print("爬取成功?。。?)

然而打開我們保存的文件，發(fā)現(xiàn)結(jié)果跟我們想的不太一樣

在這里插入圖片描述

我們發(fā)現(xiàn)我們保存的文件是一個空白的頁面，這是為什么呢？

其實(shí)上我們把網(wǎng)址改成搜狗的可能或更直觀一些（不知道為什么我這邊的搜狗總是打不開，所以就用百度做例子，可以自己寫寫有關(guān)搜狗搜索的代碼），同樣的代碼改成搜狗的網(wǎng)址結(jié)果是這樣的

在這里插入圖片描述

我們發(fā)現(xiàn)其中有句話是 “ 網(wǎng)絡(luò)中存在異常訪問 ”，那么這句話是什么意思呢？

這句話的意思就是說，搜狗或是百度注意到發(fā)送請求的是爬蟲程序，而不是人工操作。

那么這其中的原理又是什么呢？

簡單來說，就是程序訪問和我們使用瀏覽器訪問是有區(qū)別的，被請求的服務(wù)器都是靠 user-agent 來判斷訪問者的身份，如果是瀏覽器就接受請求，否則就拒絕。這就是一個很常見的反爬機(jī)制。

那是不是我們就沒有辦法呢？

非也~所謂魔高一尺，道高一丈。既然要識別 user-agent ，那么我們就讓爬蟲模擬 user-agent 好了。

在 python 中模擬輸入數(shù)據(jù)或是 user-agent ，我們一般用字典

就這樣子寫：

header = {
	"user-agent": "" # user-agent 的值 是一個長字符串
	}

那么 user-agent 的值又是怎么得到的呢？

1. 打開任意網(wǎng)頁，右鍵點(diǎn)擊，選擇“檢查”

2. 選擇“ Network ”（谷歌瀏覽器）（如果是中文，就選擇 “網(wǎng)絡(luò)” 這一項(xiàng)）

在這里插入圖片描述

3. 如果發(fā)現(xiàn)點(diǎn)開是空白的，像這樣，那就刷新網(wǎng)頁

在這里插入圖片描述

刷新后是這樣的：

在這里插入圖片描述

然后隨機(jī)選擇紅筆圈起來的一項(xiàng)，我們會看到這樣的東西，然后在里面找到“user-agent”，把它的值復(fù)制下來就行了

在這里插入圖片描述

有了 “user-agent”，我們在重新寫我們的爬取網(wǎng)頁的代碼，就可以了

import requests

if __name__ == "__main__":
    # 指定URL
    url = "https://www.baidu.com/s?ie=utf-8&f=8&rsv_bp=1&rsv_idx=2&tn=93923645_hao_pg&wd=%E5%A5%A5%E7%89%B9%E6%9B%BC&rsv_spt=1&oq=%25E7%2588%25AC%25E5%258F%2596%25E7%2599%25BE%25E5%25BA%25A6%25E9%25A6%2596%25E9%25A1%25B5&rsv_pq=b233dcfd0002d2d8&rsv_t=ccdbEuqbJfqtjnkFvevj%2BfxQ0Sj2UP88ixXHTNUNsmTa9yWEWTUEgxTta9r%2Fj3mXxDs%2BT1SU&rqlang=cn&rsv_dl=tb&rsv_enter=1&rsv_sug3=8&rsv_sug1=5&rsv_sug7=100&rsv_sug2=0&rsv_btype=t&inputT=1424&rsv_sug4=1424"

    # 模擬 “user-agent”，即 UA偽裝
    header = {
        "user-agent" : "" # 復(fù)制的 user-agent 的值
        }
    # 發(fā)送請求
    response = requests.get(url, headers = header)

    # 獲取數(shù)據(jù)
    page_text = response.text

    # 存儲
    with open("./奧特曼(UA偽裝).html", "w", encoding = "utf-8") as fp:
        fp.write(page_text)

    print("爬取成功?。?！")

再次運(yùn)行，然后打開文件

在這里插入圖片描述