Python爬虫——【3】requests简单实用之简易网页采集器

简易网页采集器

今天来做一个简单的网页采集器，即你输入想要查找的信息，让代码给你返回想要查找的信息对应的页面。

1. 理论知识

1. UA: User-Agent(请求载体的身份标识)
2. 反爬机制——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，说明该请求是一个正常的请求。但如果检测到请求的载体身份标识不是基于某一款浏览器的，则表示该请求为不正常请求(爬虫)，则服务器端很有可能拒绝该次请求。
3. 反反爬策略——UA伪装: 让爬虫对应的请求载体身份标识伪装成某一款浏览器

那怎么获取我们浏览器的User-Agent呢?
举个例子，我用的是火狐浏览器:

1. 用F12打开开发者工具
2. 用浏览器随意发起一个搜索，比如我搜索华晨宇
3. 点击网络(有些浏览器是Network)
4. 随意选中一条请求，里面就有你浏览器的User-Agent

如图:

2. 实践出真知

其实加个UA伪装也只是公式里的一步而已，所以不要把UA伪装想得特别难

"""
TOPIC: 简易网页采集器
author: Blue
time: 2020-09-02
"""

import requests
if __name__ == "__main__":
    # UA伪装: 将对应的User-Agent封装到一个字典中
    headers = {
        'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64; rv:80.0) Gecko/20100101 Firefox/80.0'
    }
    # step1: 指定url
    url = 'https://www.sogou.com/web?'
    # 为了使采集器可以动态采集——处理url所携带的参数: 封装到字典中
    keyword = input("请输入关键词: ")
    param = {
        'query': keyword
    }
    # step2: 对指定的url发起请求，对应的url是带参数的并且请求过程中处理了参数
    response = requests.get(url, params=param, headers=headers)
    # step3: 获取响应数据, text返回的是字符串形式的响应数据
    page_text = response.text
    filename = "./html/" + keyword + '.html'
    with open(filename, 'w', encoding='utf-8') as fp:
        fp.write(page_text)
    print(filename, '保存成功！！')

这是未执行的代码，比如我比较喜欢华晨宇，所以我现在代码运行后，输入华晨宇三个字:
得到的网页是这样的: