# 爬虫--通过编写程序模拟浏览器上网,在网页上榨取数据
# 爬虫具有法律风险但不被禁止:
# --不能涉及个人用户的隐私信息和国家机密以及受到法律保护的信息
# --要时常优化程序
# 爬虫的分类:
# --通用爬虫:抓取系统中重要组成部分,抓取的是一整张页面
# --聚焦爬虫:建立在通用爬虫的基础上,抓取页面中局部内容
# --增量式爬虫:检测网站中数据更新的情况只会抓取最新更新出来的内容
# 爬虫的矛盾:
# --反爬机制:通过制定相关的策略和技术进行防止爬虫程序获取数据
# --反反爬机制:爬虫程序可以通过制定策略和技术手段破解反爬机制进而获取数据
# robots.txt协议--反爬机制:
# --规定了什么数据可以爬取--不是强制的规定君子协议
# http协议:
# --服务器和客户端的数据交互的一种形式
# 请求头信息:
# --User-Agent:请求载体的身份标识
# --Connection:请求完毕后,是断开还是保持连接
# 响应头信息:--Content-Type:服务器响应客户端的数据类型
# https协议:
# --安全的超文本协议
# 加密方式:从上到下加密依次加强第三种证书密钥加密为最终加密形式
# --对称密钥机密方式
# --非对称密钥加密方式
# --证书密钥加密方式
# requests模块:python中一种原生的基于网络请求的模块
# --模拟浏览器发出请求
# 如何使用requests模块(编码流程)!!!
# --指定url
# --发起请求
# --获取响应数据
# --持久化储存
# 爬取搜狗首页数据
# import requests
#
# if __name__ == '__main__':
# # 指定url
# url = 'https://www.sogou.com/'
# # 发起请求
# # --get方法返回一个响应对象
# response = requests.get(url=url)
# # 获取相应对响应对象
# page_text = response.text # 返回的是字符串形式响应数据
# print(page_text)
# # 持久化储存数据
# with open('./sogou.html', 'w', encoding='UTF-8') as e:
# e.write(page_text)
# print('爬取数据结束!!')
# 对指定的url发起请求
# UA:User-Agent(请求载体身份证明)
# 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
# 某一款浏览器说明这个请求时一个正常的请求,但是相反则为非正常请求(爬虫),则服务器拒绝请求
# UA伪装:让爬虫的请求的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封装到字典中
headers = { # 反反爬机制
'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) '
'Chrome/92.0.4515.131 Safari/537.36 SLBrowser/8.0.1.5162 SLBChan/105' # 伪装的身份标识
}
url = 'https://www.sogou.com/web'
# 处理url携带的参数:封装在字典中
keyword = input('enter a word:')
param = {
'query': keyword
}
# 对指定的url发起请求url是携带参数的,并在请求过程中处理参数
response = requests.get(url=url, params=param, headers=headers)
page_text = response.text
fileName = keyword + '.html'
with open(fileName, 'w', encoding='UTF-8') as e:
e.write(page_text)
print(fileName, '爬取成功!!')
Python爬虫入门到精通(1)
最新推荐文章于 2024-07-25 18:55:58 发布