Python做簡單爬蟲（urllib.request怎么抓取https以及偽裝瀏覽器訪問的方法）

一：抓取簡單的頁面：

用Python來做爬蟲抓取網站這個功能很強大，今天試着抓取了一下百度的首頁，很成功，來看一下步驟吧

首先需要准備工具：

1.python:自己比較喜歡用新的東西，所以用的是Python3.6,python下載地址：https://www.python.org/

2.開發工具：用Python的編譯器即可（小巧），不過自己由於之前一直做得前端，使用的webstrom，所以選擇JetBrains 公司的PyCharm,下載地址：https://www.jetbrains.com/zh/pycharm/specials/pycharm/pycharm.html?utm_source=baidu&utm_medium=cpc&utm_campaign=cn-bai-pro-pycharm-ex-pc&utm_content=pycharm-download&utm_term=pycharm%E4%B8%8B%E8%BD%BD

3.Fiddler -- 網頁請求監控工具，我們可以使用它來了解用戶觸發網頁請求后發生的詳細步驟；（自行百度下載）

 

了解Python中urllib庫

Python2系列使用的是urllib2，Python3后將其全部整合為urllib，

在2中：

urllib2.urlopen(url, data=None, [timeout, ]*, cafile=None, capath=None, cadefault=False, context=None)

urllib2.Request(url, data=None, headers={}, origin_req_host=None, unverifiable=False, method=None)

　3中是

urllib.request.urlopen(url, data=None, [timeout, ]*, cafile=None, capath=None, cadefault=False, context=None)

urllib.request.Request(url, data=None, headers={}, origin_req_host=None, unverifiable=False, method=None)

 #這個函數看起來接受很多的參數啊，不過很多我們平時不會用到，用到的url居多。

　很明顯，我用后者

 

　簡單爬蟲代碼

　

#encoding:UTF-8
import urllib.request

url = "https://www.douban.com/ "
data = urllib.request.urlopen(url).read()
data = data.decode('UTF-8')
print(data)

效果如下：

 

 

二：抓取需要偽裝瀏覽器的網站

但是一個小小的百度首頁怎能滿足我，於是我又想到了一些需要需要偽裝瀏覽器才能抓取的網站，比如豆瓣，

1.偽裝瀏覽器：

對於一些需要登錄的網站，如果不是從瀏覽器發出的請求，則得不到響應。所以，我們需要將爬蟲程序發出的請求偽裝成瀏覽器正規軍。
具體實現：自定義網頁請求報頭。

 

2.、使用Fiddler查看請求和響應報頭

打開工具Fiddler，然后再瀏覽器訪問“https://www.douban.com/”，在Fiddler左側訪問記錄中，找到“200 HTTPS www.douban.com”這一條，點擊查看其對應的請求和響應報頭具體內容：

 

 3.進行訪問：

import urllib.request

import ssl

ssl._create_default_https_context = ssl._create_stdlib_context

# 定義保存函數
def saveFile(data):
    path = "F:\\pachong\\02_douban.out"
    f = open(path, 'wb')
    f.write(data)
    f.close()


# 網址
url = "https://www.douban.com/"
headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) '
                         'Chrome/51.0.2704.63 Safari/537.36'}
req = urllib.request.Request(url=url, headers=headers)

res = urllib.request.urlopen(req)

data = res.read()

# 也可以把爬取的內容保存到文件中
saveFile(data)

data = data.decode('utf-8')
# 打印抓取的內容
print(data)

# 打印爬取網頁的各類信息
print(type(res))
print(res.geturl())
print(res.info())
print(res.getcode()) 

我們來看這段代碼：

import ssl

ssl._create_default_https_context = ssl._create_stdlib_context

這句是為了能獲取到https而插入的代碼，沒他沒法獲取https

輸出結果：