Python网络爬虫部分

  • Z时代
  • 2024-01-10
  • 分类：综合

python

CSDN博客的爬取（链接的爬取）

糗事百科段子爬取（内容的爬取）

用户代理池构建实战

前面已经学会如何构建用户代理，那么用户代理池如何构建呢？所谓的用户代理池，即将不同的用户代理组建成为一个池子，随后随机调用。

IP代理与IP代理池的构建的两种方案

IP代理概述
IP代理是指让爬虫使用代理IP去爬取对方的网站

使用urllib.request.ProxyHandler()来设置对应的代理服务器信息，设置格式为：urllib.request.ProxyHandler({“http”:代理服务器地址})
上面设置完后，要进行初始化，使用urllib.request.build_opener(代理信息,urllib.request.HTTPHandler)创建一个自定义的opener对象，第一个参数代理信息，第二个参数为urllib.request.HTTPHandler类
为了方便，使用urllib.request.install_opener()创建全局默认的opener对象，那么在使用urlopen()时，会使用安装的opener对象
若打开使用wb形式，则不需要转码，因为是wb是使用二进制形式写入；若打开用w形式，则需要转码decode

IP代理池构建
第一种方式：使用随机代理池调用IP代理池的构建（适合于代理IP稳定的情况）

第二种方式：通过接口调用法实现IP代理池的构建
？？？待研究

淘宝商品图片爬虫实战

#淘宝商品图片爬虫
import urllib.request
import re
import random
keyname="连衣裙"
key=urllib.request.quote(keyname)
uapools=[
    "Mozilla/5.0 (Windows NT 10.0; WOW64; Trident/7.0; rv:11.0) like Gecko",
    "Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/65.0.3314.0 Safari/537.36 SE 2.X MetaSr 1.0",
    "Mozilla/5.0 (Windows; U; Windows NT 6.1; ) AppleWebKit/534.12 (KHTML, like Gecko) Maxthon/3.0 Safari/534.12"
    ]
def ua(uapools):
    thisua=random.choice(uapools)
    print(thisua)
    headers=("User-Agent",thisua)
    opener=urllib.request.build_opener()
    opener.addheaders=[headers]
    #安装为全局
    urllib.request.install_opener(opener)
for i in range(1,101):
    url="https://s.taobao.com/search?q="+key+"&s="+str((i-1)*44)    
    ua(uapools)
    data=urllib.request.urlopen(url).read().decode("utf-8","ignore")
    pat=\'pic_url":"//(.*?)"\'
    imglist=re.compile(pat).findall(data)
    print(imglist)
    for j in range(0,len(imglist)):
        thisimg=imglist[j]        
        thisimgurl="http://"+thisimg
        lockfile="D:/Python练习/淘宝图片/"+str(i)+str(j)+".jpg"
        urllib.request.urlretrieve(thisimgurl,filename=localfile)

以上是 Python网络爬虫部分 的全部内容， 来源链接： utcz.com/z/388478.html

回到顶部