2022年 11月 9日

Python爬虫基础爬取网页访问网页

前段时间又被人问了会不会爬虫，然后感觉现在爬取数据好像还是挺有用的，所以就在网上找了课程学习了一下，利用Python对网站进行爬取和解析等等。原来使用过八爪鱼这个软件，不太需要有什么编程基础，但是也已经忘得差不错了，所以就想着学习利用Python进行爬取。

一、对爬虫的理解：

爬虫听上去似乎很高大上，其实简单一句话就是：模仿浏览器对网页进行访问并解析，进一步从中复制我们想要的信息，然后将其保存起来。

总共可以将其分为3个步骤：

爬取网页
解析数据
保存数据

这个时候我们就要想一想我们平时怎么使用浏览器浏览网页的，首先我们需要一个网址，然后回车后就会看到我们想看到的内容，然后利用鼠标点击进行点击相应的超链接进行进一步的访问。

接下来我们就要开启模拟浏览器访问数据了。

二、爬取网页

1.模仿浏览器

当浏览器对网址进行访问时，首先需要向服务器发送一个访问请求，并且将浏览器自身的一些信息发送给服务器，服务器接收到浏览器发送的信息之后开始检查，看这个“浏览器”是否有访问的权限，以及可以接受什么样的文件，然后服务器才能将信息发送到相应的浏览器上呈现给用户。

那么显而易见，我们现在要做的事情就是 模仿浏览器 给服务器发送信息：用户代理（User-Agent）！至于这个用户代理具体的含义以及用法还不是很清楚，但是可以简单的理解为我的浏览器的一个标志，表示我们是一个浏览器，而不是爬虫。

2.实例分析

下面以豆瓣为例，爬取前250名的高分电影的信息。其中需要导入一些包，包括网页解析、网页访问的和一些数据库操作的包。先来进行获取网页数据，对于解析和保存后面再慢慢学习。

（1）代码

# 导入所用到的包
from bs4 import BeautifulSoup      # 网页解析，获取数据
import re        # 正则表达式，进行文字匹配
import urllib.request,urllib.error    # 指定URL，获取网页数据
import xlwt      # 进行excel操作
import sqlite3   # 进行SQLite数据库操作


# 主函数
def main():
    baseurl = "https://movie.douban.com/top250?start="
    # 1.爬取网页
    datalist = getData(baseurl)
    # 2.解析网页
    # 3.保存数据


# 爬取网页函数
def getData(baseurl):
    datalist = []
    for i in range(0,10):
        n = str(i*25)   # 页数
        url = baseurl + n  # 每一页的网址
        html = askURL(url)  # 访问每一个网页的内容
        datalist.append(html)

    return datalist


# 得到指定一个url的网页内容函数
def askURL(url):
    # 模拟浏览器头部信息，向豆瓣服务器发送消息（伪装）
    # 用户代理，表示告诉豆瓣服务器，我们是什么类型的机器/浏览器（本质上告诉浏览器，我们可以接受什么水平的文件内容）
    head = {"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/88.0.4324.150 Safari/537.36"}
    
    request = urllib.request.Request(url, headers=head)
    html = ""
    try:
        response = urllib.request.urlopen(request)
        html = response.read().decode("utf-8")
        print(html)
    except urllib.error.URLError as e:
        if hasattr(e, "code"):
            print(e.code)
        if hasattr(e, "reason"):
            print(e.reason)

    return html


if __name__ == "__main__":
    # 调用函数
    main()

（2）获取浏览器User-Agent

上面代码中需要说明的就是用户代理的那个变量head，可以直接在我们现有的浏览器中复制粘贴，打开一个网页，按F12键，然后点击Network，然后将网页刷新一下，点击红点暂停，点击一个请求，然后下拉到最后就会看到 User-Agent，直接复制粘贴过来即可！下面为操作截图。
1、打开网址
在这里插入图片描述
2、按F12键，然后点击Network

3、刷新网页

4、点击请求

5、复制粘贴User-Agent

总结

以上就是对网页访问的的一个基本的操作和代码，只实现了网页的简单访问，对于网页的解析和数据的保存后续在慢慢学习！

Python爬虫基础 爬取网页 访问网页

目录