首页 / Python教程

    python爬虫如何爬取get请求的页面数据?(附代码)

    作者:PHP中文网2018-09-15 14:40:24

    本篇文章给大家带来的内容是关于python爬虫如何爬取get请求的页面数据(附代码),有一定的参考价值,有需要的朋友可以参考一下,希望对你有所帮助。

    一.urllib库

    urllib是Python自带的一个用于爬虫的库,其主要作用就是可以通过代码模拟浏览器发送请求。其常被用到的子模块在Python3中的为urllib.request和urllib.parse,在Python2中是urllib和urllib2。

    二.由易到难的爬虫程序:

    1.爬取百度首页面所有数据值

    #!/usr/bin/env python 
    # -*- coding:utf-8 -*-
    #导包
    import urllib.request
    import urllib.parse
    if __name__ == "__main__":
        #指定爬取的网页url
        url = 'http://www.baidu.com/'
        #通过urlopen函数向指定的url发起请求,返回响应对象
        reponse = urllib.request.urlopen(url=url)
        #通过调用响应对象中的read函数,返回响应回客户端的数据值(爬取到的数据)
        data = reponse.read()#返回的数据为byte类型,并非字符串
        print(data)#打印显示爬取到的数据值。

    #补充说明
    urlopen函数原型:

    urllib.request.urlopen(url, data=None, timeout=<object object at 0x10af327d0>, *, cafile=None, capath=None, cadefault=False, context=None)

    在上述案例中我们只使用了该函数中的第一个参数url。在日常开发中,我们能用的只有url和data这两个参数。

    url参数:指定向哪个url发起请求

    data参数:可以将post请求中携带的参数封装成字典的形式传递给该参数(暂时不需要理解,后期会讲)

    urlopen函数返回的响应对象,相关函数调用介绍:

    response.headers():获取响应头信息
    response.getcode():获取响应状态码
    response.geturl():获取请求的url
    response.read():获取响应中的数据值(字节类型)

    2.将爬取到百度新闻首页的数据值写入文件进行存储

    #!/usr/bin/env python 
    # -*- coding:utf-8 -*-
    import urllib.request
    import urllib.parse
    if __name__ == "__main__":
        url = 'http://news.baidu.com/'
        reponse = urllib.request.urlopen(url=url)
        #decode()作用是将响应中字节(byte)类型的数据值转成字符串类型
        data = reponse.read().decode()
        #使用IO操作将data表示的数据值以'w'权限的方式写入到news.html文件中
        with open('./news.html','w') as fp:
            fp.write(data)
        print('写入文件完毕')

    3.爬取网络上某张图片数据,且存储到本地

    #!/usr/bin/env python 
    # -*- coding:utf-8 -*-
    import urllib.request
    import urllib.parse
    #如下两行代码表示忽略https证书,因为下面请求的url为https协议的请求,如果请求不是https则该两行代码可不用。
    import ssl
    ssl._create_default_https_context = ssl._create_unverified_context
    if __name__ == "__main__":
        #url是https协议的
        url = 'https://timgsa.baidu.com/timg?image&quality=80&size=b9999_10000&sec=1536918978042&di=172c5a4583ca1d17a1a49dba2914cfb9&imgtype=0&src=http%3A%2F%2Fimgsrc.baidu.com%2Fimgad%2Fpic%2Fitem%2F0dd7912397dda144f04b5d9cb9b7d0a20cf48659.jpg'
        reponse = urllib.request.urlopen(url=url)
        data = reponse.read()#因为爬取的是图片数据值(二进制数据),则无需使用decode进行类型转换。
        with open('./money.jpg','wb') as fp:
            fp.write(data)
        print('写入文件完毕')

    4.url的特性:url必须为ASCII编码的数据值。所以我们在爬虫代码中编写url时,如果url中存在非ASCII编码的数据值,则必须对其进行ASCII编码后,该url方可被使用。

    案例:爬取使用百度根据指定词条搜索到的页面数据(例如爬取词条为‘周杰伦’的页面数据)

