ホームページ > バックエンド開発 > Python チュートリアル > Python2 と Python3 を使用してブラウザを偽装し、Web コンテンツをクロールする

Python2 と Python3 を使用してブラウザを偽装し、Web コンテンツをクロールする

高洛峰
リリース: 2016-10-18 13:55:38
オリジナル
1986 人が閲覧しました

Python Web ページのクロール機能は非常に強力で、urllib または urllib2 を使用して Web ページのコンテンツを簡単にクロールできます。ただし、多くの Web サイトには収集防止機能が備わっている可能性があるため、必要なコンテンツをキャプチャするのはそれほど簡単ではないという事実に注意を払う必要があることがよくあります。

今日は、Python2 と Python3 をダウンロードするときに、ブラウザーをシミュレートしてブロックとクロールをスキップする方法を共有します。

最も基本的なクロール:

#! /usr/bin/env python
# -*- coding=utf-8 -*-
# @Author pythontab
import urllib.request
url = "http://www.pythontab.com"
html = urllib.request.urlopen(url).read()
print(html)
ログイン後にコピー

しかし...一部のWebサイトはクロールできず、収集防止設定があるため、方法を変更する必要があります

python2 (最新の安定バージョンpython2.7)

#! /usr/bin/env python
# -*- coding=utf-8 -*-
# @Author pythontab.com
import urllib2
url="http://pythontab.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)
ログイン後にコピー

python3 (最新の安定バージョン python3.3)

#! /usr/bin/env python
# -*- coding=utf-8 -*-
# @Author pythontab
import urllib.request
  
url = "http://www.pythontab.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)
ログイン後にコピー


関連ラベル:
ソース:php.cn
このウェブサイトの声明
この記事の内容はネチズンが自主的に寄稿したものであり、著作権は原著者に帰属します。このサイトは、それに相当する法的責任を負いません。盗作または侵害の疑いのあるコンテンツを見つけた場合は、admin@php.cn までご連絡ください。
人気のチュートリアル
詳細>
最新のダウンロード
詳細>
ウェブエフェクト
公式サイト
サイト素材
フロントエンドテンプレート