爬虫requests

1.request的介绍
通俗理解：爬虫是一个模拟人类请求网站行为的程序。可以自动请求网页、并数据抓取下来，然后使用一定
的规则提取有价值的数据。
专业介绍：百度百科。

2.通用爬虫和聚焦爬虫
通用爬虫：通用爬虫是搜索引擎抓取系统（百度、谷歌、搜狗等）的重要组成部分。主要是将互联网上的网页下载到本地，形成一个互联网内容的镜像备份。

聚焦爬虫：是面向特定需求的一种网络爬虫程序，他与通用爬虫的区别在于：聚焦爬虫在实施网页抓取的时候会对内容进行筛选和处理，尽量保证只抓取与需求相关的网页信息。
3.为什么用python写爬虫程序：
PHP：PHP是世界是最好的语言，但他天生不是做这个的，而且对多线程、异步支持不是很好，并发处理能力弱。爬虫是工具性程序，对速度和效率要求比较高。
Java：生态圈很完善，是Python爬虫最大的竞争对手。但是Java语言本身很笨重，代码量很大。重构成本比较高，任何修改会导致代码大量改动。爬虫经常要修改采集代码。
C/C++：运行效率是无敌的。但是学习和开发成本高。写个小爬虫程序可能要大半天时间。
Python：语法优美、代码简洁、开发效率高、支持的模块多。相关的HTTP请求模块和HTML解析模块非常丰富。还有Scrapy和Scrapy-redis框架让我们开发爬虫变得异常简单。
4.http协议 什么是http和https协议：
HTTP协议：全称是HyperText Transfer Protocol，中文意思是超文本传输协议，是一种发布和接收HTML页面的方法。服务器端口号是80端口。

HTTPS协议：是HTTP协议的加密版本，在HTTP下加入了SSL层。服务器端口号是443端口。

5.url详解：

URL是Uniform Resource Locator的简写，统一资源定位符。 一个URL由以下几部分组成：

scheme://host:port/path/?query-string=xxx#anchor

scheme：代表的是访问的协议，一般为http或者https以及ftp等。

host：主机名，域名，比如www.baidu.com。

port：端口号。

path：查找路径。

query-string：查询字符串。

anchor：锚点，前端用来做页面定位的。

在浏览器中请求一个url，浏览器会对这个url进行一个编码。除英文字母，数字和部分符号外，其他的全部使用百分号+十六进制码值进行编码

请求头

6.常用的请求方法

在Http协议中，定义了八种请求方法。这里介绍两种常用的请求方法，分别是get请求和post请求。

get请求：一般情况下，只从服务器获取数据下来，并不会对服务器资源产生任何影响的时候会使用get请求。
post请求：向服务器发送数据（登录）、上传文件等，会对服务器资源产生影响的时候会使用post请求。

7.常见响应状态码：

200：请求正常，服务器正常的返回数据。
301：永久重定向。比如在访问www.jingdong.com的时候会重定向到www.jd.com。
302：临时重定向。比如在访问一个需要登录的页面的时候，而此时没有登录，那么就会重定向到登录页面。
400：请求的url在服务器上找不到。换句话说就是请求url错误。
403：服务器拒绝访问，权限不够。
500：服务器内部错误。可能是服务器出现bug了
8.安装使用requests

pip install requests

中文文档

http://docs.python-requests.org/zh_CN/latest/user/quickstart.html

response = requests.get(url)
print(response.text)

9.response对象

print(type(response))
print(response.status_code)
print(type(response.text))
print(response.text)
print(response.cookies)
print(type(response.content))
print(response.content)

10.请求方式：

requests.post(‘http://httpbin.org/post’)

requests.put(‘http://httpbin.org/put’)

requests.delete(‘http://httpbin.org/delete’)

requests.head(‘http://httpbin.org/get’)

requests.options(‘http://httpbin.org/get’)

11.带参数GET请求：

import requests
response = requests.get(“http://httpbin.org/get?name=germey&age=22”)
print(response.text)

import requests

data = {
‘name’: ‘germey’,
‘age’: 22
}
response = requests.get(“http://httpbin.org/get”, params=data)
print(response.text)

12.添加headers

import requests

headers = {
‘User-Agent’: ‘Mozilla/5.0 (Macintosh; Intel Mac OS X 10_11_4) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/52.0.2743.116 Safari/537.36’
}
response = requests.get(“http://httpbin.org/get”, headers=headers)
print(response.text)
13.基本POST请求

import requests

data = {‘name’: ‘germey’, ‘age’: ‘22’}
response = requests.post(“http://httpbin.org/post”, data=data)
print(response.text)

import requests

data = {‘name’: ‘germey’, ‘age’: ‘22’}
headers = {
‘User-Agent’: ‘Mozilla/5.0 (Macintosh; Intel Mac OS X 10_11_4) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/52.0.2743.116 Safari/537.36’
}
response = requests.post(“http://httpbin.org/post”, data=data, headers=headers)
print(response.json())

eg:
基本用法

import requests

response=requests.get(url=‘https://www.baidu.com’) 也可不写url 如：response=requests.get(‘https://www.baidu.com’)

response.encoding=‘utf-8’ 编写编码格式

print（response.text） 输出爬取的网页信息

爬取图片

import request

response=requests.get(‘https://ss1.bdstatic.com/70cFvXSh_Q1YnxGkpoWK1HF6hhy/it/u=2748788776,2791291039&fm=26&gp=0.jpg’) 图片地址

with open(‘tupian.png’,‘wb’) as f:
f.write(response.content)
就是打开这个tupian.png文件 没有则创建 以二进制写入把爬取的图片二进制编码写入文件中 不写路径默认在本页面