urlib
说明:urlib是Python内置的HTTP请求的库
urlib分为四个模块:
request:请求模块,用于发送模拟请求。
error:异常处理模块,帮助解决错误。
parse:工具模块,提供url处理方法。
robotparser:用于识别网站的robots.txt文件,根据robots.txt来判断该网站是否可爬。
关于robots.txt文件,这个是网络爬虫的君子协议,当然很多大公司都不遵守的(手动狗头保命)。
代码总览
import urllib.request
import urllib.parse
import time
url = "www.xxx.com"
data = bytes(parse.urlencode(dict),encoding='utf-8')
headers = { # 头部信息
'User-Agent': "xxx"
}
method = "POST"
res = request.Request(url=url,data=data,headers=headers,method=method)
response = resquest.urlopen(res)
response=response.read().decode('utf-8')
time.sleep(1) #设置延时1s,降低爬取频率
步骤说明:
1.首先导包,一般要用到requests和parse,parse用于请求的参数设置。
import urllib.request
import urllib.parse
2.创建变量绑定目标网站的网址
url = "www.xxx.com"
3.传递parse参数的请求方式为post请求,dict是参数的集合
data = bytes(parse.urlencode(dict),encoding='utf-8')
4.请求头设置访问的参数,xxx代表浏览器及其版本信息
headers = { # 头部信息
'User-Agent': "xxx"
}
5.服务器请求类型设置,一般如下两种二选一
method = "POST"
method = "GET"
6.res的参数中,url代表目标网站,data请求参数,headers是头部信息,method是请求方式。
res = request.Request(url=url,data=data,headers=headers,method=method)
7.发起请求
response = resquest.urlopen(res)
8.response发起请求时为避免爬取失败而导致整体代码失效一般加入try语句。
try:
response = request.urlopen(res)
except:
pass
9.使用read().decode(‘utf-8’)是将response获得的信息转码
response=response.read().decode('utf-8')