7、web爬蟲講解2—urllib庫爬蟲—狀态嗎—異常處理—浏覽器僞裝技術、設定使用者代理

如果爬蟲沒有異常處理，那麼爬行中一旦出現錯誤，程式将崩潰停止工作，有異常處理即使出現錯誤也能繼續執行下去

1.常見狀态碼

301：重定向到新的URL，永久性

302：重定向到臨時URL，非永久性

304：請求的資源未更新

400：非法請求

401：請求未經授權

403：禁止通路

404：沒找到對應頁面

500：伺服器内部出現錯誤

501：伺服器不支援實作請求所需要的功能

2.異常處理

URLError捕獲異常資訊

#!/usr/bin/env python
# -*- coding: utf-8 -*-

import urllib.request
import urllib.error

try:                                    #嘗試執行裡面的内容
    html = urllib.request.urlopen('http://www.xiaohuar.com/').read().decode("utf-8")
    print(html)

except urllib.error.URLError as e:      #如果出現錯誤
    if hasattr(e,"code"):               #如果有錯誤代碼
        print(e.code)                   #列印錯誤代碼
    if hasattr(e,"reason"):             #如果有錯誤資訊
        print(e.reason)                 #列印錯誤資訊

#傳回   說明網站禁止了爬蟲通路
# 403
# Forbidden           

浏覽器僞裝技術

很多網站，做了反爬技術，一般在背景檢測請求頭資訊裡是否有User-Agent浏覽器資訊，如果沒有說明不是浏覽器通路，就屏蔽了這次請求

是以，我們需要僞裝浏覽器報頭來請求

#!/usr/bin/env python
# -*- coding: utf-8 -*-

import urllib.request
url = 'https://www.qiushibaike.com/'                    #抓取頁面URL
tou = ('User-Agent','Mozilla/5.0 (Windows NT 10.0; WOW64; rv:54.0) Gecko/20100101 Firefox/54.0')  #設定模拟浏覽器報頭
b_tou = urllib.request.build_opener()               #建立請求對象
b_tou.addheaders=[tou]                              #添加報頭
html = b_tou.open(url).read().decode("utf-8")       #開始抓取頁面
print(html)           

注意：我們可以看到這次請求并不是用urlopen()方法請求的，此時用urlopen()無法請求，但是我們就會感覺到這樣很費勁，難道每次請求都要建立build_opener()，是以我們需要設定使用urlopen()方法請求自動報頭

設定使用urlopen()方法請求自動報頭，也就是設定使用者代理

install_opener()将報頭資訊設定為全局，urlopen()方法請求時也會自動添加報頭

#!/usr/bin/env python
# -*- coding: utf-8 -*-

import urllib.request
#設定報頭資訊
tou = ('User-Agent','Mozilla/5.0 (Windows NT 10.0; WOW64; rv:54.0) Gecko/20100101 Firefox/54.0')  #設定模拟浏覽器報頭
b_tou = urllib.request.build_opener()               #建立請求對象
b_tou.addheaders=[tou]                              #添加報頭到請求對象
#将報頭資訊設定為全局，urlopen()方法請求時也會自動添加報頭
urllib.request.install_opener(b_tou)

#請求
url = 'https://www.qiushibaike.com/'
html = urllib.request.urlopen(url).read().decode("utf-8")
print(html)           

建立使用者代理池

#!/usr/bin/env python
# -*- coding: utf-8 -*-

import urllib.request
import random   #引入随機子產品檔案

def yh_dl():    #建立使用者代理池
   yhdl = [
       'Mozilla/5.0 (Windows; U; Windows NT 6.1; en-us) AppleWebKit/534.50 (KHTML, like Gecko) Version/5.1 Safari/534.50',
       'Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; Trident/5.0',
       'Mozilla/4.0 (compatible; MSIE 8.0; Windows NT 6.0; Trident/4.0)',
       'Mozilla/5.0 (Macintosh; Intel Mac OS X 10.6; rv:2.0.1) Gecko/20100101 Firefox/4.0.1',
       'Mozilla/5.0 (Windows NT 6.1; rv:2.0.1) Gecko/20100101 Firefox/4.0.1',
       'Opera/9.80 (Macintosh; Intel Mac OS X 10.6.8; U; en) Presto/2.8.131 Version/11.11',
       'Opera/9.80 (Windows NT 6.1; U; en) Presto/2.8.131 Version/11.11',
       'Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.1; Maxthon 2.0)',
       'Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.1; TencentTraveler 4.0)',
       'Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.1)',
       'Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.1; The World)',
       'Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.1; 360SE)',
       'Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.1; Avant Browser)',
       'Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.1)',
       'Mozilla/5.0 (iPhone; U; CPU iPhone OS 4_3_3 like Mac OS X; en-us) AppleWebKit/533.17.9 (KHTML, like Gecko) Version/5.0.2 Mobile/8J2 Safari/6533.18.5',
       'User-Agent:Mozilla/5.0 (iPod; U; CPU iPhone OS 4_3_3 like Mac OS X; en-us) AppleWebKit/533.17.9 (KHTML, like Gecko) Version/5.0.2 Mobile/8J2 Safari/6533.18.5',
       'Mozilla/5.0 (iPad; U; CPU OS 4_3_3 like Mac OS X; en-us) AppleWebKit/533.17.9 (KHTML, like Gecko) Version/5.0.2 Mobile/8J2 Safari/6533.18.5',
       'Mozilla/5.0 (Linux; U; Android 2.3.7; en-us; Nexus One Build/FRF91) AppleWebKit/533.1 (KHTML, like Gecko) Version/4.0 Mobile Safari/533.1',
       'Opera/9.80 (Android 2.3.4; Linux; Opera Mobi/build-1107180945; U; en-GB) Presto/2.8.149 Version/11.10',
       'Mozilla/5.0 (Linux; U; Android 3.0; en-us; Xoom Build/HRI39) AppleWebKit/534.13 (KHTML, like Gecko) Version/4.0 Safari/534.13',
       'Mozilla/5.0 (BlackBerry; U; BlackBerry 9800; en) AppleWebKit/534.1+ (KHTML, like Gecko) Version/6.0.0.337 Mobile Safari/534.1+',
       'Mozilla/5.0 (compatible; MSIE 9.0; Windows Phone OS 7.5; Trident/5.0; IEMobile/9.0; HTC; Titan)',
       'UCWEB7.0.2.37/28/999',
       'NOKIA5700/ UCWEB7.0.2.37/28/999',
       'Openwave/ UCWEB7.0.2.37/28/999',
       'Mozilla/4.0 (compatible; MSIE 6.0; ) Opera/UCWEB7.0.2.37/28/999'
       ]
   thisua = random.choice(yhdl)                    #随機擷取代理資訊
   headers = ("User-Agent",thisua)                 #拼接報頭資訊
   opener = urllib.request.build_opener()          #建立請求對象
   opener.addheaders=[headers]                     #添加報頭到請求對象
   urllib.request.install_opener(opener)           #将報頭資訊設定為全局，urlopen()方法請求時也會自動添加報頭

#請求
yh_dl()     #執行使用者代理池函數
url = 'https://www.qiushibaike.com/'
html = urllib.request.urlopen(url).read().decode("utf-8")
print(html)           

這樣爬蟲會随機調用，使用者代理，也就是随機報頭，保證每次報頭資訊不一樣

【轉載自：

http://www.lqkweb.com

】