首页 > 代码库 > 爬虫学习笔记

爬虫学习笔记

2024-09-13 07:49:39   215人阅读

爬虫模拟浏览器实例：

方法一、使用build_opener()修改报头

#!/usr/bin/env python
# -*-coding:utf-8-*-
# __author__="life"
import urllib.request
url = ‘http://blog.csdn.net/justloveyou_/article/details/69611328‘
# file = urllib.request.urlopen(url)
headers = ("User-Agent",
           "Mozilla/5.0 (Windows NT 10.0; WOW64) "
           "AppleWebKit/537.36 (KHTML, like Gecko) Chrome/55.0.2883.87 Safari/537.36")
opener = urllib.request.build_opener()
opener.addheaders = [headers]
data = http://www.mamicode.com/opener.open(url).read()>

方法2、使用add_header()添加报头

import urllib.request
url = ‘http://blog.csdn.net/justloveyou_/article/details/69611328‘
req = urllib.request.Request(url)
req.add_header("User-Agent",
           "Mozilla/5.0 (Windows NT 10.0; WOW64) "
           "AppleWebKit/537.36 (KHTML, like Gecko) Chrome/55.0.2883.87 Safari/537.36")
data = http://www.mamicode.com/urllib.request.urlopen(req).read()>

 

超时设置：

将timeout值设置为1

#! /usr/bin/env python3
# -*- coding: utf-8 -*-
# __author__ = "life"
# Email: 379960530@qq.com
# Date: 17-4-8
import urllib.request
for i in range(1,100):
    try:
        file = urllib.request.urlopen("http://yum.iqianyue.com",timeout = 1)
        data = http://www.mamicode.com/file.read()>

HTTP协议请求

GET请求：get请求会通过url网址传递信息

POST请求：可以向服务器存储提交数据，是一种比较主流也比较安全的数据传递方式，登录过程经常使用

PUT请求：请求服务器存储一个资源，通常要指定存储的位置

DELETE请求：请求服务器删除一个资源

HEAD请求：请求获取对应的HTTP报头信息

OPTIONS请求：可以获得当前URL所支持的请求类型

TRACE请求主要于测试和诊断

1、GET请求实例分析：

百度搜索是用GET请求，https://www.baidu.com/s?wd=hello的结构，根据此原理，构造GET请求，用爬虫实现在百度上自动查询某个关键词

用百度上查询关键词为hello的结果，代码实例如下：

#! /usr/bin/env python3
# -*- coding: utf-8 -*-
# __author__ = "life"
# Email: 379960530@qq.com
# Date: 17-4-8
import urllib.request
keyword = ‘hello‘
url = ‘http://www.baidu.com/s?wd=‘ + keyword
req = urllib.request.Request(url)
data = http://www.mamicode.com/urllib.request.urlopen(req).read()>上面的代码还有些问题，如果搜索关键字为中文就会出错，优化一下:
import urllib.request
keyword = ‘刘东‘
key_encode = urllib.request.quote(keyword) # 编码中文
url = ‘http://www.baidu.com/s?wd=‘
url_all = url + key_encode
req = urllib.request.Request(url_all)
data = http://www.mamicode.com/urllib.request.urlopen(req).read()
with open(‘r.html‘,‘wb‘) as fhandle:
    fhandle.write(data)

 2、POST请求实例分析：

测试网址为:http://www.iqianyue.com/mypost

import urllib.request
import urllib.parse

url = "http://www.iqianyue.com/mypost/"
postdata = http://www.mamicode.com/urllib.parse.urlencode({"name":"ceo@iqianyan.com",
    "pass":"aA123456"
}).encode(‘utf-8‘) # 将数据使用urlencode编码处理后，使用encode()设置为utf-8编码
req = urllib.request.Request(url,postdata)
req.add_header(‘User-Agent‘,"Mozilla/5.0 (Windows NT 10.0; WOW64) "
           "AppleWebKit/537.36 (KHTML, like Gecko) Chrome/55.0.2883.87 Safari/537.36")
data = http://www.mamicode.com/urllib.request.urlopen(req).read()>

 3、代理服务器设置

代理服务器地址查找：http://yum.iqianyue.com/proxy

通过代理服务器爬取网站实例：

def use_proxy(proxy_addr,url):
    import urllib.request
    proxy = urllib.request.ProxyHandler({‘http‘:proxy_addr})
    opener = urllib.request.build_opener(proxy,urllib.request.HTTPHandler)
    urllib.request.install_opener(opener)
    data = http://www.mamicode.com/urllib.request.urlopen(url).read().decode(‘utf-8‘)"110.73.1.58:8123"
data = http://www.mamicode.com/use_proxy(proxy_addr,‘http://www.baidu.com‘)>

 

爬虫学习笔记


联系
我们