分别用python2和python3伪装浏览器爬取网页内容

ybw8 9年前

python网页抓取功能非常强大,使用urllib或者urllib2可以很轻松的抓取网页内容。但是很多时候我们要注意,可能很多网站都设置了防采集功能,不是那么轻松就能抓取到想要的内容。

今天我来分享下载python2和python3中都是如何来模拟浏览器来跳过屏蔽进行抓取的。

最基础的抓取:

#! /usr/bin/env python  # -*- coding=utf-8 -*-  # @Author open  import urllib.request  url = "http://www.open-open.com"  html = urllib.request.urlopen(url).read()  print(html)


但是...有些网站不能抓取,进行了防采集设置,所以我们要变换一下方法

python2中(最新稳定版本python2.7)

#! /usr/bin/env python  # -*- coding=utf-8 -*-   # @Author open.com  import urllib2  url="http://open-open.com"  req_header = {'User-Agent':'Mozilla/5.0 (Windows NT 6.1) AppleWebKit/537.11 (KHTML, like Gecko) Chrome/23.0.1271.64 Safari/537.11',               'Accept':'text/html;q=0.9,*/*;q=0.8',               'Accept-Charset':'ISO-8859-1,utf-8;q=0.7,*;q=0.3',               'Accept-Encoding':'gzip',               'Connection':'close',               'Referer':None #注意如果依然不能抓取的话,这里可以设置抓取网站的host               }  req_timeout = 5  req = urllib2.Request(url,None,req_header)  resp = urllib2.urlopen(req,None,req_timeout)  html = resp.read()  print(html)

python3中(最新稳定版本python3.3)

#! /usr/bin/env python  # -*- coding=utf-8 -*-   # @Author open  import urllib.request     url = "http://www.open-open.com"  headers = {'User-Agent':'Mozilla/5.0 (Windows NT 6.1) AppleWebKit/537.11 (KHTML, like Gecko) Chrome/23.0.1271.64 Safari/537.11',               'Accept':'text/html;q=0.9,*/*;q=0.8',               'Accept-Charset':'ISO-8859-1,utf-8;q=0.7,*;q=0.3',               'Accept-Encoding':'gzip',               'Connection':'close',               'Referer':None #注意如果依然不能抓取,这里可以设置抓取网站的host               }     opener = urllib.request.build_opener()  opener.addheaders = [headers]  data = opener.open(url).read()  print(data)