Python爬虫-随机UA，识别HTML源码中的url并跳转-CSDN博客

本文链接：https://blog.csdn.net/m0_63563528/article/details/130362054

需要导入的Python库有这些：

import requests
import time
from bs4 import BeautifulSoup
import random

首先来了解，什么是UA？

UA就是：User-Agent，是一种浏览器的标识，爬虫除非是访问网站或APP专用数据api接口，正常的HTTP请求都需要进行ua（User-Agent）优化，因为ua是浏览器标识，如果http请求没有ua，或ua太少，都会被网站运维统计异常的，ua越丰富分布就越真实。

为了丰富UA，我们在请求头 headers 里面添加随机 UA ，随机UA怎么添加呢？

回顾Python基础里面有一个随机函数：random函数，它可以生成随机数，而如果给定可以库，它可以实现随机抽取，如下：

user_agents = [
    'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/60.0.3100.0 Safari/537.3',
    'Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/58.0.3029.110 Safari/537.36 EDGE/16.16299',
    'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/49.0.2623.112 Safari/537.36',
    'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/61.0.3163.100 Safari/537.36',
    'Mozilla/5.0 (Windows NT 10.0; WOW64; Trident/7.0; AS; rv:11.0) like Gecko'
]
random_user_agent = random.choice(user_agents)
headers = {'User-Agent': random_user_agent}

我给定了五个UA，random函数可以从中随机依次抽取，到这里，我们实现了随机UA。

接下来要实现：识别HTML源码中的url并跳转，即：

1.爬取html 2.识别包含的url 3.再次请求url

实现此功能需要用到另一个标准库：BeautifulSoup库

BeautifulSoup是什么？

BeautifulSoup库是python的一个HTML或者XML的解析库，可以通过它来实现对网页的解析，从而获得想要的数据。

使用以下命令安装该库：

pip install beautifulsoup4

实现识别HTML源码中的url并跳转：

url = "https://www.86000k.com/"

# 发送HTTP请求并获取响应
response = requests.get(url,headers=headers)

# 解析HTML源代码
soup = BeautifulSoup(response.text, "html.parser")

# 提取出a标签的href属性中的链接
links = soup.find_all("a")
for link in links:
    href = link.get("href")

    # 判断链接是否为完整的URL，如果不是则拼接上初始URL的协议和主机名
    if not href.startswith("http"):
        href = url + href

    # 打印处理完的链接
    print(href)
    time.sleep(2)

    # 访问提取出来的链接并获取响应
    response = requests.get(href)
    # 对响应进行处理

完整的代码如下：

import requests
import time
from bs4 import BeautifulSoup
import random
user_agents = [
    'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/60.0.3100.0 Safari/537.3',
    'Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/58.0.3029.110 Safari/537.36 EDGE/16.16299',
    'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/49.0.2623.112 Safari/537.36',
    'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/61.0.3163.100 Safari/537.36',
    'Mozilla/5.0 (Windows NT 10.0; WOW64; Trident/7.0; AS; rv:11.0) like Gecko'
]
random_user_agent = random.choice(user_agents)
headers = {'User-Agent': random_user_agent}

# 访问的初始URL
url = "https://www.86000k.com/"

# 发送HTTP请求并获取响应
response = requests.get(url,headers=headers)

# 解析HTML源代码
soup = BeautifulSoup(response.text, "html.parser")

# 提取出a标签的href属性中的链接
links = soup.find_all("a")
for link in links:
    href = link.get("href")

    # 判断链接是否为完整的URL，如果不是则拼接上初始URL的协议和主机名
    if not href.startswith("http"):
        href = url + href

    # 打印处理完的链接
    print(href)
    time.sleep(2)

    # 访问提取出来的链接并获取响应
    response = requests.get(href)
    # 对响应进行处理

运行结果如下：