python爬虫小实例

一个带异常处理的小例子

由于爬虫运行的时候可能会出现访问不成功,而获取失败程序就崩溃就不对了。也许我们可以忽略它或者发个通知呢。
代码如下:

1
2
3
4
5
6
7
8
9
import requests
url="http://www.cnblogs.com/hjw1"
try:
r=requests.get(url)
r.raise_for_status()
print(r.encoding)
print(r.text)
except:
print("failed")

r.raise_for_status()的功能是判断返回的状态码,如果状态码不是200,则抛出异常

这里输出了一下网页编码,是utf-8可以正常输出,不用修改。如果编码不对造成中文乱码,可以用
r.encoding=r.apparent_encoding修改为解析的编码

解决网站爬虫限制

有些网站限制了网络请求的来源,来阻止爬虫。一般是通过user-agent属性来区分。
通过print(r.request.headers)来查看user-agent属性。

requests库写的代码默认user-agent是python-requests/x.xx.x(x表示版本号)。如果访问不成功,可尝试修改user-agent属性。
方法如下:

  1. 先构建一个字典
    ua={"user-agent":"Mozilla/5.0"}
    其中”Mozilla/5.0”是浏览器的普遍标识。

  2. 在get方法里面加一个参数
    r=requests.get(url,headers=ua)
    这时就可以模仿浏览器访问了。
    完整代码:

1
2
3
4
5
6
7
import requests
url="http://www.cnblogs.com/hjw1"
ua={"user-agent":"Mozilla/5.0"}
r=requests.get(url)
print(r.request.headers)
r=requests.get(url,headers=ua)
print(r.request.headers)

结果:

爬虫获取百度搜索结果

方法一

百度搜索的搜索关键词是通过链接提交的,比如在百度搜索“环家伟”,答案页的链接为

1
https://www.baidu.com/s?wd=环家伟

这样就简单了,我们可以自己拼接url来实现百度搜索关键词提交

1
2
3
4
5
6
7
# coding: UTF-8
import requests
url="http://www.baidu.com/s?wd="
wd="环家伟"
url=url+wd
r=requests.get(url)
print(r.text)

第一行里面# coding: UTF-8是声明编码的,不写的话编译器将不能识别中文。
重点是这句,字符串拼接一下

1
2
3
url="http://www.baidu.com/s?wd="
wd="环家伟"
url=url+wd

这样就可以实现关键词提交
运行结果有点长,而且百度程序员还调皮的在代码代码加了很多换行。。。。

这样你打开就会很惊奇:百度程序员用两行代码写了一个网页?!!!
下面是运行结果:

方法二

刚刚已经实现了百度关键词提交。现在讲另一个方法来提交关键词。

1
2
3
4
5
6
7
 # coding: UTF-8
import requests
url="http://www.baidu.com/s"
kv={"wd":"环家伟"}
r=requests.get(url,params=kv)
r.encoding="utf-8"
print(r.text[:2000])

其中,这个网页不设置r.encoding是乱码的,所以设为utf-8
提交搜索词的方法也是构建一个字典键值对

1
kv={"wd":"环家伟"}

然后通过get方法传进去

1
r=requests.get(url,params=kv)

r.text[:2000]是取字符串0-2000的部分
tips:可以通过r.request.url来查看生成的链接

------ 本文结束 ------