python爬虫下载模块_python爬虫模块之HTML下载模块

HTML下载模块

该模块主要是根据提供的url进行下载对应url的网页内容。使用模块requets-HTML，加入重试逻辑以及设定最大重试次数，同时限制访问时间，防止长时间未响应造成程序假死现象。

根据返回的状态码进行判断如果访问成功则返回源码，否则开始重试，如果出现异常也是进行重试操作。

from requests_html import HTMLSession

from fake_useragent import UserAgent

import requests

import time

import random

class Gethtml():

def __init__(self,url="http://wwww.baidu.com"):

self.ua = UserAgent()

self.url=url

self.session=HTMLSession(mock_browser=True)

#关于headers有个默认的方法 self.headers = default_headers()

#mock_browser 表示使用useragent

def get_source(self,url,retry=1):

if retry>3:

print("重试三次以上，跳出循环")

return None

while retry<3:

try:

req=self.session.get(url,timeout=10)

if req.status_code==requests.codes.ok:

return req.text

else:

time.sleep(random.randint(0,6))

except:

print('Unfortunitely -- An Unknow Error Happened, Please wait 0-6 seconds')

time.sleep(random.randint(0, 6))

retry += 1

self.get_source(url,retry)