admin管理员组文章数量:1794759
03.获取网页源代码
主要内容
-
具体代码：
import requests url = '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("","")); </script> </head> <body> <noscript><meta http-equiv="refresh" content="0;url=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" }
-
-
实现代码：
import requests url = '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)
-
参数headers用于向网站提供访问者的信，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
-
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，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
- 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。
-
使用Selenium库获取新浪财经股票信
import time from selenium import webdriver browser = webdriver.Chrome() browser.get('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()
- 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！！！
版权声明：本文标题：03.获取网页源代码 内容由林淑君副主任自发贡献，该文观点仅代表作者本人， 转载请联系作者并注明出处：http://www.xiehuijuan.com/baike/1686623090a87529.html， 本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容，一经查实，本站将立刻删除。
发表评论