目录
urllib.request(Python2.X中的urllib2)
上文我们说到,爬虫的原理是“模仿浏览器向页面发送请求,然后获取回传的文件再对其进行分析”。本文我们介绍爬虫的第一步:向页面(服务器)发送请求。
大多数爬虫只用到了最基本的GET请求,作为入门我们也就先只用GET请求。本文假设你对GET请求有所了解,下文会给出一些常见的模块发送GET请求的方法。
urllib.request(Python2.X中的urllib2)
作为python自带的模块,urllib功能强大,虽然不能自动识别响应的编码(这不是难事,可以自己写个函数实现)。
import urllib.request
response=urllib.request.urlopen("你想要爬取的url")#获取服务器的响应
response.read().decode("utf-8")#读取响应html内容 #decode不总是utf-8,因为不同的网站的编码可能不同。
requests
相比于urllib,requests的函数更加简明易读,各种请求方式只要调用同名函数就能实现,还能自动识别相应的编码。不过我并不推荐直接使用.text读取响应,因为其乱码情况比较严重。
import requests
response=requests.get("你想要爬取的url") #如果想要换成post或者delete等只要把函数名称换一下就行了,都是同名的
response.encoding = 'utf-8' #最好是在读取之前设置一下编码,之前测试不设置编码的响应都出现了乱码的情况
response.text #读取响应内容
selenium
selenium其实更常用在测试领域,作为爬虫他的环境要求高而且速度慢(这些我在上一节应该已经讲过了),但是有些反爬措施很严的网站(大量ajax内容、检查Headers)采用selenium却会有新的发现。
所以我不推荐你在“仅仅需要小用一下爬虫”的范围使用selenium。如果你爬取的信息需要大量的模拟浏览器操作(提交表单、运行js、突破反爬),selenium才会是你的选择。所以这里我就只讲一下selenium的环境需求,后面的内容请跳到进阶篇查看。
在使用selenium之前,我们需要安装适合其的WebDriver和浏览器,并将WebDriver的路径写入环境变量。因为selenium要使用Driver驱动浏览器访问url。
各浏览器的WebDriver下载地址(注意Driver的版本要和浏览器的版本匹配,匹配不是一致):
-Chrome:http://chromedriver.storage.googleapis.com/index.html
-FireFox:https://github.com/mozilla/geckodriver/releases/
-IE:http://selenium-release.storage.googleapis.com/index.html