主要内容
- Resquests 库获取网页源代码
- 使用 Selenium 库获取网页源代码
- 使用requests 库 和 Selenium 库爬取网页的优缺点
一、Resquests 库获取网页源代码
1.1 使用Requests 库获取百度新闻的网页源代码
-
具体代码:
import requests url = 'https://www.baidu/s?ie=utf-8&f=8&rsv_bp=1&rsv_idx=1&tn=baidu&wd=阿里巴巴' res = requests.get(url).text print(res)
-
获取到的网页源代码:
<html> <head> <script> location.replace(location.href.replace("https://","http://")); </script> </head> <body> <noscript><meta http-equiv="refresh" content="0;url=http://www.baidu/"></noscript> </body> </html>
-
可以看到没有获取到真正的网页源代码,这是因为百度新闻网站只认可浏览器发送的访问请求,不认可Python发送的访问请求。
-
解决方案:此时需要通过设置requests.get()函数的参数headers,以模拟浏览器进行访问。
headers = { "User-Agent":"Mozilla / 5.0(WindowsNT10.0;Win64;x64) AppleWebKit / 537.36(KHTML, likeGecko) Chrome / 103.0.5060.114Safari / 537.36Edg / 103.0.1264.62" }
-
1.2 改进版——模拟浏览器获取真实网址源代码
-
实现代码:
import requests url = 'https://www.baidu/s?ie=utf-8&f=8&rsv_bp=1&rsv_idx=1&tn=baidu&wd=阿里巴巴' headers = { "User-Agent":"Mozilla / 5.0(WindowsNT10.0;Win64;x64) AppleWebKit / 537.36(KHTML, likeGecko) Chrome / 103.0.5060.114Safari / 537.36Edg / 103.0.1264.62" } res = requests.get(url,headers=headers).text print(res)
1.3 关于 参数 headers 具体介绍
-
参数headers用于向网站提供访问者的信息,其中的User-Agent(用户代理)反映了访问者使用的是哪种浏览器
-
虽然有时不加headers也能获得网页的源代码(如爬取Python官网),但是headers的设置和使用并不麻烦,而且可以避免可能会出现的爬取失败,所以还是建议加上headers。
-
每次只需要只要记得在爬虫程序的最前面写上如下代码:
headers = { "User-Agent":"Mozilla / 5.0(WindowsNT10.0;Win64;x64) AppleWebKit / 537.36(KHTML, likeGecko) Chrome / 103.0.5060.114Safari / 537.36Edg / 103.0.1264.62" }
- 然后每次使用requests.get()函数访问网址时,加上headers=headers参数即可
1.4 Requests库的缺点
-
使用requests 库获取的是未经渲染的网页源代码,如果用它来爬取动态渲染的网页,就往往爬取不断我们想要的结果
-
快速验证网页是否被动态渲染的方法:
- 用右键快捷菜单查看网页源代码 ,若看到的网页源代码内容很少,也不包含用开发者工具能看到的信息,就可以判定用开发者工具看到的网页源代码是动态渲染后的结果
-
要从经过动态渲染的网页中爬取数据的办法:
- 需要使用Selenium库打开一个模拟器访问网页,然后获取渲染后的网页源代码
二、使用 Selenium 库获取网页源代码
2.1 模拟浏览器以及Selenium 库的安装
- 要使用Selenium库爬取数据,除了需要为Python安装Selenium库,还需要安装一个模拟浏览器(详细安装步骤看博客4)。Selenium库控制这个模拟浏览器去访问网页,才能获取网页源代码。
2.2 获取网页源代码
-
使用Selenium库获取新浪财经股票信息
import time from selenium import webdriver browser = webdriver.Chrome() browser.get('https://finance.sina/stock/') data = browser.page_source # 核心代码 print(data) time.sleep(1000)
-
使用下面的代码,就能关闭模拟浏览器
browser.quit()
三、使用requests 库 和 Selenium 库爬取网页的优缺点
- 因为Requests库是直接访问网页,爬取速度非常快;而Selenium库要先打开模拟浏览器再访问网页,导致爬取速度较慢
- 如果说Requests库可以爬取50%的网站,那么Selenium库可以爬取95%的网站,大部分爬取难度较高的网站都可以用Selenium库获取网页源代码
- 实战中通常将这两个库结合使用,实现优势互补:如果用Requests库能获取到需要的网页源代码,那么优先使用Requests库进行爬取;如果用Requests库获取不到,再使用Selenium库进行爬取。
如果觉得文章不错,可以给我点赞鼓励一下我,欢迎收藏
关注我,我们一起学习,一起进步!!!
更多推荐
03.获取网页源代码
发布评论