常用網(wǎng)絡(luò)爬蟲模塊是什么

小編給大家分享一下常用網(wǎng)絡(luò)爬蟲模塊是什么，希望大家閱讀完這篇文章后大所收獲，下面讓我們一起去探討吧！

urllib模塊

urllib庫(kù)是python中自帶的模塊，也是一個(gè)最基本的網(wǎng)絡(luò)請(qǐng)求庫(kù)，該模塊提供了一個(gè)urlopen()方法，通過(guò)該方法指定URL發(fā)送網(wǎng)絡(luò)請(qǐng)求來(lái)獲取數(shù)據(jù)。

urllib 是一個(gè)收集了多個(gè)涉及 URL 的模塊的包

urllib.request 打開(kāi)和讀取 URL

三行代碼即可爬取百度首頁(yè)源代碼：

import urllib.request
# 打開(kāi)指定需要爬取的網(wǎng)頁(yè)
response=urllib.request.urlopen('http://www.baidu.com')
# 或者是 
# from urllib import request
# response = request.urlopen('http://www.baidu.com')
# 打印網(wǎng)頁(yè)源代碼
print(response.read().decode())

加入decode()是為了避免出現(xiàn)下圖中十六進(jìn)制內(nèi)容

加入decode()進(jìn)行解碼后

下面三種本篇將不做詳述

urllib.error 包含 urllib.request 拋出的異常

urllib.parse 用于解析 URL

urllib.robotparser 用于解析 robots.txt 文件

requests模塊

requests模塊是python中實(shí)現(xiàn)HTTP請(qǐng)求的一種方式，是第三方模塊，該模塊在實(shí)現(xiàn)HTTP請(qǐng)求時(shí)要比urllib模塊簡(jiǎn)化很多，操作更加人性化。

以GET請(qǐng)求為例：

import requests
response = requests.get('http://www.baidu.com/')
print('狀態(tài)碼：', response.status_code)
print('請(qǐng)求地址：', response.url)
print('頭部信息：', response.headers)
print('cookie信息：', response.cookies)
# print('文本源碼：', response.text)
# print('字節(jié)流源碼：', response.content)

輸出結(jié)果如下：

狀態(tài)碼： 200
請(qǐng)求地址： http://www.baidu.com/
頭部信息： {'Cache-Control': 'private, no-cache, no-store, proxy-revalidate, no-transform', 'Connection': 'keep-alive', 'Content-Encoding': 'gzip', 'Content-Type': 'text/html', 'Date': 'Sun, 10 May 2020 02:43:33 GMT', 'Last-Modified': 'Mon, 23 Jan 2017 13:28:23 GMT', 'Pragma': 'no-cache', 'Server': 'bfe/1.0.8.18', 'Set-Cookie': 'BDORZ=27315; max-age=86400; domain=.baidu.com; path=/', 'Transfer-Encoding': 'chunked'}
cookie信息： <RequestsCookieJar[<Cookie BDORZ=27315 for .baidu.com/>]>

這里講解一下response.text和 response.content的區(qū)別:

response.content是直接從網(wǎng)絡(luò)上面抓取的數(shù)據(jù),沒(méi)有經(jīng)過(guò)任何解碼,所以是一個(gè) bytes類型

response.text是將response.content進(jìn)行解碼的字符串,解碼需要指定一個(gè)編碼方式, requests會(huì)根據(jù)自己的猜測(cè)來(lái)判斷編碼的方式,所以有時(shí)候可能會(huì)猜測(cè)錯(cuò)誤,就會(huì)導(dǎo)致解碼產(chǎn)生亂碼,這時(shí)候就應(yīng)該使用 response.content.decode(‘utf-8’)

進(jìn)行手動(dòng)解碼

以POST請(qǐng)求為例

import requests
data={'word':'hello'}
response = requests.post('http://www.baidu.com',data=data)
print(response.content)

請(qǐng)求headers處理

當(dāng)爬取頁(yè)面由于該網(wǎng)頁(yè)為防止惡意采集信息而使用反爬蟲設(shè)置，從而拒絕用戶訪問(wèn)，我們可以通過(guò)模擬瀏覽器的頭部信息來(lái)進(jìn)行訪問(wèn)，這樣就能解決反爬蟲設(shè)置的問(wèn)題。

通過(guò)瀏覽器進(jìn)入指定網(wǎng)頁(yè)，右擊鼠標(biāo)，選中“檢查”，選擇“Network”，刷新頁(yè)面后選擇第一條信息，右側(cè)消息頭面板將顯示下圖中請(qǐng)求頭部信息

例如：

import requests
url = 'https://www.bilibili.com/'
headers = {'user-agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/81.0.4044.129 Safari/537.36'}
response = requests.get(url, headers=headers)
print(response.content.decode())

網(wǎng)絡(luò)超時(shí)

