前往小程序,Get更优阅读体验!
立即前往
首页
学习
活动
专区
工具
TVP
发布
社区首页 >专栏 >7、web爬虫讲解2—urllib库爬虫—状态吗—异常处理—浏览器伪装技术、设置用户代理

7、web爬虫讲解2—urllib库爬虫—状态吗—异常处理—浏览器伪装技术、设置用户代理

原创
作者头像
天降攻城狮
修改2019-07-05 09:45:34
6800
修改2019-07-05 09:45:34
举报
文章被收录于专栏:分布式爬虫分布式爬虫

转:

##【http://bdy.lqkweb.com

##【http://www.swpan.cn

如果爬虫没有异常处理,那么爬行中一旦出现错误,程序将崩溃停止工作,有异常处理即使出现错误也能继续执行下去

1.常见状态码

301:重定向到新的URL,永久性

302:重定向到临时URL,非永久性

304:请求的资源未更新

400:非法请求

401:请求未经授权

403:禁止访问

404:没找到对应页面

500:服务器内部出现错误

501:服务器不支持实现请求所需要的功能

2.异常处理

URLError捕获异常信息

代码语言:txt
复制
#!/usr/bin/env python
# -*- coding: utf-8 -*-

import urllib.request
import urllib.error

try:                                    #尝试执行里面的内容
    html = urllib.request.urlopen('http://www.xiaohuar.com/').read().decode("utf-8")
    print(html)

except urllib.error.URLError as e:      #如果出现错误
    if hasattr(e,"code"):               #如果有错误代码
        print(e.code)                   #打印错误代码
    if hasattr(e,"reason"):             #如果有错误信息
        print(e.reason)                 #打印错误信息

#返回   说明网站禁止了爬虫访问
# 403
# Forbidden浏览器伪装技术很多网站,做了反爬技术,一般在后台检测请求头信息里是否有User-Agent浏览器信息,如果没有说明不是浏览器访问,就屏蔽了这次请求所以,我们需要伪装浏览器报头来请求#!/usr/bin/env python
# -*- coding: utf-8 -*-

import urllib.request
url = 'https://www.qiushibaike.com/'                    #抓取页面URL
tou = ('User-Agent','Mozilla/5.0 (Windows NT 10.0; WOW64; rv:54.0) Gecko/20100101 Firefox/54.0')  #设置模拟浏览器报头
b_tou = urllib.request.build_opener()               #创建请求对象
b_tou.addheaders=[tou]                              #添加报头
html = b_tou.open(url).read().decode("utf-8")       #开始抓取页面
print(html)注意:我们可以看到这次请求并不是用urlopen()方法请求的,此时用urlopen()无法请求,但是我们就会感觉到这样很费劲,难道每次请求都要创建build_opener(),所以我们需要设置使用urlopen()方法请求自动报头设置使用urlopen()方法请求自动报头,也就是设置用户代理install_opener()将报头信息设置为全局,urlopen()方法请求时也会自动添加报头

#!/usr/bin/env python

-- coding: utf-8 --

import urllib.request

#设置报头信息

tou = ('User-Agent','Mozilla/5.0 (Windows NT 10.0; WOW64; rv:54.0) Gecko/20100101 Firefox/54.0') #设置模拟浏览器报头

b_tou = urllib.request.build_opener() #创建请求对象

b_tou.addheaders=tou #添加报头到请求对象

#将报头信息设置为全局,urlopen()方法请求时也会自动添加报头

urllib.request.install_opener(b_tou)

#请求

url = 'https://www.qiushibaike.com/'

html = urllib.request.urlopen(url).read().decode("utf-8")

print(html)

