Python爬虫之网页采集器
文章目录
- 前言
- 一、爬虫是什么?
- 二、使用步骤
- 1.引入库
- 2.简单的页面爬取的四步流程
- 1.获取url
- 2.向url发送请求,并获取响应(需要http协议)
- 3.如果从响应中提取url,则继续发送请求获取响应
- 4.如果从响应中提取数据,则将数据进行保存
- 总结
前言
本文使用Python爬虫技术实现一个简单的网页采集器功能。
一、爬虫是什么?
网络爬虫(又被称为网页蜘蛛,网络机器人)就是模拟浏览器发送网络请求,接收请求响应,一种按照一定的规则,自动地抓取互联网信息的程序。
原则上,只要是浏览器(客户端)能做的事情,爬虫都能够做。
二、使用步骤
1.引入库
代码如下(示例):
import requests
2.简单的页面爬取的四步流程
1.获取url
2.向url发送请求,并获取响应(需要http协议)
3.如果从响应中提取url,则继续发送请求获取响应
4.如果从响应中提取数据,则将数据进行保存
以下是页面采集器的完整源代码:
import requests
if __name__ == "__main__":#UA伪装:将对应的User-Agent封装到一个字典中headers = {'User-Agent':'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_12_0) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/72.0.3626.121 Safari/537.36'}url = 'https://www.sogou.com/web'#处理url携带的参数:封装到字典中kw = input('enter a word:')param = {'query':kw}#对指定的url发起的请求对应的url是携带参数的,并且请求过程中处理了参数response = requests.get(url=url,params=param,headers=headers)page_text = response.textfileName = kw+'.html'with open(fileName,'w',encoding='utf-8') as fp:fp.write(page_text)print(fileName,'保存成功!!!')
- 在我们进行网页爬取的时候,要进行UA伪装,所谓UA就是User-Agent(请求载体的身份标识)
- UA伪装有什么作用呢?
- UA检测:门户网站的服务器会检测对应请求的载体身份标识,如果检测到请求的载体身份标识为某一款浏览器,说明该请求是一个正常的请求。但是,如果检测到请求的载体身份标识不是基于某一款浏览器的,则表示该请求为不正常的请求(爬虫),则服务器端就很有可能拒绝该次请求。
总结
以上就是今天要讲的内容,本文仅仅简单介绍了网页采集器的爬虫实现步骤,而我们学习提供了大量能使我们快速便捷地处理数据的方法。
Python爬虫之网页采集器相关推荐
- python爬虫实现网页采集器
import requests #导入requests模块 #UA:User-Agnet:请求载体身份标识 #UA检测:各大门户网站的服务器都会检测请求载体的身份标识,如果请求载体的身份标识为某一款服 ...
- Python爬虫之网页下载器网页解析器
一.网页下载器 -- urllib2的三种网页下载方法 import cookielib import urllib2url = "http://www.baidu.com" pr ...
- Python爬虫:URL管理器及其实现方式、网页下载器、网页解析器原理及其实现原理!
Python爬虫之URL管理器: Python爬虫:URL管理器实现方式: Python爬虫之网页下载器: urllib2实现网页下载器的三种方法: 具体代码: ...
- 爬虫-实现一个简易的网页采集器
1 requests模块的基本使用 """ 爬虫 """ """ 什么是爬虫?就是通过编写程序模拟浏览器上网, ...
- python自带网页解析器_Python爬虫Chrome网页解析工具-XPath Helper
之前就说过Python爬虫中Xpath的用法,相信每一个写爬虫.或者是做网页分析的人,都会因为在定位.获取XPath路径上花费大量的时间,在没有这些辅助工具的日子里,我们只能通过搜索HTML源代码,定 ...
- Requests库实战(一)---网页采集器
网页采集器 User-Agent伪装 完整代码 功能:通过动态url来实现用户输入搜索关键字,返回搜索到的页面. User-Agent伪装 一种反爬机制. 原理:网站的服务器会检测对于请求的载体身份标 ...
- python Chrome + selenium自动化测试与python爬虫获取网页数据
一.使用Python+selenium+Chrome 报错: selenium.common.exceptions.SessionNotCreatedException: Message: sessi ...
- php 抓取搜狗页面,爬取搜狗指定词条对应的搜索结果页面(简易网页采集器)...
实战巩固 - 需求:爬取搜狗指定词条对应的搜索结果页面(简易网页采集器) - UA检测 - UA伪装 #UA:User-Agent(请求载体的身份标识) #UA检测: 门户网站的服务器会检测对应请求的 ...
- 网页采集器哪个好-免费网页采集器排行榜
网页采集器哪个好,今天给大家分享这款网页采集器哪个好.为什么今天给大家分享这款免费的网页采集器?因为这款免费的网页采集器只要点点鼠标就能轻松获取你想要的数据.很多站长都用过这款爬虫采集器实现内容自动更 ...
最新文章
- 2020年Q1微信公众号文章列表
- 将Windows下的InfluxDB、Grafana做成Windows服务
- AutoConfigurationImportSelector是什么?
- 使用dom breakpoint找到修改属性的javascript代码
- Python学习之路_day_25(面向对象之封装/多态/组合)
- zookeepe安装配置_Zookeeper安装配置及简单使用
- 如果我已经开始重新设置基准,如何将两个提交合并为一个?
- java volatile关键字的理解
- 【Blender】导出地图任意位置的3D模型
- 市场上常见电阻阻值表
- GPS经纬度坐标与XY坐标相互转换的python程序
- 台式电脑怎么连接蓝牙和无线网
- iOS程序的Build过程
- MySQL: 备份 导入备份
- 解决mybatis-plus分页查询不生效,配置分页拦截器
- 【java】方法练习1-商品总价对应折扣
- tomcat配置启动端口和默认项目及默认404
- 纽约州立大学水牛城分校计算机科学专业,纽约州立大学水牛城分校有哪些强势专业...
- 相关模块的接口表及API
- 【图解 HTTP】 读书笔记