在訪問(wèn)一個(gè)頁(yè)面，如果該頁(yè)面長(zhǎng)時(shí)間未響應(yīng)，系統(tǒng)就會(huì)判斷該網(wǎng)頁(yè)超時(shí)，所以無(wú)法打開(kāi)網(wǎng)頁(yè)。

例如：

import requests
url = 'http://www.baidu.com'
# 循環(huán)發(fā)送請(qǐng)求50次
for a in range(0, 50):
    try:
   # timeout數(shù)值可根據(jù)用戶當(dāng)前網(wǎng)速，自行設(shè)置
        response = requests.get(url, timeout=0.03) # 設(shè)置超時(shí)為0.03
        print(response.status_code)
    except Exception as e:
        print('異常'+str(e)) # 打印異常信息

部分輸出結(jié)果如下：

代理服務(wù)

設(shè)置代理IP可以解決不久前可以爬取的網(wǎng)頁(yè)現(xiàn)在無(wú)法爬取了，然后報(bào)錯(cuò)——由于連接方在一段時(shí)間后沒(méi)有正確答復(fù)或連接的主機(jī)沒(méi)有反應(yīng)，連接嘗試失敗的問(wèn)題。

以下網(wǎng)站可以提供免費(fèi)代理IP
https://www.xicidaili.com/

例如：

import requests
# 設(shè)置代理IP
proxy = {'http': '117.45.139.139:9006',
         'https': '121.36.210.88:8080'
         }
# 發(fā)送請(qǐng)求
url = 'https://www.baidu.com'
response = requests.get(url, proxies=proxy)
# 也就是說(shuō)如果想取文本數(shù)據(jù)可以通過(guò)response.text
# 如果想取圖片，文件，則可以通過(guò) response.content
# 以字節(jié)流的形式打印網(wǎng)頁(yè)源代碼,bytes類型
print(response.content.decode())
# 以文本的形式打印網(wǎng)頁(yè)源代碼，為str類型
print(response.text) # 默認(rèn)”iso-8859-1”編碼，服務(wù)器不指定的話是根據(jù)網(wǎng)頁(yè)的響應(yīng)來(lái)猜測(cè)編碼。

Beautiful Soup模塊

Beautiful Soup模塊是一個(gè)用于HTML和XML文件中提取數(shù)據(jù)的python庫(kù)。Beautiful Soup模塊自動(dòng)將輸入的文檔轉(zhuǎn)換為Unicode編碼，輸出文檔轉(zhuǎn)換為UTF-8編碼，你不需要考慮編碼方式，除非文檔沒(méi)有指定一個(gè)編碼方式，這時(shí)，Beautiful Soup就不能自動(dòng)識(shí)別編碼方式了，然后，僅僅需要說(shuō)明一下原始編碼方式就可以了。

例如：

from bs4 import BeautifulSoup
html_doc = """
<html><head><title>The Dormouse's story</title></head>
<body>
<p class="title"><b>The Dormouse's story</b></p>
<p class="story">Once upon a time there were three little sisters; and their names were
<a href="http://example.com/elsie" class="sister" id="link1">Elsie</a>,
<a href="http://example.com/lacie" class="sister" id="link2">Lacie</a> and
<a href="http://example.com/tillie" class="sister" id="link3">Tillie</a>;
and they lived at the bottom of a well.</p>
<p class="story">...</p>
"""
# 創(chuàng)建對(duì)象
soup = BeautifulSoup(html_doc, features='lxml')
# 或者創(chuàng)建對(duì)象打開(kāi)需要解析的html文件
# soup = BeautifulSoup(open('index.html'), features='lxml')
print('源代碼為：', soup)# 打印解析的HTML代碼

運(yùn)行結(jié)果如下：

<html><head><title>The Dormouse's story</title></head>
<body>
<p class="title"><b>The Dormouse's story</b></p>
<p class="story">Once upon a time there were three little sisters; and their names were
<a class="sister" href="http://example.com/elsie" id="link1">Elsie</a>,
<a class="sister" href="http://example.com/lacie" id="link2">Lacie</a> and
<a class="sister" href="http://example.com/tillie" id="link3">Tillie</a>;
and they lived at the bottom of a well.</p>
<p class="story">...</p>
</body></html>

用Beautiful Soup爬取百度首頁(yè)標(biāo)題

from bs4 import BeautifulSoup
import requests
response = requests.get('http://news.baidu.com')
soup = BeautifulSoup(response.text, features='lxml')
print(soup.find('title').text)

運(yùn)行結(jié)果如下：

百度新聞——海量中文資訊平臺(tái)

看完了這篇文章，相信你對(duì)常用網(wǎng)絡(luò)爬蟲模塊是什么有了一定的了解，想了解更多相關(guān)知識(shí)，歡迎關(guān)注億速云行業(yè)資訊頻道，感謝各位的閱讀！