代码语言:txt
复制

创建用户代理池

代码语言:txt
复制

#!/usr/bin/env python

-- coding: utf-8 --

import urllib.request

import random #引入随机模块文件

def yh_dl(): #创建用户代理池

代码语言:txt
复制
yhdl = [
代码语言:txt
复制
    'Mozilla/5.0 (Windows; U; Windows NT 6.1; en-us) AppleWebKit/534.50 (KHTML, like Gecko) Version/5.1 Safari/534.50',
代码语言:txt
复制
    'Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; Trident/5.0',
代码语言:txt
复制
    'Mozilla/4.0 (compatible; MSIE 8.0; Windows NT 6.0; Trident/4.0)',
代码语言:txt
复制
    'Mozilla/5.0 (Macintosh; Intel Mac OS X 10.6; rv:2.0.1) Gecko/20100101 Firefox/4.0.1',
代码语言:txt
复制
    'Mozilla/5.0 (Windows NT 6.1; rv:2.0.1) Gecko/20100101 Firefox/4.0.1',
代码语言:txt
复制
    'Opera/9.80 (Macintosh; Intel Mac OS X 10.6.8; U; en) Presto/2.8.131 Version/11.11',
代码语言:txt
复制
    'Opera/9.80 (Windows NT 6.1; U; en) Presto/2.8.131 Version/11.11',
代码语言:txt
复制
    'Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.1; Maxthon 2.0)',
代码语言:txt
复制
    'Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.1; TencentTraveler 4.0)',
代码语言:txt
复制
    'Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.1)',
代码语言:txt
复制
    'Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.1; The World)',
代码语言:txt
复制
    'Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.1; 360SE)',
代码语言:txt
复制
    'Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.1; Avant Browser)',
代码语言:txt
复制
    'Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.1)',
代码语言:txt
复制
    'Mozilla/5.0 (iPhone; U; CPU iPhone OS 4_3_3 like Mac OS X; en-us) AppleWebKit/533.17.9 (KHTML, like Gecko) Version/5.0.2 Mobile/8J2 Safari/6533.18.5',
代码语言:txt
复制
    'User-Agent:Mozilla/5.0 (iPod; U; CPU iPhone OS 4_3_3 like Mac OS X; en-us) AppleWebKit/533.17.9 (KHTML, like Gecko) Version/5.0.2 Mobile/8J2 Safari/6533.18.5',
代码语言:txt
复制
    'Mozilla/5.0 (iPad; U; CPU OS 4_3_3 like Mac OS X; en-us) AppleWebKit/533.17.9 (KHTML, like Gecko) Version/5.0.2 Mobile/8J2 Safari/6533.18.5',
代码语言:txt
复制
    'Mozilla/5.0 (Linux; U; Android 2.3.7; en-us; Nexus One Build/FRF91) AppleWebKit/533.1 (KHTML, like Gecko) Version/4.0 Mobile Safari/533.1',
代码语言:txt
复制
    'Opera/9.80 (Android 2.3.4; Linux; Opera Mobi/build-1107180945; U; en-GB) Presto/2.8.149 Version/11.10',
代码语言:txt
复制
    'Mozilla/5.0 (Linux; U; Android 3.0; en-us; Xoom Build/HRI39) AppleWebKit/534.13 (KHTML, like Gecko) Version/4.0 Safari/534.13',
代码语言:txt
复制
    'Mozilla/5.0 (BlackBerry; U; BlackBerry 9800; en) AppleWebKit/534.1+ (KHTML, like Gecko) Version/6.0.0.337 Mobile Safari/534.1+',
代码语言:txt
复制
    'Mozilla/5.0 (compatible; MSIE 9.0; Windows Phone OS 7.5; Trident/5.0; IEMobile/9.0; HTC; Titan)',
代码语言:txt
复制
    'UCWEB7.0.2.37/28/999',
代码语言:txt
复制
    'NOKIA5700/ UCWEB7.0.2.37/28/999',
代码语言:txt
复制
    'Openwave/ UCWEB7.0.2.37/28/999',
代码语言:txt
复制
    'Mozilla/4.0 (compatible; MSIE 6.0; ) Opera/UCWEB7.0.2.37/28/999'
代码语言:txt
复制
    ]
代码语言:txt
复制
thisua = random.choice(yhdl)                    #随机获取代理信息
代码语言:txt
复制
headers = ("User-Agent",thisua)                 #拼接报头信息
代码语言:txt
复制
opener = urllib.request.build_opener()          #创建请求对象
代码语言:txt
复制
opener.addheaders=[headers]                     #添加报头到请求对象
代码语言:txt
复制
urllib.request.install_opener(opener)           #将报头信息设置为全局,urlopen()方法请求时也会自动添加报头

#请求

yh_dl() #执行用户代理池函数

url = 'https://www.qiushibaike.com/'

html = urllib.request.urlopen(url).read().decode("utf-8")

print(html)

代码语言:txt
复制

这样爬虫会随机调用,用户代理,也就是随机报头,保证每次报头信息不一样

【转载自:http://www.lqkweb.com

原创声明:本文系作者授权腾讯云开发者社区发表,未经许可,不得转载。

如有侵权,请联系 cloudcommunity@tencent.com 删除。

原创声明:本文系作者授权腾讯云开发者社区发表,未经许可,不得转载。

如有侵权,请联系 cloudcommunity@tencent.com 删除。

评论
登录后参与评论
0 条评论
热度
最新
推荐阅读
目录
  • -- coding: utf-8 --
  • -- coding: utf-8 --
领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档