静态网页抓取
一:什么是静态网页?
静态网页:在网站设计中,纯粹的HTML格式的网页就称为静态网页。在网络爬虫中,静态网页的数据都呈现在HTML代码中,所以比较容易获取。动态网页是使用AJAX动态加载网页数据不一定出现在HTML代码中,这就相比于静态网页,爬取动态网页的数据上升了一个难度。
二、为什么爬取静态网页数据比较简单?
在抓取静态网页数据中,有一个强大的Requests库能够让你轻易的发送HTTP请求。操作起来也非常简单。
三、静态网页的抓取(本次案例以网为材料)
1:获取响应内容(记得自己安装requests库)
r.text是服务器响应的内容,它会自动根据响应头部的字符编码进行解码。
r.encoding是服务器内容使用的编码。
r.status_code用于检测相应的状态码。
r.content是字节方式的响应体,会自动解码gzip和deflate编码的响应数据。
r.json()是Requests中内置的JSON解码器。
2:定制Requests:有些网页需要对Requests的参数进行设置才能获取需要的数据。其中包括传递URL参数、定制请求头、发送POST请求等。
传递URL参数:如果你是自己构建URL,则数据一般跟在问号的后面,并且以键/值的形式放在URL中,例如https://www.baidu.com/?tn=18029102_2_dg(百度首页)在Requests中,你可以直接把这些参数保存在字典中用参数构建至URL。
例如:
import requests
key_dict={
'tn':'18029102_2_dg'}
r=requests.get('https://www.baidu.com/',params=key_dict)
print('URL的正确编码',r.url)
3:定制请求头(Headers):提供了关于请求、响应、或其他发送实体的信息。如果没有指定请求头或请求头与实际网页不一致,则可能无法返回正确的结果。
找到请求头的步骤:在网页点击鼠标右键——检查——Network——Ctrl+R——选择页面(一般左侧的页面为第一栏文件)——点击及显示Request Headers的信息。
以本次案例(百度页面)举例,提取请求头信息的重要部分后将代码完善:
import requests
headers={
'User-Agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64)'
' AppleWebKit/537.36 (KHTML, like Gecko) '
'Chrome/87.0.4280.88 Safari/537.36 Edg/87.0.664.60',
'Host':'www.baidu.com'}
r=requests.get('https://www.baidu.com/',headers=headers)
print('响应状态码',r.status_code)
运行结果
4:发送POST请求:除了GET请求以外,有时还需要发送以一些编码为表单形式的数据就要用到POST请求。
例如登录账号时:使用GET请求,密码就会显示在URL中,这很不安全。
实现POST请求:传递一个字典给Requests中的data参数。
即
key_dict={