python爬虫urllib（1） —使用代理ip，模拟不同浏览器爬取网站

最新推荐文章于 2024-06-24 23:18:03 发布

龟的小号

最新推荐文章于 2024-06-24 23:18:03 发布

阅读量2.6k

点赞数

分类专栏：爬虫

本文链接：https://blog.csdn.net/hju22/article/details/88698464

版权

本文介绍了如何使用Python的urllib库，结合代理IP和模拟不同浏览器进行网页爬取。首先，通过创建proxyHandler来设置代理，接着构造opener以实现浏览器模拟。然后，创建请求对象并发送请求到目标网站，最后通过正则表达式清洗获取的网页数据，以提取出网站的标题。

摘要由CSDN通过智能技术生成

文章目录

一、爬虫任务

爬取网站的标题

步骤：
1、创建proxyHandler（代理ip）->创建opener
2、创建请求对象（不同浏览器）
3、发送请求
4、正则清洗数据

二、python脚本

import random
import re
from urllib import request

#url
url="http://www.baidu.com"

#代理ip
proxylist=[{"http":"120.194.18.90:81"},{"http":"39.137.168.229:80"}]
proxy=random.choice(proxylist)
print(proxy)

#在headers设置不同User-Agent，模拟不同浏览器
agent1="Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1; SV1)"
agent2="Mozilla/5.0 (Windows NT 5.1) AppleWebKit/535.19 (KHTML, like Gecko) Chrome/18.0.1025.142 Safari/535.19"
agent3="Mozilla/5.0 (Windows NT 6.1; rv:17.0) Gecko/20100101 Firefox/17.0 "
agent4="Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/534.57.2 (KHTML, like Gecko) Version/5.1.7 Safari/534.57.2"
agent5="Mozilla/5.0