爬虫 -- httpx封装

本文介绍了一个使用 asyncio 和 ddddocr 的异步爬虫,它能进行网页抓取并利用 OCR 技术识别内容。核心内容包括随机生成 User-Agent,处理GET和POST请求,以及通过 DdddOcr 进行文字识别。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

代码

# -*- coding: utf-8 -*-
# @Author   : zbz

import asyncio
import random

import ddddocr
import httpx


class AsyncSpider:
    def __init__(self, ocr=False):
        self.ocr = ddddocr.DdddOcr() if ocr else None

    def get_ua(self) -> str:
        a = random.randint(55, 62)
        c = random.randint(0, 3200)
        d = random.randint(0, 140)
        os_type = [
            '(Windows NT 6.1; WOW64)', '(Windows NT 10.0; WOW64)', '(X11; Linux x86_64)',
            '(Macintosh; Intel Mac OS X 10_12_6)'
        ]
        chrome_version = 'Chrome/{}.0.{}.{}'.format(a, c, d)
        ua = ' '.join(
            ['Mozilla/5.0', random.choice(os_type), 'AppleWebKit/537.36',
             '(KHTML, like Gecko)', chrome_version, 'Safari/537.36']
        )
        return ua

    def only_ua(self) -> dict:
        headers = {
            "user-agent": self.get_ua()
        }
        return headers

    async def parse(self, url, method="GET", headers=None, params=None, cookies=None, data=None, json=None,
                    follow_redirects=True, timeout=3):
        if method == "GET":
            async with httpx.AsyncClient(proxies=None, verify=False) as cli:
                resp = await cli.get(url, headers=headers, params=params, cookies=cookies,
                                     follow_redirects=follow_redirects, timeout=timeout)
                return resp
        elif method == "POST":
            async with httpx.AsyncClient(proxies=None, verify=False) as cli:
                resp = await cli.post(url, headers=headers, params=params, cookies=cookies, data=data, json=json,
                                      follow_redirects=follow_redirects, timeout=timeout)
                return resp

    async def dddd_ident(self, param):
        if isinstance(param, str):
            resp = await self.parse(param)
            result = self.ocr.classification(resp.content).lower()
            return result
        elif isinstance(param, bytes):
            result = self.ocr.classification(param).lower()
            return result
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值