Python爬虫〇二———从几个简单的爬虫开始

下面，我们从几个简单的爬虫开始我们的爬虫之旅

通用爬虫

我们先来做一个通用的爬虫，作用是爬取一个搜索引擎的搜索结论。比方说用搜狗搜一下python这个关键字，注意看一下url：

 可以看出来这是个GET请求，参数可以直接看出来，也可以通过浏览器的抓包工具看一下

 

 上面的图里大概演示了从哪里找到抓包工具，选中的就是我们请求的内容。可以看看右边那个对话框中的Headers选项卡里的内容，讲了请求头和响应头

请求头

 响应头

 请求头中选中的那一行User-Agent是几乎所有爬虫都要设置的一个内容，——UA伪装。

UA伪装和UA策略

服务器在拿到请求的时候，可以通过请求头里的参数User-Agent获取到请求载体的身份标识，如果是浏览器的话就允许访问数据，否则就屏蔽掉。这应该就是最原始的反爬策略了。所以我们就给爬虫加了个UA伪装，让他假装是一个浏览器

#!/usr/bin/python3
import requests

if __name__ == '__main__':
    url = 'https://www.sogou.com/web'
    headers = {
            'User-Agent': 'Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/84.0.4147.105 Safari/537.36'
             }
    #处理url携带的参数
    kw = input('word:')

    param = {
        'query':kw
    }
    
    respon = requests.get(url,params=param,headers=headers)

    data = respon.text
    file_name ='./'+ kw+'.html'
    with open(file_name,'w',encoding='utf-8') as f:
        f.write(data)

上面就是最简单的爬虫了。param里的key是从GET请求的参数来的

 整个过程没什么难的，因为响应头里定义了数据的类型就是text，所以我们就在18行里的data就是respon.text的方式拿到数据的。

 AJAX响应页面的爬虫

 有很多的页面是通过AJAX请求来对页面部分刷新的，而这些刷新出来的内容正是我们需要的，这个爬虫要怎么做呢？

 其实我们主要就是想拿到输入框下面的内容，注意看一下我们每输入一个字母就会队页面进行一下刷新，所以这应该是个AJAX请求

还是要看看抓包工具里的几个重要的参数

上面说明了AJAX请求的URL和方法

 这里可以注意一下，返回的内容是个json对象 

看看输入do以后的请求带的参数，主要是query，其实其他的都可以暂时忽略。

所以我们可以根据上面的内容来组织代码

# !/usr/bin/python3
import requests

if __name__ == '__main__':
    url = 'https://fanyi.baidu.com/sug'
    headers = {
            'User-Agent': 'Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/84.0.4147.105 Safari/537.36'
    }

    word = input('word')

    data = {'kw':word}

    response = requests.post(url=url,headers=headers,data=data)

    with open('./'+word,'w') as f:
        f.write(response.json)

因为响应的内容是个json对象，所以最后一行的代码是response.json，这样就完成了数据的持久化。

总结

 从上面两个简单的爬虫入手，我们大概了解了如何通过浏览器的行为去构建一个爬虫。后面我们去爬一个稍微复杂的数据！