手动爬虫之流程笔记1(python3)

一、引入拓展库

　　由于刚刚起步学习爬虫，故从urllib库开始

　　首先引入urllib，这里主要用到urllib中request类

import urllib.request as ur

二、设置全局参数

　　我把它分为三个变量：代理服务器IP、目标网址、存放路径。　

# 代理服务器的地址
proxy_add = "110.183.238.145:811"
# 获取目标网址
url = "https://www.baidu.com"
# 设置目标文档（路径+文件名【包括后缀】）
aim_file = "E:/workspace/PyCharm/codeSpace/books/python_web_crawler_book/chapter4/demo2/1.html"

三、将爬虫模拟成浏览器访问页面

　　由于urlopen不支持一些HTTP的高级功能，所以要想达到预期的访问效果，有两种方式。

　　一是使用build_opener()修改报头，二是使用add_header()添加报头。本人更加倾向于第二种，使用方法如下

# 添加报头
req = ur.Request(url)
req.add_header('User-Agent', 'Mozilla/5.0 (Windows NT 10.0; WOW64; rv:52.0) Gecko/20100101 Firefox/52.0')

四、设置服务器代理

# 设置代理
proxy = ur.ProxyHandler({'http': proxy_add})
opener = ur.build_opener(proxy, ur.HTTPHandler)
ur.install_opener(opener)

五、爬行页面并信息存档

# 读取数据
info = ur.urlopen(req).read()
fh = open(aim_file, "wb")
# 信息转档
fh.write(info)
# 关闭文件
fh.close()

六、源代码：

 import urllib.request as ur

 # 代理服务器的地址
 proxy_add = "110.183.238.145:811"
 # 获取目标网址
 url = "https://www.baidu.com"
 # 设置目标文档（路径+文件名【包括后缀】）
 aim_file = "E:/workspace/PyCharm/codeSpace/books/python_web_crawler_book/chapter4/demo2/1.html"

 # 添加报头
 req = ur.Request(url)
 req.add_header('User-Agent', 'Mozilla/5.0 (Windows NT 10.0; WOW64; rv:52.0) Gecko/20100101 Firefox/52.0')

 # 设置代理
 proxy = ur.ProxyHandler({'http': proxy_add})
 opener = ur.build_opener(proxy, ur.HTTPHandler)
 ur.install_opener(opener)

 # 读取数据
 data = ur.urlopen(req).read()
 # 文件指向
 fh = open(aim_file, "wb")
 # 信息转档
 fh.write(data)
 # 关闭文件
 fh.close()