主要内容

  1. Resquests 库获取网页源代码
  2. 使用 Selenium 库获取网页源代码
  3. 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