7、web爬虫讲解2—urllib库爬虫—状态吗—异常处理—浏览器伪装技术、设置用户代理

摘要：百度云搜索搜网盘如果爬虫没有异常处理，那么爬行中一旦出现错误，程序将崩溃停止工作，有异常处理即使出现错误也能继续执行下去常见状态码重定向到新的，永久性重定向到临时，非永久性请求的资源未更新非法请求请求未经授权禁止访问没找到对应页面服务器内部

如果爬虫没有异常处理，那么爬行中一旦出现错误，程序将崩溃停止工作，有异常处理即使出现错误也能继续执行下去

1.常见状态码

301：重定向到新的URL，永久性
302：重定向到临时URL，非永久性
304：请求的资源未更新
400：非法请求
401：请求未经授权
403：禁止访问
404：没找到对应页面
500：服务器内部出现错误
501：服务器不支持实现请求所需要的功能

2.异常处理

URLError捕获异常信息

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

import urllib.request
import urllib.error

try:                                    #尝试执行里面的内容
    html = urllib.request.urlopen("http://www.xiaohuar.com/").read().decode("utf-8")
    print(html)

except urllib.error.URLError as e:      #如果出现错误
    if hasattr(e,"code"):               #如果有错误代码
        print(e.code)                   #打印错误代码
    if hasattr(e,"reason"):             #如果有错误信息
        print(e.reason)                 #打印错误信息

#返回   说明网站禁止了爬虫访问
# 403
# Forbidden

浏览器伪装技术

很多网站，做了反爬技术，一般在后台检测请求头信息里是否有User-Agent浏览器信息，如果没有说明不是浏览器访问，就屏蔽了这次请求

所以，我们需要伪装浏览器报头来请求

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

import urllib.request
url = "https://www.qiushibaike.com/"                    #抓取页面URL
tou = ("User-Agent","Mozilla/5.0 (Windows NT 10.0; WOW64; rv:54.0) Gecko/20100101 Firefox/54.0")  #设置模拟浏览器报头
b_tou = urllib.request.build_opener()               #创建请求对象
b_tou.addheaders=[tou]                              #添加报头
html = b_tou.open(url).read().decode("utf-8")       #开始抓取页面
print(html)

注意：我们可以看到这次请求并不是用urlopen()方法请求的，此时用urlopen()无法请求，但是我们就会感觉到这样很费劲，难道每次请求都要创建build_opener()，所以我们需要设置使用urlopen()方法请求自动报头

设置使用urlopen()方法请求自动报头，也就是设置用户代理

install_opener()将报头信息设置为全局，urlopen()方法请求时也会自动添加报头

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

import urllib.request
#设置报头信息
tou = ("User-Agent","Mozilla/5.0 (Windows NT 10.0; WOW64; rv:54.0) Gecko/20100101 Firefox/54.0")  #设置模拟浏览器报头
b_tou = urllib.request.build_opener()               #创建请求对象
b_tou.addheaders=[tou]                              #添加报头到请求对象
#将报头信息设置为全局，urlopen()方法请求时也会自动添加报头
urllib.request.install_opener(b_tou)

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

创建用户代理池

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

import urllib.request
import random   #引入随机模块文件

def yh_dl():    #创建用户代理池
   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)                    #随机获取代理信息
   headers = ("User-Agent",thisua)                 #拼接报头信息
   opener = urllib.request.build_opener()          #创建请求对象
   opener.addheaders=[headers]                     #添加报头到请求对象
   urllib.request.install_opener(opener)           #将报头信息设置为全局，urlopen()方法请求时也会自动添加报头

#请求
yh_dl()     #执行用户代理池函数
url = "https://www.qiushibaike.com/"
html = urllib.request.urlopen(url).read().decode("utf-8")
print(html)

这样爬虫会随机调用，用户代理，也就是随机报头，保证每次报头信息不一样