Python爬虫入门之一（获取页面响应）

最新推荐文章于 2024-10-08 20:38:32 发布

小文-007

最新推荐文章于 2024-10-08 20:38:32 发布

阅读量2.8k

点赞数

分类专栏： python

python 专栏收录该内容

23 篇文章

订阅专栏

本文介绍如何通过设置UserAgent和IP代理访问优快云网站，解决爬虫被封禁的问题，并提供错误处理示例。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

用户代理

以优快云为例，优快云不更改User Agent是无法访问的，使用User Agent只是为了模拟人的点击访问以便跳过爬虫检查

from urllib import request

if __name__ == '__main__':
    url = 'http://www.youkuaiyun.com/'
    head = {}  #设置响应头 
    head['User-Agent'] = 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/55.0.2883.87 Safari/537.36'
    req = request.Request(url,headers=head)
    #传入创建好的Request对象
    response = request.urlopen(req)
    #读取响应信息并解码
    html = response.read().decode('utf-8')    print(html)

仅仅使用用户代理还不够，下面讲讲IP代理的使用，User Agent已经设置好了，但是还应该考虑一个问题，程序的运行速度是很快的，如果我们利用一个爬虫程序在网站爬取东西，一个固定IP的访问频率就会很高，这不符合人为操作的标准，因为人操作不可能在几ms内，进行如此频繁的访问。所以一些网站会设置一个IP访问频率的阈值，如果一个IP访问频率超过这个阈值，说明这个不是人在访问，而是一个爬虫程序。

if __name__ == '__main__':
    url = 'http://www.whatismyip.com.tw/'
    proxy = {'http':'116.213.98.6:8080'}
    proxy_support = request.ProxyHandler(proxy)
    opener = request.build_opener(proxy_support)
    opener.addheaders = [('User-Agent','Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/55.0.2883.87 Safari/537.36')]
    response = opener.open(url)
    html = response.read().decode('utf-8')
    print(html)

下面简单讲讲错误处理，urllib.error包括URLError和HTTPError两部分

下面代码讲述了两种error的混合使用情况

from urllib import request
from urllib import error

'''urllib.error 包括URLError和HTTPError  '''

if __name__ == '__main__':
    #一个不存在的链接
    url = 'http://www.klkl002.com/'
    req = request.Request(url)
    try:
        response = request.urlopen(req)
        html = response.read().decode('utf-8')
        print(html)
    except error.URLError as e:
        if hasattr(e,'code'):
            print(e.code)
        elif hasattr(e,'reason'):
            print(e.reason)
              #  print(e.reason)  #输出结果为getAddrInfo failed
    #except error.HTTPError as e:
      #  print(e.code)    #输出结果为404 NOT FOUND