ICode9

精准搜索请尝试: 精确搜索
首页 > 编程语言> 文章详细

Python爬虫〇二———从几个简单的爬虫开始

2021-01-13 23:33:37  阅读:17  来源: 互联网

标签:__ 请求 headers Python 爬虫 url 简单 data


下面,我们从几个简单的爬虫开始我们的爬虫之旅

通用爬虫

我们先来做一个通用的爬虫,作用是爬取一个搜索引擎的搜索结论。比方说用搜狗搜一下python这个关键字,注意看一下url:

 

 

 

 可以看出来这是个GET请求,参数可以直接看出来,也可以通过浏览器的抓包工具看一下

 

 

 

 上面的图里大概演示了从哪里找到抓包工具,选中的就是我们请求的内容。可以看看右边那个对话框中的Headers选项卡里的内容,讲了请求头和响应头

请求头

 

 响应头

 

 请求头中选中的那一行User-Agent是几乎所有爬虫都要设置的一个内容,——UA伪装。

UA伪装和UA策略

服务器在拿到请求的时候,可以通过请求头里的参数User-Agent获取到请求载体的身份标识,如果是浏览器的话就允许访问数据,否则就屏蔽掉。这应该就是最原始的反爬策略了。所以我们就给爬虫加了个UA伪装,让他假装是一个浏览器

 1 #!/usr/bin/python3
 2 import requests
 3 
 4 if __name__ == '__main__':
 5     url = 'https://www.sogou.com/web'
 6     headers = {
 7             'User-Agent': 'Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/84.0.4147.105 Safari/537.36'
 8              }
 9     #处理url携带的参数
10     kw = input('word:')
11 
12     param = {
13         'query':kw
14     }
15     
16     respon = requests.get(url,params=param,headers=headers)
17 
18     data = respon.text
19     file_name ='./'+ kw+'.html'
20     with open(file_name,'w',encoding='utf-8') as f:
21         f.write(data)

上面就是最简单的爬虫了。param里的key是从GET请求的参数来的

 

 整个过程没什么难的,因为响应头里定义了数据的类型就是text,所以我们就在18行里的data就是respon.text的方式拿到数据的。

 AJAX响应页面的爬虫

 有很多的页面是通过AJAX请求来对页面部分刷新的,而这些刷新出来的内容正是我们需要的,这个爬虫要怎么做呢?

 其实我们主要就是想拿到输入框下面的内容,注意看一下我们每输入一个字母就会队页面进行一下刷新,所以这应该是个AJAX请求

还是要看看抓包工具里的几个重要的参数

 

上面说明了AJAX请求的URL和方法

 

 这里可以注意一下,返回的内容是个json对象 

 

看看输入do以后的请求带的参数,主要是query,其实其他的都可以暂时忽略。

所以我们可以根据上面的内容来组织代码

 1 # !/usr/bin/python3
 2 import requests
 3 
 4 if __name__ == '__main__':
 5     url = 'https://fanyi.baidu.com/sug'
 6     headers = {
 7             'User-Agent': 'Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/84.0.4147.105 Safari/537.36'
 8     }
 9 
10     word = input('word')
11 
12     data = {'kw':word}
13 
14     response = requests.post(url=url,headers=headers,data=data)
15 
16     with open('./'+word,'w') as f:
17         f.write(response.json)

因为响应的内容是个json对象,所以最后一行的代码是response.json,这样就完成了数据的持久化。

总结

 从上面两个简单的爬虫入手,我们大概了解了如何通过浏览器的行为去构建一个爬虫。后面我们去爬一个稍微复杂的数据!

标签:__,请求,headers,Python,爬虫,url,简单,data
来源: https://www.cnblogs.com/yinsedeyinse/p/13763272.html

专注分享技术,共同学习,共同进步。侵权联系[admin#icode9.com]

Copyright (C)ICode9.com, All Rights Reserved.

ICode9版权所有