    #!/usr/bin/env python 
    # -*- coding:utf-8 -*-
    import urllib.request
    import urllib.parse
    if __name__ == "__main__":
        #原始url中存在非ASCII编码的值,则该url无法被使用。
        #url = 'http://www.baidu.com/s?ie=utf-8&kw=周杰伦'
        #处理url中存在的非ASCII数据值
        url = 'http://www.baidu.com/s?'
        #将带有非ASCII的数据封装到字典中,url中非ASCII的数据往往都是'?'后面键值形式的请求参数
        param = {
            'ie':'utf-8',
            'wd':'周杰伦'
        }
        #使用parse子模块中的urlencode函数将封装好的字典中存在的非ASCII的数值进行ASCII编码
        param = urllib.parse.urlencode(param)
        #将编码后的数据和url进行整合拼接成一个完整可用的url
        url = url + param
        print(url)
        response = urllib.request.urlopen(url=url)
        data = response.read()
        with open('./周杰伦.html','wb') as fp:
            fp.write(data)
        print('写入文件完毕')

    5.通过自定义请求对象,用于伪装爬虫程序请求的身份。

    之前在讲解http常用请求头信息时,我们讲解过User-Agent参数,简称为UA,该参数的作用是用于表明本次请求载体的身份标识。如果我们通过浏览器发起的请求,则该请求的载体为当前浏览器,则UA参数的值表明的是当前浏览器的身份标识表示的一串数据。如果我们使用爬虫程序发起的一个请求,则该请求的载体为爬虫程序,那么该请求的UA为爬虫程序的身份标识表示的一串数据。有些网站会通过辨别请求的UA来判别该请求的载体是否为爬虫程序,如果为爬虫程序,则不会给该请求返回响应,那么我们的爬虫程序则也无法通过请求爬取到该网站中的数据值,这也是反爬虫的一种初级技术手段。那么为了防止该问题的出现,则我们可以给爬虫程序的UA进行伪装,伪装成某款浏览器的身份标识。

    上述案例中,我们是通过request模块中的urlopen发起的请求,该请求对象为urllib中内置的默认请求对象,我们无法对其进行UA进行更改操作。urllib还为我们提供了一种自定义请求对象的方式,我们可以通过自定义请求对象的方式,给该请求对象中的UA进行伪装(更改)操作。

    #!/usr/bin/env python 
    # -*- coding:utf-8 -*-
    import urllib.request
    import urllib.parse
    
    import ssl
    ssl._create_default_https_context = ssl._create_unverified_context
    
    if __name__ == "__main__":
        #原始url中存在非ASCII编码的值,则该url无法被使用。
        #url = 'http://www.baidu.com/s?ie=utf-8&kw=周杰伦'
        #处理url中存在的非ASCII数据值
        url = 'http://www.baidu.com/s?'
        #将带有非ASCII的数据封装到字典中,url中非ASCII的数据往往都是'?'后面键值形式的请求参数
        param = {
            'ie':'utf-8',
            'wd':'周杰伦'
        }
        #使用parse子模块中的urlencode函数将封装好的字典中存在的非ASCII的数值进行ASCII编码
        param = urllib.parse.urlencode(param)
        #将编码后的数据和url进行整合拼接成一个完整可用的url
        url = url + param
        #将浏览器的UA数据获取,封装到一个字典中。该UA值可以通过抓包工具或者浏览器自带的开发者工具中获取某请求,从中获取UA的值
        headers={
            'User-Agent' : 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_12_0) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/68.0.3440.106 Safari/537.36'
        }
        #自定义一个请求对象
        #参数:url为请求的url。headers为UA的值。data为post请求的请求参数(后面讲)
        request = urllib.request.Request(url=url,headers=headers)
    
        #发送我们自定义的请求(该请求的UA已经进行了伪装)
        response = urllib.request.urlopen(request)
    
        data=response.read()
    
        with open('./周杰伦.html','wb') as fp:
            fp.write(data)
        print('写入数据完毕')

    相关推荐:

    python爬虫beta版之抓取知乎单页面

    Python 爬虫的工具列表大全

    以上就是python爬虫如何爬取get请求的页面数据?(附代码)的详细内容,更多请关注php中文网其它相关文章!

    标签: Python爬虫

PHP中文网

未登录