由于难度不高,且自己练手,所以没写多少注释,我大致说下思路
一般来说爬取一个网站就是那么几步走
1.先使用浏览器逛一逛想爬取的网站,找找规律
2.直接发一个傻瓜式请求,试一下能不能获取到想要的数据,万一就得到了呢
3.不行的话,换一下请求头中的User-Agent字段
这边推荐大家一个模块 – fake_useragent
安装: pip install fake_useragent 直接使用pip安装就可以
使用:导入模块中的UserAgent类创建实例对象,再用对象去点一个random属性就可以了
ua = UserAgent()
headers = {‘User-Agent’: ua.random}
这个模块使用简单便捷,每次调用random属性都会返回一个随机的请求头
4.要是换头还不行,把浏览器中的headers全复制来做一个字典
5.要是还不行,那就是登录状态之类的问题了,打开浏览器的设置查看一下哪个cookie是用于保存当前网站登录状态的
6.还不行,试试代理ip
7.再不行,那就是js加密了
当然了,不管怎么处理,一定要先看看人家浏览器发的是啥请求,是get还是post,不然只能是一步错步步错
import requests
from lxml import etree
import MySQLdb
conn = MySQLdb.connect(
user = 'root',
password = '123456',
host = 'localhost',
db = 'spider',
charset = 'utf8',
port