Python爬虫（2） –爬取网页页面

文章目录

爬虫

Python 爬虫是一种自动化工具，用于从互联网上抓取网页数据并提取有用的信息。Python 因其简洁的语法和丰富的库支持（如 requests、BeautifulSoup、Scrapy 等）而成为实现爬虫的首选语言之一。

Python爬虫获取浏览器中的信息，实际上是模仿浏览器上网的行为。完成获取信息需要完成三步：

1. 指定url
2. 发送请求
3. 获取你想要的数据

比如我们爬取一个网站的页面：

https://www.sogou.com/

URL

URL（Uniform Resource Locator，统一资源定位符）是互联网上用来标识资源的字符串，它告诉Web浏览器或其他网络程序如何访问特定的文件或网页。简单来说，URL就是网页的地址。

那我们怎么寻找网页的url呢？

浏览器中找到网页页面，点击按钮F12进入开发者控制台（Developer Console）。

第一步点击Network,第二步刷新页面，第三步滚动滚轮找到最上面的一项打开：

我们可以看到：网页的url地址、以及它的请求方式是get请求、Status Code在200和300是属于正常的、类型是text/html形式的。

好，那我们先指定url地址：

url = "https://www.sogou.com/"

发送请求

找到网址之后，我们当然得要获取它，这样我们就需要申请访问它的网址。

访问别人，当然自己得有个身份，怎么为自己伪装一个身份呢？

UA伪装

在python内下载fake_useragent包，这里面是别人以及写好的UA，使用这个包会为我们随机提供一个身份。

pip install fake_useragent

下载好之后导入包：

import fake_useragent

接下来运用这个包来进行UA伪装：

head = {
    "User-Agent":fake_useragent.UserAgent().random		#"User-Agent"固定写法哦
}

这样我们就有身份来发生请求啦！

requests

在Python中，发生请求使用requests方法。使用这个方阿飞之前呢，我们也还需要安装一个requests包：

pip install requests

下载好之后导入包：

import requests

接下来我们来使用这个包来发送请求：

response = requests.get(url,headers=head)
#以head的伪装身份访问url，将返回的数据放在response对象内

这样我们就请求完成了。

获取想要的数据

之前我们在开发者控制台中看到，网页的类型是text/html形式的。

请求完成之后，我们将请求到的内容接收一下：

res_text = response.text
print(res_text)
--------------------
print(response.status_code)
#可以加上这个代码，验证请求是否成功：
200：请求成功。通常表示服务器成功返回了请求的网页。
404：未找到。通常表示服务器无法找到请求的资源（网页）。
500：内部服务器错误。通常表示服务器遇到了一个意外情况，导致其无法完成对请求的处理。

将接收到的内容打印出来。

打开网页

在PyCharm中，建立一个HTML文本，将接收打印出来的数据内容复制进HTML文本中：

进入HTML文本，右上角会有浏览器浮现，选择你要使用的浏览器打开，就会进去获取的网页中。

总结

本篇介绍了：如何爬取网页的一个页面。

1. 指定url
2. 发送请求：requests请求方法
   1. UA伪装：使用fake_useragent包，为自己提供身份
3. 获取想要的数据：将数据接收处理

完整代码

import fake_useragent
import requests
if __name__ == '__main__':

    #UA伪装  让你认为我是一个浏览器
    head = {
        "User-Agent":fake_useragent.UserAgent().random
    }
    
    # 1、指定url
    url = "https://www.sogou.com/"

    # 2、发送请求    返回的数据在response对象内
    response = requests.get(url,headers=head)

    #3、获取想要的数据
    res_text = response.text
    print(res_text)

作者：方世恩