python爬蟲模擬瀏覽器的兩種方法實例分析

更新時間：2019年12月09日 11:24:57 作者：Uzizi

這篇文章主要介紹了python爬蟲模擬瀏覽器的兩種方法,結(jié)合實例形式分析了Python爬蟲模擬瀏覽器的兩種常見操作技巧與使用注意事項,需要的朋友可以參考下

本文實例講述了python爬蟲模擬瀏覽器的兩種方法。分享給大家供大家參考，具體如下：

爬蟲爬取網(wǎng)站出現(xiàn)403，因為站點做了防爬蟲的設置

一、Herders 屬性

爬取CSDN博客

import urllib.request
url = "http://blog.csdn.net/hurmishine/article/details/71708030"file = urllib.request.urlopen(url)

爬取結(jié)果

urllib.error.HTTPError: HTTP Error 403: Forbidden

這就說明CSDN做了一些設置，來防止別人惡意爬取信息

所以接下來，我們需要讓爬蟲模擬成瀏覽器

任意打開一個網(wǎng)頁，比如打開百度,然后按F12，此時會出現(xiàn)一個窗口，我們切換到Network標簽頁，然后點擊刷新網(wǎng)站，選中彈出框左側(cè)的“www.baidu.com”，即下圖所示：

往下拖動我們會看到“User-Agent”字樣的一串信息，沒錯這就是我們想要的東西。我們將其復制下來。

此時我們得到的信息是：”Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/58.0.3029.110 Safari/537.36”

接下來我們可以用兩種方式來模擬瀏覽器訪問網(wǎng)頁。

二、方法1：使用build_opener()修改報頭

由于urlopen()不支持一些HTTP的高級功能，所以我們需要修改報頭?？梢允褂胾rllib.request.build_opener()進行，我們修改一下上面的代碼：

import urllib.request
url = "http://blog.csdn.net/hurmishine/article/details/71708030"headers = ("User-Agent","Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/58.0.3029.110 Safari/537.36")
opener = urllib.request.build_opener()
opener.addheaders = [headers]
data = opener.open(url).read()
print(data)

上面代碼中我們先定義一個變量headers來儲存User-Agent信息，定義的格式是(“User-Agent”,具體信息)
具體信息我們上面已經(jīng)獲取到了，這個信息獲取一次即可，以后爬取其他網(wǎng)站也可以用，所以我們可以保存下來，不用每次都F12去找了。

然后我們用urllib.request.build_opener()創(chuàng)建自定義的opener對象并賦值給opener，然后設置opener的addheaders，就是設置對應的頭信息，格式為：“opener(對象名).addheaders = [頭信息(即我們儲存的具體信息)]”，設置好后我們就可以使用opener對象的open()方法打開對應的網(wǎng)址了。格式:“opener(對象名).open(url地址)”打開后我們可以使用read()方法來讀取對應數(shù)據(jù)，并賦值給data變量。

得到輸出結(jié)果

b'\r\n<!DOCTYPE html PUBLIC "-//W3C//DTD XHTML 1.0 Transitional//EN" "http://www.w3.org/TR/xhtml1/DTD/xhtml1-strict.dtd">\r\n \r\n <html xmlns="http://www.w3.org/1999/xhtml">\r\n \r\n<head> \r\n\r\n <link rel="canonical" rel="external nofollow" /> ...

三、方法2：使用add_header()添加報頭

除了上面的這種方法，還可以使用urllib.request.Request()下的add_header()實現(xiàn)瀏覽器的模擬。

先上代碼

import urllib.request
url = "http://blog.csdn.net/hurmishine/article/details/71708030"req = urllib.request.Request(url)
req.add_header('User-Agent','Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/58.0.3029.110 Safari/537.36')
data = urllib.request.urlopen(req).read()
print(data)

好，我們來分析一下。

導入包，定義url地址我們就不說了，我們使用urllib.request.Request(url)創(chuàng)建一個Request對象，并賦值給變量req，創(chuàng)建Request對象的格式：urllib.request.Request(url地址)

隨后我們使用add_header()方法添加對應的報頭信息，格式：Request(對象名).add_header(‘對象名'，'對象值')

現(xiàn)在我們已經(jīng)設置好了報頭，然后我們使用urlopen()打開該Request對象即可打開對應的網(wǎng)址，多以我們使用

data = urllib.request.urlopen(req).read()打開了對應的網(wǎng)址，并讀取了網(wǎng)頁內(nèi)容，并賦值給data變量。

以上，我們使用了兩種方法實現(xiàn)了爬蟲模擬瀏覽器打開網(wǎng)址，并獲取網(wǎng)址的內(nèi)容信息，避免了403錯誤。

值得我們注意的是，方法1中使用的是addheaders()方法，方法2中使用的是add_header()方法，注意末尾有無s以及有無下劃線的區(qū)別

希望本文所述對大家Python程序設計有所幫助。

您可能感興趣的文章: