码创造者

这个屌丝很懒，什么也没留下！

热门标签

Python爬虫实现爬取下载网站数据的几种方法_网络爬虫下载网页文件

作者：码创造者 | 2024-08-21 15:17:38

踩

网络爬虫下载网页文件

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：

import requests

url = 'xxxxxxxx' # 目标下载链接

r = requests.get(url) # 发送请求

# 保存

with open ('r.txt', 'rb') as f:

f.write(r.content)

f.close

二、使用 wget

1	`安装 wget 库`

1	`pip install wget`

示例代码

import wget

url = 'https://pic.cnblogs.com/avatar/1197773/20170712160655.png' # 目标路由，下载的资源是图片

path = 'D:/x.png' # 保存的路径

wget.download(url, path) # 下载

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

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

import requests

url = 'https://readthedocs.org/projects/python-guide/downloads/pdf/latest'

# allow_redirect参数True表示允许重定向

r = requests.get(url, allow_redirect=True)

with open('r.txt', 'wb') as f:

f.write(r)

f.close()

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

import requests

url = 'https://readthedocs.org/projects/python-guide/downloads/pdf/latest'

# stream参数True表示分块下载

r = requests.get(url, stream=True)

with open('r.txt', 'wb') as f:

for ch in r:

f.write(r)

f.close()

五、并行下载

多线程、多进程并发下载，大大提高下载速度

import requests

from multiprocessing.poll import Pool

# 定义下载函数

def url_response(url):

path, url = url

r = requests.get(url, stream=True)

with open(path, 'wb') as f:

for ch in r:

f.write(ch)

f.close()

urls = ['aaa', 'bbb', 'ccc'] # 假设有好多个下载链接

# 排队下载的方式

for x in urls:

url_response(x)

# 并行下载的方式

ThreadPool(3).imap_unordered(url_response, urls)

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`

下载

import requests

from clint.textui import progess

url = 'xxxxxxxxxxx'

r = requests.get(url, stream=True)

with open('x.txt', 'wb') as f

total_length = int(r.headers.get('content-length'))

for ch in progress.bar(r.iter_content(chunk_size=2391975, expected)size=(total_length/1024)+1)):

if ch:

f.write(ch)

f.close()

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)`

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

import requests

# 定义代理，假设本机上有个梯子的服务，代理端口是2258

proxy = {'http': 'http://127.0.0.1:2258'}

url = 'xxxxxx'

r = requests.get(url, proxies=proxy )

.......

urllib 模块使用代理

import urllib.request

#Python小白学习交流群：153708845

url = 'xxxxxxxxxx'

proxy = urllib.request.ProxyHandler({'http': '127.0.0.1'})

open_proxy = urllib.request.build_opener(proxy ) # 打开代理

urllib.request.urlretrieve(url)

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`

声明：本文内容由网友自发贡献，不代表【wpsshop博客】立场，版权归原作者所有，本站不承担相应法律责任。如您发现有侵权的内容，请联系我们。转载请注明出处：https://www.wpsshop.cn/w/码创造者/article/detail/1012350