python爬取网页文本_python2、python3 伪装浏览器爬取网页内容的简单示例

这篇文章主要为大家详细介绍了python2、python3 伪装浏览器爬取网页内容的简单示例，具有一定的参考价值，可以用来参考一下。

对python这个高级语言感兴趣的小伙伴，下面一起跟随512笔记的小编两巴掌来看看吧！

python网页抓取功能非常强大，使用urllib或者urllib2可以很轻松的抓取网页内容。但是很多时候我们要注意，可能很多网站都设置了防采集功能，不是那么轻松就能抓取到想要的内容。

今天我来分享下载python2和python3中都是如何来模拟浏览器来跳过屏蔽进行抓取的。

最基础的抓取：

# @param 分别用python2和python3伪装浏览器爬取网页内容

# @author 512笔记|512PiC.com

#! /usr/bin/env python

# -*- coding=utf-8 -*-

# @Author 512pic

import urllib.request

url = "http://www.512pic.com"

html = urllib.request.urlopen(url).read(）

print(html)

但是...有些网站不能抓取，进行了防采集设置，所以我们要变换一下方法

python2中（最新稳定版本python2.7）

# @param 分别用python2和python3伪装浏览器爬取网页内容

# @author 512笔记|512PiC.com

#! /usr/bin/env python

# -*- coding=utf-8 -*-

# @Author 512pic.com

import urllib2

url="http://512pic.com"

req_header = {'User-Agent':'Mozilla/5.0 (Windows NT 6.1) AppleWebKit/537.11 (KHTML, like Gecko) Chrome/23.0.1271.64 Safari/537.11',

'Accept':'text/html;q=0.9,*/*;q=0.8',

'Accept-Charset':'ISO-8859-1,utf-8;q=0.7,*;q=0.3',

'Accept-Encoding':'gzip',

'Connection':'close',

'Referer':None #注意如果依然不能抓取的话，这里可以设置抓取网站的host

}

req_timeout = 5

req = urllib2.Request(url,None,req_header)

resp = urllib2.urlopen(req,None,req_timeout)

html = resp.read()

print(html)

python3中（最新稳定版本python3.3）

#! /usr/bin/env python

# -*- coding=utf-8 -*-

# @Author 512pic

import urllib.request

url = "http://www.512pic.com"

headers = {'User-Agent':'Mozilla/5.0 (Windows NT 6.1) AppleWebKit/537.11 (KHTML, like Gecko) Chrome/23.0.1271.64 Safari/537.11',

'Accept':'text/html;q=0.9,*/*;q=0.8',

'Accept-Charset':'ISO-8859-1,utf-8;q=0.7,*;q=0.3',

'Accept-Encoding':'gzip',

'Connection':'close',

'Referer':None #注意如果依然不能抓取，这里可以设置抓取网站的host

}

opener = urllib.request.build_opener()

opener.addheaders = [headers]

data = opener.open(url).read()

print(data)

注：关于python2、python3 伪装浏览器爬取网页内容的简单示例的内容就先介绍到这里，更多相关文章的可以留意512笔记的其他信息。

关键词：爬取