Python爬虫之网页采集器

---

前言

本文使用Python爬虫技术实现一个简单的网页采集器功能。

---

一、爬虫是什么？

网络爬虫（又被称为网页蜘蛛，网络机器人）就是模拟浏览器发送网络请求，接收请求响应，一种按照一定的规则，自动地抓取互联网信息的程序。
原则上,只要是浏览器(客户端)能做的事情，爬虫都能够做。

二、使用步骤

1.引入库

代码如下（示例）：

import requests

2.简单的页面爬取的四步流程

1.获取url

2.向url发送请求，并获取响应（需要http协议）

3.如果从响应中提取url，则继续发送请求获取响应

4.如果从响应中提取数据，则将数据进行保存

以下是页面采集器的完整源代码：

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 (Macintosh; Intel Mac OS X 10_12_0) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/72.0.3626.121 Safari/537.36'
    }
    url = 'https://www.sogou.com/web'
    #处理url携带的参数：封装到字典中
    kw = input('enter a word:')
    param = {
        'query':kw
    }
    #对指定的url发起的请求对应的url是携带参数的，并且请求过程中处理了参数
    response = requests.get(url=url,params=param,headers=headers)

    page_text = response.text
    fileName = kw+'.html'
    with open(fileName,'w',encoding='utf-8') as fp:
        fp.write(page_text)
    print(fileName,'保存成功！！！')

• 在我们进行网页爬取的时候，要进行UA伪装，所谓UA就是User-Agent（请求载体的身份标识）
• UA伪装有什么作用呢？
• 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。但是，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的请求（爬虫），则服务器端就很有可能拒绝该次请求。

---

总结

以上就是今天要讲的内容，本文仅仅简单介绍了网页采集器的爬虫实现步骤，而我们学习提供了大量能使我们快速便捷地处理数据的方法。