Python爬蟲：實現爬取、下載網站數據的幾種方法

使用腳本進行下載的需求很常見，可以是常規文件、web頁面、Amazon S3和其他資源。Python 提供了很多模塊從 web 下載文件。下麵介紹

一、使用 requests

requests 模塊是模仿網頁請求的形式從一個URL下載文件

示例代碼：

import requests

url = 'xxxxxxxx'  # 目標下載鏈接
r = requests.get(url)  # 發送請求
# 保存
with open ('r.txt', 'rb') as f:
    f.write(r.content)
    f.close

二、使用 wget

安裝 wget 庫

pip install wget

示例代碼

import wget

url = 'https://pic.cnblogs.com/avatar/1197773/20170712160655.png'  # 目標路由，下載的資源是圖片
path = 'D:/x.png'  # 保存的路徑
wget.download(url, path)  # 下載

三、下載重定向資源

有些 URL 會被重定向到另一個 URL，後者是真正的下載鏈接。很多軟體的下載其實都是這樣的形式。URL看起來如下

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

重定向的 URL 也可以用 requests 庫進行下載，只需加一個參數就可以

import requests

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

# allow_redirect參數True表示允許重定向
r = requests.get(url, allow_redirect=True)
with open('r.txt', 'wb') as f:
    f.write(r)
    f.close()

四、大文件分塊下載

有些文件非常的大，如果我們直接下載，可能會因為事件原因或者網路原因造成下載失敗，這時候我可以使用分塊下載的形式進行下載。

requests 支持分塊下載，只需要將 stream 設為True 即可

import requests

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

# stream參數True表示分塊下載
r = requests.get(url, stream=True)
with open('r.txt', 'wb') as f:
    for ch in r:
        f.write(r)
    f.close()

五、並行下載

多線程、多進程併發下載，大大提高下載速度

import requests
from multiprocessing.poll import Pool

# 定義下載函數
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']  # 假設有好多個下載鏈接

# 排隊下載的方式
for x in urls:
    url_response(x)

# 並行下載的方式
ThreadPool(3).imap_unordered(url_response, urls)

六、下載中加入進度條

使用進度條更直觀的查看下載進度，這裡使用 clint 模塊實現進度條功能

pip install clint

下載

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 模塊下載

urllib庫是Python的標準庫，因此不需要安裝它。

下載代碼

urllib.request.urlretrieve(URL, PATH)

八、通過代理下載

因為一些眾所周知的原因我們下載國外的資源會非常的慢，這時候可以使用代理的方式進行下載

requests 模塊使用代理

import requests

# 定義代理，假設本機上有個梯子的服務，代理埠是2258
proxy = {'http': 'http://127.0.0.1:2258'} 

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

urllib 模塊使用代理

import urllib.request
#Python小白學習交流群：153708845
url = 'xxxxxxxxxx'
proxy = urllib.request.ProxyHandler({'http': '127.0.0.1'})
open_proxy = urllib.request.build_opener(proxy )  # 打開代理
urllib.request.urlretrieve(url)

九、使用 urllib3

urllib3 是 urllib 模塊的改進版本。使用pip下載並安裝

pip install urllib3