Python爬虫：实现爬取、下载网站数据的几种方法

动动拐

使用脚本进行下载的需求很常见，可以是常规文件、web页面、Amazon S3和其他资源。Python 提供了很多模块从 web 下载文件。下面介绍
一、使用 requests

requests 模块是模仿网页请求的形式从一个URL下载文件
示例代码：

1. import requests
3. url = 'xxxxxxxx'  # 目标下载链接
4. r = requests.get(url)  # 发送请求
5. # 保存
6. with open ('r.txt', 'rb') as f:
7.     f.write(r.content)
8.     f.close

复制代码

二、使用 wget

安装 wget 库

1. pip install wget

复制代码

示例代码

1. import wget
3. url = 'https://pic.cnblogs.com/avatar/1197773/20170712160655.png'  # 目标路由，下载的资源是图片
4. path = 'D:/x.png'  # 保存的路径
5. wget.download(url, path)  # 下载

复制代码

三、下载重定向资源

有些 URL 会被重定向到另一个 URL，后者是真正的下载链接。很多软件的下载其实都是这样的形式。URL看起来如下

1. https://readthedocs.org/projects/python-guide/downloads/pdf/latest

复制代码

重定向的 URL 也可以用 requests 库进行下载，只需加一个参数就可以

1. import requests
3. url = 'https://readthedocs.org/projects/python-guide/downloads/pdf/latest'
5. # allow_redirect参数True表示允许重定向
6. r = requests.get(url, allow_redirect=True)
7. with open('r.txt', 'wb') as f:
8.     f.write(r)
9.     f.close()

复制代码

四、大文件分块下载

有些文件非常的大，如果我们直接下载，可能会因为事件原因或者网络原因造成下载失败，这时候我可以使用分块下载的形式进行下载。
requests 支持分块下载，只需要将 stream 设为True 即可

1. import requests
3. url = 'https://readthedocs.org/projects/python-guide/downloads/pdf/latest'
5. # stream参数True表示分块下载
6. r = requests.get(url, stream=True)
7. with open('r.txt', 'wb') as f:
8.     for ch in r:
9.         f.write(r)
10.     f.close()

复制代码

五、并行下载

多线程、多进程并发下载，大大提高下载速度

1. import requests
2. from multiprocessing.poll import Pool
4. # 定义下载函数
5. def url_response(url):
6.     path, url = url
7.     r = requests.get(url, stream=True)
8.     with open(path, 'wb') as f:
9.         for ch in r:
10.             f.write(ch)
11.         f.close()
13. urls = ['aaa', 'bbb', 'ccc']  # 假设有好多个下载链接
15. # 排队下载的方式
16. for x in urls:
17.     url_response(x)
19. # 并行下载的方式
20. ThreadPool(3).imap_unordered(url_response, urls)

复制代码

六、下载中加入进度条

使用进度条更直观的查看下载进度，这里使用 clint 模块实现进度条功能

1. pip install clint

复制代码

下载

1. import requests
2. from clint.textui import progess
4. url = 'xxxxxxxxxxx'
5. r = requests.get(url, stream=True)
6. with open('x.txt', 'wb') as f
7.     total_length = int(r.headers.get('content-length'))
8.     for ch in progress.bar(r.iter_content(chunk_size=2391975, expected)size=(total_length/1024)+1)):
9.         if ch:
10.             f.write(ch)
11.     f.close()

复制代码

七、使用 urllib 模块下载

urllib库是Python的标准库，因此不需要安装它。
下载代码

1. urllib.request.urlretrieve(URL, PATH)

复制代码

八、通过代理下载

因为一些众所周知的原因我们下载国外的资源会非常的慢，这时候可以使用代理的方式进行下载
requests 模块使用代理

1. import requests
3. # 定义代理，假设本机上有个梯子的服务，代理端口是2258
4. proxy = {'http': 'http://127.0.0.1:2258'}
6. url = 'xxxxxx'
7. r = requests.get(url, proxies=proxy )
8. .......

复制代码

urllib 模块使用代理

1. import urllib.request
2. #Python小白学习交流群：153708845
3. url = 'xxxxxxxxxx'
4. proxy = urllib.request.ProxyHandler({'http': '127.0.0.1'})
5. open_proxy = urllib.request.build_opener(proxy )  # 打开代理
6. urllib.request.urlretrieve(url)

复制代码

九、使用 urllib3

urllib3 是 urllib 模块的改进版本。使用pip下载并安装

1. pip install urllib3

复制代码

来源:https://www.cnblogs.com/python1111/p/17817780.html
免责声明：由于采集信息均来自互联网，如果侵犯了您的权益，请联系我们【E-Mail:cb@itdo.tech】 我们会及时删除侵权内容，谢谢合作！