當前位置：首頁 > 编程资源 > 编程问答 >内容正文

编程问答

03.获取网页源代码

發布時間：2023/12/18 编程问答 28 豆豆

生活随笔收集整理的這篇文章主要介紹了 03.获取网页源代码小編覺得挺不錯的,現在分享給大家,幫大家做個參考.

Resquests 庫獲取網頁源代碼

使用 Selenium 庫獲取網頁源代碼

使用requests 庫和 Selenium 庫爬取網頁的優缺點

具體代碼：
import requests url = 'https://www.baidu.com/s?ie=utf-8&f=8&rsv_bp=1&rsv_idx=1&tn=baidu&wd=阿里巴巴' res = requests.get(url).text print(res)
獲取到的網頁源代碼：
<html> <head><script>location.replace(location.href.replace("https://","http://"));</script> </head> <body><noscript><meta http-equiv="refresh" content="0;url=http://www.baidu.com/"></noscript> </body> </html>
可以看到沒有獲取到真正的網頁源代碼，這是因為百度新聞網站只認可瀏覽器發送的訪問請求，不認可Python發送的訪問請求。
- 解決方案：此時需要通過設置requests.get()函數的參數headers，以模擬瀏覽器進行訪問。
  headers = {"User-Agent":"Mozilla / 5.0(WindowsNT10.0;Win64;x64) AppleWebKit / 537.36(KHTML, likeGecko) Chrome / 103.0.5060.114Safari / 537.36Edg / 103.0.1264.62"}

實現代碼：
import requests url = 'https://www.baidu.com/s?ie=utf-8&f=8&rsv_bp=1&rsv_idx=1&tn=baidu&wd=阿里巴巴' headers = {"User-Agent":"Mozilla / 5.0(WindowsNT10.0;Win64;x64) AppleWebKit / 537.36(KHTML, likeGecko) Chrome / 103.0.5060.114Safari / 537.36Edg / 103.0.1264.62"} res = requests.get(url,headers=headers).text print(res)

參數headers用于向網站提供訪問者的信息，其中的User-Agent（用戶代理）反映了訪問者使用的是哪種瀏覽器
雖然有時不加headers也能獲得網頁的源代碼（如爬取Python官網），但是headers的設置和使用并不麻煩，而且可以避免可能會出現的爬取失敗，所以還是建議加上headers。
每次只需要只要記得在爬蟲程序的最前面寫上如下代碼：
headers = {"User-Agent":"Mozilla / 5.0(WindowsNT10.0;Win64;x64) AppleWebKit / 537.36(KHTML, likeGecko) Chrome / 103.0.5060.114Safari / 537.36Edg / 103.0.1264.62"}
- 然后每次使用requests.get()函數訪問網址時，加上headers=headers參數即可

使用requests 庫獲取的是未經渲染的網頁源代碼，如果用它來爬取動態渲染的網頁，就往往爬取不斷我們想要的結果
快速驗證網頁是否被動態渲染的方法：
- 用右鍵快捷菜單查看網頁源代碼 ，若看到的網頁源代碼內容很少，也不包含用開發者工具能看到的信息，就可以判定用開發者工具看到的網頁源代碼是動態渲染后的結果
要從經過動態渲染的網頁中爬取數據的辦法：
- 需要使用Selenium庫打開一個模擬器訪問網頁，然后獲取渲染后的網頁源代碼

要使用Selenium庫爬取數據，除了需要為Python安裝Selenium庫，還需要安裝一個模擬瀏覽器(詳細安裝步驟看博客4)。Selenium庫控制這個模擬瀏覽器去訪問網頁，才能獲取網頁源代碼。

使用Selenium庫獲取新浪財經股票信息
import time from selenium import webdriver browser = webdriver.Chrome() browser.get('https://finance.sina.com.cn/stock/') data = browser.page_source # 核心代碼 print(data) time.sleep(1000)
使用下面的代碼，就能關閉模擬瀏覽器
browser.quit()

因為Requests庫是直接訪問網頁，爬取速度非常快；而Selenium庫要先打開模擬瀏覽器再訪問網頁，導致爬取速度較慢
如果說Requests庫可以爬取50%的網站，那么Selenium庫可以爬取95%的網站，大部分爬取難度較高的網站都可以用Selenium庫獲取網頁源代碼
實戰中通常將這兩個庫結合使用，實現優勢互補：如果用Requests庫能獲取到需要的網頁源代碼，那么優先使用Requests庫進行爬取；如果用Requests庫獲取不到，再使用Selenium庫進行爬取。

如果覺得文章不錯，可以給我點贊鼓勵一下我，歡迎收藏
關注我，我們一起學習，一起進步！！！

以上是生活随笔為你收集整理的03.获取网页源代码的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。