python3 爬虫五大模块之三：网页下载器

Python的爬虫框架主要可以分为以下五个部分：

爬虫调度器：用于各个模块之间的通信，可以理解为爬虫的入口与核心（main函数），爬虫的执行策略在此模块进行定义；

URL管理器：负责URL的管理，包括带爬取和已爬取的URL、已经提供相应的接口函数（类似增删改查的函数）

网页下载器：负责通过URL将网页进行下载，主要是进行相应的伪装处理模拟浏览器访问、下载网页

网页解析器：负责网页信息的解析，这里是解析方式视具体需求来确定

信息采集器：负责将解析后的信息进行存储、显示等处理

---

代码示例是爬取CSDN博主下的所有文章为例，文章仅作为笔记使用，理论知识rarely

一、网页下载器简介

网页下载器负责根据URL来下载网页。

很多网站有类似的简单防爬措施（比较复杂的我不清楚、目前也不会处理），因此在下载网页时需要进行模拟浏览器的操作，为request操作添加相应的信息。

框架如下：

'''
自定义Python伪代码
'''
   # 最简单的框架
   # 0. 添加头部信息 headers = {}
   # 1. 求请访问一个网站URL : request.Request(url, headers=headers)
   # 2. 获得请求应答: request.urlopen(url_request)
   # 3. 解析应答
     # 1）url_response.read(): 获取应答的数据内容
     # 2）decode('utf-8'): 将获取应答的数据内容转换为utf-8格式，便是观察显示

二、网页下载器示例：（爬取CSDN博主下的所有文章）

# author : sunzd
# date : 2019/3/22
# position: chengdu

from fake_useragent import UserAgent
from urllib import request
from urllib import error

class HtmlDownloader(object):
    def downloader(self, url):
        if url is None:
            print("downloader: Url is None")
            return None
        # 设置用户代理
        # headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/66.0.3359.139 Safari/537.36'}
        # 使用伪代理fake UserAgent进行访问
        headers = {'User-Agent': str(UserAgent().random)}
        # print(url)
        req = request.Request(url, headers=headers)

        try:
            html = request.urlopen(req).read()
        except error.URLError as e:
            print("download error:", e.reason)
            html = None

        return html

三、上述代码用到的知识点：

1. 职业生成模拟浏览器头部信息：

from fake_useragent import UserAgent

可以通过pip直接进行安装。在Pycharm下的安装如下：

     headers = {'User-Agent': str(UserAgent().random)}  # 构造头部信息

UserAgent() 可以生成多个浏览器的信息，UserAgent().random 则每次随机选取其中一个信息：

# author : sunzd
# date : 2019/3/23
# position: chengdu

'''
测试fake_useragent的信息
'''
from fake_useragent import UserAgent

users = UserAgent()
'''
users = UserAgent().data_browsers  # 浏览器类型
chrome
opera
firefox
internetexplorer
safari
'''
print(users.chrome)
print(users.opera)
print(users.firefox)
print(users.internetexplorer)
print(users.safari)
'''
Mozilla/5.0 (Windows NT 5.1) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/35.0.2117.157 Safari/537.36
Mozilla/4.0 (compatible; MSIE 8.0; Windows NT 6.1; de) Opera 11.01
Mozilla/5.0 (X11; Ubuntu; Linux x86_64; rv:17.0) Gecko/20100101 Firefox/17.0.6
Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; Trident/5.0) chromeframe/10.0.648.205
Mozilla/5.0 (Windows; U; Windows NT 6.0; ja-JP) AppleWebKit/533.20.25 (KHTML, like Gecko) Version/5.0.4 Safari/533.20.27
'''