Python爬虫实现爬取下载网站数据的几种方法

使用脚本进行下载的需求很常见，可以是常规文件、web页面、Amazon S3和其他资源。Python 提供了很多模块从 web 下载文件。下面介绍

一、使用 requests

requests 模块是模仿网页请求的形式从一个URL下载文件

示例代码：

1 2 3 4 5 6 7

import requests url = 'xxxxxxxx'  # 目标下载链接 r = requests.get(url)  # 发送请求 # 保存 with open ('r.txt', 'rb') as f:     f.write(r.content)     f.close

二、使用 wget

1

安装 wget 库

1	pip install wget

示例代码

1 2 3 4

import wget url = 'https://pic.cnblogs.com/avatar/1197773/20170712160655.png'  # 目标路由，下载的资源是图片 path = 'D:/x.png'  # 保存的路径 wget.download(url, path)  # 下载

三、下载重定向资源

有些 URL 会被重定向到另一个 URL，后者是真正的下载链接。很多软件的下载其实都是这样的形式。

URL看起来如下https://readthedocs.org/projects/python-guide/downloads/pdf/latest

重定向的 URL 也可以用 requests 库进行下载，只需加一个参数就可以

1 2 3 4 5 6 7

import requests url = 'https://readthedocs.org/projects/python-guide/downloads/pdf/latest' # allow_redirect参数True表示允许重定向 r = requests.get(url, allow_redirect=True) with open('r.txt', 'wb') as f:     f.write(r)     f.close()

四、大文件分块下载

有些文件非常的大，如果我们直接下载，可能会因为事件原因或者网络原因造成下载失败，这时候我可以使用分块下载的形式进行下载。

requests 支持分块下载，只需要将 stream 设为True 即可

1 2 3 4 5 6 7 8

import requests url = 'https://readthedocs.org/projects/python-guide/downloads/pdf/latest' # stream参数True表示分块下载 r = requests.get(url, stream=True) with open('r.txt', 'wb') as f:     for ch in r:         f.write(r)     f.close()

五、并行下载

多线程、多进程并发下载，大大提高下载速度

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16

import requests from multiprocessing.poll import Pool # 定义下载函数 def url_response(url):     path, url = url     r = requests.get(url, stream=True)     with open(path, 'wb') as f:         for ch in r:             f.write(ch)         f.close() urls = ['aaa', 'bbb', 'ccc']  # 假设有好多个下载链接 # 排队下载的方式 for x in urls:     url_response(x) # 并行下载的方式 ThreadPool(3).imap_unordered(url_response, urls)

六、下载中加入进度条

使用进度条更直观的查看下载进度，这里使用 clint 模块实现进度条功能

1	pip install clint

下载

1 2 3 4 5 6 7 8 9 10

import requests from clint.textui import progess url = 'xxxxxxxxxxx' r = requests.get(url, stream=True) with open('x.txt', 'wb') as f     total_length = int(r.headers.get('content-length'))     for ch in progress.bar(r.iter_content(chunk_size=2391975, expected)size=(total_length/1024)+1)):         if ch:             f.write(ch)     f.close()

七、使用 urllib 模块下载

urllib库是Python的标准库，因此不需要安装它。

下载代码

1	urllib.request.urlretrieve(URL, PATH)

八、通过代理下载

因为一些众所周知的原因我们下载国外的资源会非常的慢，这时候可以使用代理的方式进行下载

requests 模块使用代理

1 2 3 4 5 6

import requests # 定义代理，假设本机上有个梯子的服务，代理端口是2258 proxy = {'http': 'http://127.0.0.1:2258'} url = 'xxxxxx' r = requests.get(url, proxies=proxy ) .......

urllib 模块使用代理

1 2 3 4 5 6

import urllib.request #Python小白学习交流群：153708845 url = 'xxxxxxxxxx' proxy = urllib.request.ProxyHandler({'http': '127.0.0.1'}) open_proxy = urllib.request.build_opener(proxy )  # 打开代理 urllib.request.urlretrieve(url)

九、使用 urllib3

urllib3 是 urllib 模块的改进版本。使用pip下载并安装

1	pip install urllib3