#最近在学爬虫,把学习过程做个记录,也方便自己以后查看。
##二、requests篇
*requests模块:python中原生的一款基于网络请求的模块。
作用:模拟浏览器发请求。
如何使用:(requests模块的编码/使用流程)
-指定url
-UA伪装
-请求参数的处理
-发起请求
-获取响应数据
-持久化存储
环境安装:pip install requests
(Pycharm安装教程:https://www.runoob.com/w3cnote/pycharm-windows-install.html)
案例:
#-需求:爬取搜狗首页的页面数据
import requests
if __name__ == "__main__":
#step 1:指定url
url = 'https://www.sogou.com/'
#step 2:发起请求
#get方法会返回一个响应对象
response = requests.get(url=url)
#step 3:获取响应数据,text返回的是字符串形式的相应数据
page_text = response.text
print(page_text)
#step 4:持久化存储
with open('./sougou.html','w',encoding='utf-8') as fp:
fp.write(page_text)
print('爬取结束!')
实战巩固
1、爬取搜狗指定词条对应的搜索结果页面(简易网页采集器)
#UA:User-Agent(请求载体的身份标识)
#UA检测:门户网站的服务器会检测对应请求的载体身份标识,如果检测到请求的载体身份标识为某一款浏览器,
# 说明该请求是一个正常的请求。但是,如果检测到请求的载体身份标识不是基于某一款浏览器的,则表示该请求是非正常请求(爬虫),
# 则服务器端就很有可能拒绝该请求
#UA伪装:让爬虫对应的请求载体身份标识伪装成某一款浏览器
import requests
if __name__ == "__main__":
#UA伪装:将对应的User-Agent封装到一个字典中
headers = {
'User-Agent':'(这里放自己浏览器的UA就行啦)'
}
url = 'https://www.sogou.com/web'
#处理url携带的参数,封装在字典中
kw = input('enter a word:')
param = {
'query':kw
}
#对指定的url发起的请求对应的url是携带参数的,且请求过程中处理了参数
response = requests.get(url=url,params=param,headers=headers)
page_text = response.text
fileName = kw+'.html'
with open