PYTHON爬虫--01--urllib | requests

本文详细介绍了使用Python进行网络爬虫的技术要点,包括环境搭建、常用库安装、爬虫基本原理及具体实践案例。涵盖了数据库配置、多版本Python管理、urllib与requests库的深入应用等方面。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

一、准备

1、数据库安装配置

(1)mongodb、redis、mysql

2、python多版本共存配置

(1)环境变量

  • python 安装后,为了保证系统能够找到相应的命令,就是在命令行能够直接调用python 等命令,需要设置环境变量;

(2)多版本配置

  • 多版本python 安装配置环境变量后,python 和 pip 等命令存在重名问题,直接调用和变量中的配置顺序有关,解决方法是,直接复制重命名,pip可能需要新建一个 py 文件;

3、爬虫常用库的安装

(1)安装命令:pip install requests;

(2)常用库

  • 请求:urllib、re(内置)、requests
  • 渲染:selenium(ChromeDriver)、phantomjs
  • 解析:lxml、beautifulSoup、pyquery
  • 存储:pymysql、pymongo
  • 分布式:redis、flask
  • 其他:django、jupyter

 

二、爬虫原理

1、流程

(1)发起请求

  • 很多网站要求带 header,其中最主要的是 UA 和 cookie;

(2)接受响应

  • 响应内容可能是 html、xml、json和二进制数据等;

(3)解析内容

  • 通过正则、xpath、bs4、pyquery 等获取有效的数据;

(4)保存数据

  • 文本可以直接保存文件,还可以存到数据库(关系和非关系),还可以存二进制文件;

 

三、urllib详解

1、综述

  • 常用的有三个模块:request(发送请求)、error(错误处理)、parse(解析html)

2、请求-request

(1)request对象

  • request.Request(url=url,data=data,headers=headers,method='POST')
  • request.add_header('.....')

(2)代理:需要通过一个handler和openner来处理

3、响应-response

(1) 响应头和状态码

  • reponse.status、response.getHeader

(2) 响应体

  • response.read().decode('utf-8')

(3)cookie:需要通过一个handler和openner来处理

4、异常处理-error

(1)作用:保证程序的正常运行;

(2)常用的:URLerror--父类、HTTPerror

5、URL解析-parse

(1)url的组成:协议、域名、路径、参数、锚点(用于指定网络资源中的片断,以 # 为标志)

(2)常用方法:urlparse(分割)、urlunparse(组合)、urljoin(后面替换前面)、urlencode

(3)urlencode():将字典转化为 get 请求的参数

from urllib.parse import urlencode
base_url='https://www.baidu.com?'
dict1={
    'name':'kaka',
    'password':'ab123'
}
print (base_url+urlencode(dict1))

 

四、request库详解 

1、GET请求

(1)带参数的get请求

import requests
dict2={
   'name':'kaka',
   'password':'ab123' 
}
resp = requests.get('https://httpbin.org/get',params=dict2)
print (resp.text)

(2)json解析 

import requests
import json

resp = requests.get('https://httpbin.org/get')
print (resp.json())
print(json.loads(resp.text))

(3)获取二进制数据 

import requests
resp = requests.get('https://ss0.bdstatic.com/5aV1bjqh_Q23odCf/static/superman/img/logo/logo_white_fe6da1ec.png')
with open('e:\\1.png','wb') as f:
    f.write(resp.content)
    f.close()

(4)添加headers

  • 某些网站需要验证请求头的信息
import requests
requests.get('.........',headers=headers)

2、POST请求

  • 方法类似get请求的方法,请求体用一个字典封装(data)
requests.post('',data=data,headers=headers)

3、高级操作

(1)文件上传

import requests
file={
    '12.png':open('e:\\1.png','rb')
}
resp=requests.post('https://httpbin.org/post',files=file)
print(resp.text)

(2)获取cookie

import requests

resp=requests.get('https://www.baidu.com')
for k,v in resp.cookies.items():
    print('key='+k+'  value='+v)

(3)登录状态保持

  • response.cookies
import requests
se = requests.Session()

resp=se.get('https://httpbin.org/cookies/set/name/kaka')
resp2 = se.get('https://httpbin.org/cookies')
print(resp2.text)

(4)证书验证:get('.....',verify=false)

(5)代理设置:get('.....',proxys=proxys)

(6)超时设置:get('.....',timeout=1)

(7)认证设置:get('.....',auth=('kaka','123'))

(8)异常处理:保证程序的正常运行

 

 

 

 

 

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值