|
对python这个高级语言感兴趣的小伙伴，下面一起跟随编程之家 52php.cn的小编两巴掌来看看吧！
python网页抓取功能非常强大，使用urllib或者urllib2可以很轻松的抓取网页内容。但是很多时候我们要注意，可能很多网站都设置了防采集功能，不是那么轻松就能抓取到想要的内容。
今天我来分享下载python2和python3中都是如何来模拟浏览器来跳过屏蔽进行抓取的。
最基础的抓取：
# @param 分别用python2和python3伪装浏览器爬取网页内容
# @author 编程之家 52php.cn|www.52php.cn
#! /usr/bin/env python
# -*- coding=utf-8 -*-
# @Author 512pic
import urllib.request
url = "http://52php.cn"
html = urllib.request.urlopen(url).read(）
print(html)
但是...有些网站不能抓取，进行了防采集设置，所以我们要变换一下方法
python2中（最新稳定版本python2.7）
# @param 分别用python2和python3伪装浏览器爬取网页内容
# @author 编程之家 52php.cn|www.52php.cn
#! /usr/bin/env python
# -*- coding=utf-8 -*-
# @Author 52php.cn
import urllib2
url="http://52php.cn"
req_header = {'User-Agent':'Mozilla/5.0 (Windows NT 6.1) AppleWebKit/537.11 (KHTML,like Gecko) Chrome/23.0.1271.64 Safari/537.11','Accept':'text/html;q=0.9,*/*;q=0.8','Accept-Charset':'ISO-8859-1,utf-8;q=0.7,*;q=0.3','Accept-Encoding':'gzip','Connection':'close','Referer':None #注意如果依然不能抓取的话，这里可以设置抓取网站的host
}
req_timeout = 5
req = urllib2.Request(url,None,req_header)
resp = urllib2.urlopen(req,req_timeout)
html = resp.read()
print(html)
python3中（最新稳定版本python3.3）
#! /usr/bin/env python
# -*- coding=utf-8 -*-
# @Author 512pic
import urllib.request
url = "http://52php.cn"
headers = {'User-Agent':'Mozilla/5.0 (Windows NT 6.1) AppleWebKit/537.11 (KHTML,'Referer':None #注意如果依然不能抓取，这里可以设置抓取网站的host
}
opener = urllib.request.build_opener()
opener.addheaders = [headers]
data = opener.open(url).read()
print(data) （编辑：李大同）
【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!
|
