python爬虫初步-与java爬虫的比较

文章介绍了如何使用Java的HttpClient库和Python的urllib.request模块,设置代理IP和User-Agent以安全地抓取网站数据,避免被网站屏蔽或封IP。作者还分享了示例代码和学习资源,覆盖了从基础到进阶的前端开发知识点。
摘要由CSDN通过智能技术生成

def downloadHtml(link):

try:

data = urllib.request.urlopen(link).read()

text = data.decode(‘utf-8’,‘ignore’)

file = open(‘f:\\test2.txt’,‘w’)

file.write(text)

file.close()

except urllib.request.URLError as e:

print(e.reason)

downloadHtml(“http://www.bilibili.com”)

然而这种爬取网站的方式是不安全的,1是网站会根据访问者的类型来屏蔽访问.2是在爬取的时候访问网站会非常频繁,网站会封掉我们的IP

我们需要欺骗网站,在java中实现这一点比较常用的是使用HttpClient的jar包来实现

java代码如下

import java.io.BufferedInputStream;

import java.io.BufferedReader;

import java.io.IOException;

import java.io.InputStreamReader;

import org.apache.http.HttpEntity;

import org.apache.http.HttpHost;

import org.apache.http.HttpRequest;

import org.apache.http.HttpResponse;

import org.apache.http.client.ClientProtocolException;

import org.apache.http.client.config.RequestConfig;

import org.apache.http.client.methods.CloseableHttpResponse;

import org.apache.http.client.methods.HttpGet;

import org.apache.http.impl.client.CloseableHttpClient;

import org.apache.http.impl.client.HttpClients;

import org.apache.http.impl.execchain.MainClientExec;

public class HttpclientTest {

public static void main(String[] args){

System.out.println(new HttpclientTest().gethtml(“http://www.bilibili.com”));

}

public String gethtml(String url){

String html = null;

//建立HttpClient类,这是HttpClient的jar包中的一个类

CloseableHttpClient httpclient = HttpClients.createDefault();

//读取html的流

BufferedReader reader = null;

//设置请求信息

HttpGet getmethod = new HttpGet(url);

//响应

HttpResponse response = null;

//设置代理IP

HttpHost proxy = new HttpHost(“124.88.67.81”,80);

//设置超时时间

RequestConfig config = RequestConfig.custom().setProxy(proxy).setConnectTimeout(5000).setConnectionRequestTimeout(5000).setSocketTimeout(5000).build();

//添加请求头

getmethod.addHeader(“User-Agent”,“Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/56.0.2924.87 Safari/537.36”);

getmethod.setConfig(config);

try {

//获得响应

response = httpclient.execute(getmethod);

//响应体

HttpEntity entity = response.getEntity();

//建立一个读取流

reader = new BufferedReader(new InputStreamReader(entity.getContent()));

//读取html

String buff = null;

StringBuilder sb = new StringBuilder();

while((buff = reader.readLine()) != null){

sb.append(buff);

}

html = sb.toString();

System.out.println();

return html;

} catch (ClientProtocolException e) {

// TODO Auto-generated catch block

e.printStackTrace();

} catch (IOException e) {

// TODO Auto-generated catch block

System.out.println(“读取异常”);

return null;

}finally{

try {

httpclient.close();

reader.close();

} catch (IOException e) {

// TODO Auto-generated catch block

System.out.println(“关闭资源失败”);

}

}

}

}

在这段代码中我们设置了代理ip,请求头中的user-agent被我们设置成谷歌浏览器的内核,这样网站会认为我们是浏览器

python代码:

import urllib.request

def downloadHtml(link):

try:

proxy = {“http”:“123.179.128.170:8080”}

proxy_support = urllib.request.ProxyHandler(proxy)

headers = ( “User-Agent”,“Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/56.0.2924.87 Safari/537.36”)

opener = urllib.request.build_opener(proxy_support)

opener.addheaders = [headers]
自我介绍一下,小编13年上海交大毕业,曾经在小公司待过,也去过华为、OPPO等大厂,18年进入阿里一直到现在。

深知大多数Python工程师,想要提升技能,往往是自己摸索成长或者是报班学习,但对于培训机构动则几千的学费,着实压力不小。自己不成体系的自学效果低效又漫长,而且极易碰到天花板技术停滞不前!

因此收集整理了一份《2024年Python开发全套学习资料》,初衷也很简单,就是希望能够帮助到想自学提升又不知道该从何学起的朋友,同时减轻大家的负担。

img

img

img

img

img

img

既有适合小白学习的零基础资料,也有适合3年以上经验的小伙伴深入学习提升的进阶课程,基本涵盖了95%以上前端开发知识点,真正体系化!

由于文件比较大,这里只是将部分目录大纲截图出来,每个节点里面都包含大厂面经、学习笔记、源码讲义、实战项目、讲解视频,并且后续会持续更新

如果你觉得这些内容对你有帮助,可以扫码获取!!!(备注:Python)

ert/9f49b566129f47b8a67243c1008edf79.png)

既有适合小白学习的零基础资料,也有适合3年以上经验的小伙伴深入学习提升的进阶课程,基本涵盖了95%以上前端开发知识点,真正体系化!

由于文件比较大,这里只是将部分目录大纲截图出来,每个节点里面都包含大厂面经、学习笔记、源码讲义、实战项目、讲解视频,并且后续会持续更新

如果你觉得这些内容对你有帮助,可以扫码获取!!!(备注:Python)

  • 11
    点赞
  • 13
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值