分別用python2和python3偽裝瀏覽器爬取網頁內容

python網頁抓取功能非常強大，使用urllib或者urllib2可以很輕松的抓取網頁內容。但是很多時候我們要注意，可能很多網站都設置了防采集功能，不是那么輕松就能抓取到想要的內容。

今天我來分享下載python2和python3中都是如何來模擬瀏覽器來跳過屏蔽進行抓取的。

最基礎的抓取：

#! /usr/bin/env python
# -*- coding=utf-8 -*-
# @Author open
import urllib.request
url = "http://www.baiduhome.net"
html = urllib.request.urlopen(url).read(）
print(html)

但是...有些網站不能抓取，進行了防采集設置，所以我們要變換一下方法

python2中（最新穩定版本python2.7）

#! /usr/bin/env python
# -*- coding=utf-8 -*- 
# @Author open.com
import urllib2
url="http://open-open.com"
req_header = {'User-Agent':'Mozilla/5.0 (Windows NT 6.1) AppleWebKit/537.11 (KHTML, like Gecko) Chrome/23.0.1271.64 Safari/537.11',
             'Accept':'text/html;q=0.9,*/*;q=0.8',
             'Accept-Charset':'ISO-8859-1,utf-8;q=0.7,*;q=0.3',
             'Accept-Encoding':'gzip',
             'Connection':'close',
             'Referer':None #注意如果依然不能抓取的話，這里可以設置抓取網站的host
             }
req_timeout = 5
req = urllib2.Request(url,None,req_header)
resp = urllib2.urlopen(req,None,req_timeout)
html = resp.read()
print(html)

python3中（最新穩定版本python3.3）

#! /usr/bin/env python
# -*- coding=utf-8 -*- 
# @Author open
import urllib.request

url = "http://www.baiduhome.net"
headers = {'User-Agent':'Mozilla/5.0 (Windows NT 6.1) AppleWebKit/537.11 (KHTML, like Gecko) Chrome/23.0.1271.64 Safari/537.11',
             'Accept':'text/html;q=0.9,*/*;q=0.8',
             'Accept-Charset':'ISO-8859-1,utf-8;q=0.7,*;q=0.3',
             'Accept-Encoding':'gzip',
             'Connection':'close',
             'Referer':None #注意如果依然不能抓取，這里可以設置抓取網站的host
             }

opener = urllib.request.build_opener()
opener.addheaders = [headers]
data = opener.open(url).read()
print(data)