Python网络爬虫-你的第一个爬虫（requests库）
本帖最后由 测试积点老人 于 2019-1-14 14:22 编辑0.采用requests库虽然urllib库应用也很广泛，而且作为Python自带的库无需安装，但是大部分的现在python爬虫都应用requests库来处理复杂的http请求。requests库语法上简洁明了，使用上简单易懂，而且正逐步成为大多数网络爬取的标准。
1. requests库的安装采用pip安装方式，在cmd界面输入：pip install requests
2. 示例代码我们将处理http请求的头部处理来简单进行反反爬虫处理，以及代理的参数设置，异常处理等。import requests
def download(url, num_retries=2, user_agent='wswp', proxies=None):
'''下载一个指定的URL并返回网页内容
参数：
url(str): URL
关键字参数：
user_agent(str):用户代理（默认值：wswp）
proxies（dict）： 代理（字典）: 键：‘http’'https'
值：字符串（‘http(s)://IP’）
num_retries(int):如果有5xx错误就重试（默认：2）
#5xx服务器错误，表示服务器无法完成明显有效的请求。
#https://zh.wikipedia.org/wiki/HTTP%E7%8A%B6%E6%80%81%E7%A0%81
'''
print('==========================================')
print('Downloading:', url)
headers = {'User-Agent': user_agent} #头部设置，默认头部有时候会被网页反扒而出错
try:
resp = requests.get(url, headers=headers, proxies=proxies) #简单粗暴，.get(url)
html = resp.text #获取网页内容，字符串形式
if resp.status_code >= 400: #异常处理，4xx客户端错误 返回None
print('Download error:', resp.text)
html = None
if num_retries and 500 <= resp.status_code < 600:
# 5类错误
return download(url, num_retries - 1)#如果有服务器错误就重试两次
except requests.exceptions.RequestException as e: #其他错误，正常报错
print('Download error:', e)
html = None
return html #返回html
print(download('http://www.baidu.com'))
结果：Downloading: http://www.baidu.com
<!DOCTYPE html>
<!--STATUS OK-->
...
</script>
<script>
if(navigator.cookieEnabled){
document.cookie="NOJS=;expires=Sat, 01 Jan 2000 00:00:00 GMT";
}
</script>
</body>
</html>
支持分享
页:
[1]
