python网页抓取功能非常强大，使用urllib或者urllib2可以很轻松的抓取网页内容。但是很多时候我们要注意，可能很多网站都设置了防采集功能，不是那么轻松就能抓取到想要的内容。
今天我来分享下载python2和python3中都是如何来模拟浏览器来跳过屏蔽进行抓取的。
最基础的抓取：
1 #! /usr/bin/env python 2 # -*- coding=utf-8 -*- 3 # @Author pythontab 4 import urllib.request 5 url = "http://www.***.com" 6 html = urllib.request.urlopen(url).read(） 7 print(html)
但是...有些网站不能抓取，进行了防采集设置，所以我们要变换一下方法
python2中（最新稳定版本python2.7）
1 #! /usr/bin/env python 2 # -*- coding=utf-8 -*- 3 # @Author pythontab.com 4 import urllib2 5 url="http://pythontab.com" 6 req_header = {'User-Agent':'Mozilla/5.0 (Windows NT 6.1) AppleWebKit/537.11 (KHTML, like Gecko) Chrome/23.0.1271.64 Safari/537.11', 7 'Accept':'text/html;q=0.9,*/*;q=0.8', 8 'Accept-Charset':'ISO-8859-1,utf-8;q=0.7,*;q=0.3', 9 'Accept-Encoding':'gzip', 10 'Connection':'close', 11 'Referer':None #注意如果依然不能抓取的话，这里可以设置抓取网站的host 12 } 13 req_timeout = 5 14 req = urllib2.Request(url,None,req_header) 15 resp = urllib2.urlopen(req,None,req_timeout) 16 html = resp.read() 17 print(html)
python3中（最新稳定版本python3.3）
1 #! /usr/bin/env python 2 # -*- coding=utf-8 -*- 3 # @Author pythontab 4 import urllib.request 5 6 url = "http://www.***.com" 7 headers = {'User-Agent':'Mozilla/5.0 (Windows NT 6.1) AppleWebKit/537.11 (KHTML, like Gecko) Chrome/23.0.1271.64 Safari/537.11', 8 'Accept':'text/html;q=0.9,*/*;q=0.8', 9 'Accept-Charset':'ISO-8859-1,utf-8;q=0.7,*;q=0.3', 10 'Accept-Encoding':'gzip', 11 'Connection':'close', 12 'Referer':None #注意如果依然不能抓取的话，这里可以设置抓取网站的host 13 } 14 15 opener = urllib.request.build_opener() 16 opener.addheaders = [headers] 17 data = opener.open(url).read() 18 19 print(data)
