python爬虫学习第一天

一个简单的爬虫程序

# -*-coding:utf-8-*-
from urllib.request import urlopen
url = "https://blog.csdn.net/weixin_53475254?spm=1000.2115.3001.5343"
resp = urlopen(url)
with open("my.html",mode = 'w',encoding='utf-8') as f:
    f.write(resp.read().decode('utf-8'))
print("ok")

库

urllib 为与网页相关的库，lib为库的缩写，下面是百度关于url的解释

from urllib.request import urlopen
代码的意思就是从urllib库的request模块里面引入urlopen函数

定义字符串来储存网站。

url = "https://blog.csdn.net/weixin_53475254?spm=1000.2115.3001.5343"

通过urlopen函数打开网站，返回一个对象，存储在resp中。

resp = urlopen(url)

以写的模式打开一个名为my.html的文件，通过read函数把和decode函数以"utf-8"编码方式将数据写入my,html中

with open("my.html",mode = 'w',encoding='utf-8') as f:
    f.write(resp.read().decode('utf-8'))

效果

得到文件，这个文件是网页的源码，在浏览器中打开就是对应的网页

总结

• 请求类型为GET和POST,分别用get和post函数来抓取。
• get的参数为params，post类的参数为data，且都必须通过字典传入
• 爬虫需要的3个基本要素
  • URL
  • 类型（GET，POST）
  • 参数(非必要)
• 一些简单的反爬虫机制：识别User-Agent
  正常的：

Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/91.0.4472.114 Safari/537.36

爬虫程序

{'User-Agent': 'python-requests/2.25.1', 'Accept-Encoding': 'gzip, deflate', 'Accept': '*/*', 'Connection': 'keep-alive'}

可以通过传入参数来绕过这个反爬机制（改变headers）

# -*-coding:utf-8-*-
import requests
url = "https://movie.douban.com/j/chart/top_list?type=24&interval_id=100%3A90&action=&start=0&limit=20"
header = {
"User-Agent": "Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/91.0.4472.114 Safari/537.36"
}
 
resp = requests.get(url=url,headers=header)
print(resp.json())
resp.close()