当前位置：首页 > news >正文

爬虫学习笔记（四）---request入门

news 来源：原创 2025/4/30 9:20:44

例1

例1：写一个爬取百度搜索页面的程序，以搜索一个喜欢的明星为例（如在搜索框中输入周杰伦）

正常搜索

页面

爬虫思路：

1.用一个query变量，在控制台输入的方式更加灵活的输入想爬取的明星的百度搜索页面

因为是get请求，所以把wd=周杰伦的‘周杰伦’替换成{}，{}的作用是把一个变量放到一个字符串里面，再在url后面追加字符串的format方法.format(query)实现，其中wd的作用是作为查询参数

2.添加一个user-agent代理在请求头里面，伪装成一个更像正常浏览器搜索的动作，因为百度有反爬机制，如果未检测到一个请求的user-agent（请求的设备【浏览器&操作系统&设备型号】），就会阻止访问

3.将爬取到的信息保存到一个文件中zhou.html

代码实现：

import requests
query = input("你喜欢的一个明星")
url='https://www.baidu.com/baidu?ie=utf-8&wd={}'.format(query)#大括号将某个变量放到一个字符串里面
myHeaders ={#伪装一个UserAgent,伪装的更像浏览器
"User-Agent" : "Mozilla/5.0 (Windows NT 10.0; Win64; x64; rv:137.0) Gecko/20100101 Firefox/137.0"
}
resp = requests.get(url,headers=myHeaders)#处理一个小小的反爬
with open("Zhou.html", mode="w",encoding="utf-8") as f:#写入模式f.write(resp.text)

结果：

控制台输入周杰伦

创建了一个爬取的信息的文件zhou.html，用浏览器打开这个html前端页面

由下面的localhost地址知道这个页面是爬取到的，和正常访问的页面一样，爬取成功

例2

例2：百度翻译爬虫爬取

正常访问的页面：

1、右键->检查：进入抓包工具页面

2、输入dog，点击sug（链接），点击preview，查看响应的json数据

3.查看请求方式

观察到此次请求的方式为POST，利用POST请求发送的参数为Form Data，传参方式与GET有差别，GET的传输参数是直接拼接到了URL里面

下面的url为https://fanyi.baidu.com/sug

代码实现：

import requests
url = "https://fanyi.baidu.com/sug"
s = input("请输入你要翻译的英文单词")
myData = {"kw": s
}myHeaders = {#伪装浏览器，反反爬策略
"User-Agent" : "Mozilla/5.0 (Windows NT 10.0; Win64; x64; rv:137.0) Gecko/20100101 Firefox/137.0"
}
#发送post请求(发送的数据必须放在字典中，通过data的参数进行传递
resp = requests.post(url, data=myData, headers=myHeaders)
#将服务器返回的内容直接处理成json格式的数据（在python中就是词典）
print(resp.json())

结果：

例3

请求路径和请求方式

如下图，请求路径URL如下，问号？前面的是请求的统一路径，问号？后面的是GET请求具体的参数（直接拼接到原URL上面）

请求的参数如下图

知道了请求的路径、请求的方式（GET请求）以及请求的参数就可以编写爬虫程序代码

代码实现：

GET请求的url拼接（因为原url问号后面的GET请求参数过长，所以统一封装成json格式的参数）

import requests
#1--url
url = "https://movie.douban.com/j/chart/top_list"#2--统一封装GET请求的参数
myParam = {
"type": "25",
"interval_id": "100:90",
"action": "",
"start": "100",
"limit": "20"
}#拼接url和parameter
resp = requests.get(url=url, params=myParam)
#验证这个url是否和原始url一样
print(resp.request.url)

控制台输出，如下图所示，url完全相同，代表拼接正确

被反爬

如果运行成功，但是控制台没有出现任何的爬取内容，说明被反爬了，阻止了访问

排查原因进行反反爬（首先进行user-agent位置）

因为基本上被反爬的首要原因就是因为服务器对于user-agent进行了检查

user-agent

包括访问者使用的浏览器类型、浏览器语言、浏览器插件、OS版本、CPU类型、浏览器渲染引擎

反反爬步骤

1.复制自己的User-Agent,在抓包工具的network中的header请求头中可以查到，将自己的代理复制

新增一个请求头的内容如下：

myHeaders = {
"User-Agent" : "Mozilla/5.0 (Windows NT 10.0; Win64; x64; rv:137.0) Gecko/20100101 Firefox/137.0"
}

添加到原来的请求中

resp = requests.get(url=url, params=myParam,headers=myHeaders)

再次运行，出现爬取内容，说明被反爬的原因就是因为该网站设置了对User-agent进行检查，此次反反爬成功

上面的内容太乱，所以输出改为json格式的，因为本来这些数据都是用json封装的

print(resp.json())

输出结果

完整代码：

import requests
#1--url
url = "https://movie.douban.com/j/chart/top_list"#2--统一封装GET请求的参数
myParam = {
"type": "25",
"interval_id": "100:90",
"action": "",
"start": "100",
"limit": "20"
}
myHeaders = {
"User-Agent" : "Mozilla/5.0 (Windows NT 10.0; Win64; x64; rv:137.0) Gecko/20100101 Firefox/137.0"
}#拼接url和parameter
resp = requests.get(url=url, params=myParam,headers=myHeaders)
#验证这个url是否和原始url一样
print(resp.request.url)
#如果控制台没有任何内容但也没有报错说明被反爬了，要使用反反爬策略（挨个尝试是什么原因导致自己被反爬了(很大可能就是因为没有user-agent)
print(resp.json())
resp.close()#关闭掉请求（否则会一直保持这个url链接），请求会被堵死（出现请求次数过多的现象）

注意在爬取完数据一定要关上请求，否则就会一直保持这个链接，多次访问这同一个URL后可能会造成堵死