Python培训
400-996-5531
Python培训 > Python教程知识 > 正文
Python3爬虫知识详解
- 发布：Python培训
- 来源：Python教程知识
- 时间：2017-10-19 15:36
1概述
爬虫在Python中是个实现起来比较简单，关键在于网页的分析和内容的抓取。最近由于个人需要写了些内容，这里总结下爬虫相关的内容。
本文爬虫相关实现没有使用scrapy框架，通过urllib请求、bs4来实现。
2网络请求
网络请求部分用到urllib模块中的request类,如果需要控制 请求头或带请求数据的时候需要用到urllib.request的Request类。
l 发送一个简单的Get请求
l 发送Get请求，带请求头修改
l 发送带数据的Post请求
设置请求头部内容的方式：
l 通过Request对象添加
l 通过urllib.request.Request(headers={})关键字参数设置请求头
设置请求超时
l 对整个socket层设置超时，后面在再用到socket不用重新设置，单位秒
l 睡眠time模块
time.sleep(10)
l request.urlopen(req,timeout=15)
设置代理
1. 代理设置步骤
设置代理ProxyHandler、初始化opener、[设置请求头]、安装opener、使用urlopen
使用install_opener方法之后，会将程序默认的urlopen方法替换掉。也就是说，如果使用install_opener之后，在该文件中，再次调用urlopen会使用自己创建好的opener。如果不想替换掉，只是想临时使用一下，可以使用opener.open(url)，这样就不会对程序默认的urlopen有影响。
2. 获取代理IP。上面的步骤中需要用 带代理IP,网上可以找到很多免费的IP地址，这里我自己的实现是爬取的# 这个网站的
使用只需要
IP地址测试可以通过#/ 这个网站测试，代码如下
如果IP可用，返回的数据中会有我们请求的实际IP地址。
一次可以爬取到大约100个ip地址，不过不是所有都能用，如果使用的话，发现不能用就从list中移除，这样可以大大提高爬虫的效率。
3获取数据
爬取到网站内容后需要筛选获取我们需要的数据。这里使用bs4,即 Beautiful Soup.官方文档的：
#/software/BeautifulSoup/bs4/doc.zh/#id1
具体不再赘述。注意一点，有些请求接收的格式为gzip的，需要解压缩，不然会出现乱码的情况。
4总结
使用Python写网络爬虫非常方便，学会这个技能非常有用，如聚合我们需要的内容，分析网络数据，通知目标内容更新等 。
预约申请免费试听课
填写下面表单即可预约申请免费试听！ 怕学不会？助教全程陪读，随时解惑！担心就业？一地学习，可全国推荐就业！
Copyright © Tedu.cn All Rights Reserved 京ICP备08000853号-56 
京公网安备 11010802029508号 达内时代科技集团有限公司 版权所有
选择城市和中心
北京
黑龙江省
吉林省
内蒙古
河北省
陕西省
江苏省
湖北省
四川省
重庆
湖南省
江西省
贵州省
云南省
广西省
海南省
台湾