python爬虫之伪造报头来采集网页信息



伪造报头来采集网页信息
方法：
import urllib.request
import sys
 
url = 'http://www.jb51.net'
request = urllib.request.Request(url)
request.add_header('User-Agent', 'Mozilla/4.0 (compatible; MSIE 5.5; Windows NT)')
response = urllib.request.urlopen(request)
restr = re.compile(r'''<a(\s*)(.*?)(\s*)href(\s*)=(\s*)([\"\s]*)([^\"\']+?)([\"\s]+)(.*?)>''')
html = response.read()
html=html.decode('utf-8')#python3
href_list = re.findall(restr,html)

小结：

1.请求地址
2.加载报头
3.打开网址
4.转换正则表达式
5.读取网页获取内容
6.转换网页编码
7.根据网页内容按照正则表达式筛选