开始学习Python爬虫-简单的爬取网站和简单的防反爬
今天开始学习Python爬虫的知识,学习了最基础的爬取网页的知识。我爬取了两个网站作为测试,一个是测试网站,
一个就是豆瓣网的top250的网页,爬取成功了。
我们首先需要用到import requests
这是爬取网页的最基本方法:
import requests response = requests.get("http://books.toscrape.com/") if response.ok: print("请求成功") print(response.text) else: print("请求失败")
对于有简单反爬机制的网站,我们可以用简单的方式伪装一下,让这些网站认为我们是浏览器访问的
比如豆瓣,我们可以先打开随便一个网站,点击f12,再点击NetWork,然后刷新一下,选择Request Headers,
找到User-Agent这一行,复制:
直接用百度的:
我们把上面的东西复制下来:
headers = { "User-Agent":"Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/111.0.0.0 Safari/537.36" }
爬取豆瓣网的python代码:
import requests from bs4 import BeautifulSoup headers = { "User-Agent":"Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/111.0.0.0 Safari/537.36" } content = requests.get("https://movie.douban.com/top250",headers=headers).text soup = BeautifulSoup(content, "html.parser") print(soup.p)