网络爬虫的常用技术(二)
1. 请求headers处理
有时在请求一个网页内容时,发现无论通过GET或者是POST以及其他请求方式,都会出现403错误。这种现象多数为服务器拒绝了你的访问,那是因为这些网页为了防止恶意采集信息,所使用的反爬虫设置。此时可以模拟浏览器的头部信息来进行访问,这样就能解决以上反爬虫设置的问题。下面以requests模块为例介绍请求头部headers的处理,具体步骤如下:
(1)通过浏览器的网络监视器查看头部信息,首先通过Goole浏览器打开对应的网页地址,然后打开网络监视器,再刷新当前页面,网络监视器将显示如下的数据信息。打开Goole浏览器的headers信息请转这个链接
(2)找到我们所需的信息,即图中划线标注的信息就是我们所要的显示请求头部信息,将其复制下来。
(3)实现代码,首先创建一个需要爬取的URL地址,然后创建headers头部信息,在发送请求等待响应,最后打印网页的代码信息。代码如下:
import requests
url ='https://book.douban.com' #创建需要爬取网页的地址
#创建头部信息
headers = {
"User-Agent":"Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/76.0.3809.100 Safari/537.36"
}
response =requests.get(url,headers=headers) #发送网络请求
print(response.content) #以字节流的形式打印网页源码
注意:当出现“AttributeError: ‘set’ object has no attribute ‘items’”错误时,要仔细检查自己请求的网页内容的headers头部信息是否正确,是否加上了“User-Agent"。