python爬虫之伪造报头来采集网页信息

本文介绍了一种通过伪造HTTP请求头的方式采集特定网站信息的方法。具体步骤包括:构造请求、设置用户代理信息、发送请求、读取响应内容、使用正则表达式提取所需链接等。

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



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


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