爬虫教程1---Python爬虫原理


首先,不论爬取文本还是图片还是其他形式的内容,爬虫的原理都是一样的。

归根结底核心就是Requests.get()这一步,即模拟浏览器访问页面的过程,用一行代码请求一个URL的页面,然后(该URL所属)网站的服务器返回给你一个response,这个response中就包括了你要的网页内容。

那么,下图就是一个“最原理”的小爬虫。通过上述三个步骤构建的爬虫。爬到了www.baidu.com的源码。(有中文乱码是因为没有设置编码格式)

其实,爬虫的原理非常简单,就一个“模拟浏览器请求网页”。但是,实际情况中,或许只有“www.baidu.com”这一个网址非常友善的给大家随便爬,其他含有有价值信息的网站,都有自己的反爬机制,为了应对这些反爬机制,我们需要给爬虫加上“隐身衣”(变换user-agent,proxyIP),“风火轮”(多线程加速)以及“复活药水”(被封后自动重启续爬)才能真正爬到东西。

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值