Python爬虫学习第二章-2-使用requests模块实现网页采集器
这一节是使用requests进行爬取搜狗指定词条对应的搜索结果页面,也就是网页采集器
1、首先介绍反爬机制与反反爬策略:
反爬机制与反反爬策略:UA(User-Agent:请求载体的身份标识。用浏览器发起请求的话,那么当前的请求载体的身份标识是浏览器;通过requests.get方法也可以发起请求, 此时请求载体的身份标识不再是浏览器,而是爬虫程序)
-
UA检测:因为门户网站的服务器会检测对应的请求载体的身份标识,如果检测到请求的载体的身份标识为某一款浏览器,则说明该请求是正常请求;但是如果检测到请求的载体的身份标识不是基于浏览器,则表示该请求不是正常的请求(即爬虫),此时服务器端很有可能拒绝该次请求。
-
UA伪装:是一种反反爬策略。所以为了每次都能够请求成功,爬虫程序需要进行UA伪装这种反反爬策略,让爬虫对应的请求载体身份标识伪装成一款浏览器。
做法:将对应的User-Agent封装到一个字典中。
UA伪装必须应用在后期的每个案例当中
2、网页采集器的代码:
import requests
if __name__=="__main__":
#step1:指定url并进行UA伪装
#进行UA伪装:将对应的User-Agent封装到一个字典中,headers参数作用在get方法中,是get方法的参数,此处用的User-Agent是谷歌浏览器,也就是伪装成了谷歌浏览器
url = 'https://www.sogou.com/web?'
headers = {
'User-Agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/85.0.4183.121 Safari/537.36'
}
#处理url携带的参数:将url所携带的参数封装到字典中
kw = input('enter a word:')
param = {
'query':kw
}
#step2:发起请求
#对指定的url发起的请求对应的url是携带参数的,并且的请求过程中处理了参数
response=requests.get(url = url,params=param,headers=headers) #params表示参数,动态拼接参数,headers表示UA伪装,此处是伪装成谷歌浏览器
#step3:获取数据
page_text = response.text
#step4:持久化存储 注意存储代码的写法
filename = kw+'.html'
with open(filename,'w',encoding='utf-8') as fp:
fp.write(page_text)
print(filename,'保存成功')
注意with open的使用:with open用来打开本地文件的,处理完文件后,会自动关闭文件,无需手动书写close()。
这里查阅了一下几篇博文:
“open和with open的用法,你弄明白了吗?”
“with open()的使用方法”
“with open使用方法”