爬虫学习笔记1---------requests库

Unit 1 : Requests库入门 （7 * 13）

 

（1）、安装 pip install requests

 

     测试

import requests

r = requests.get("http://www.baidu.com")

r.status_code

     200

r.encoding = 'utf-8'

r.text     #打印内容

 

 

（2）、request库的7个主要方法对应HTTP的7个方法

 

•      requests.request()     构造一个请求，基础方法

               requests.request(method,url,**kwargs)

               method：请求方法，对应get/put/post等7种

               url

               **kwargs，13个控制访问参数：

 

#1、params：字典或字节序列，能增加到URL链接里

kv = {'key1': 'value1','key2':'value2'}

r = requests.request('GET','http://python123.io/ws', params=kv)

print(r.url)

#http://python123.io/ws?key1=value1&key2=value2

 

#2、data：字典、字节序列或文件对象，作为Request的内容

kv = {'key1': 'value1','key2':'value2'}

r = requests.request('POST','http://httpbin.org/post', data = kv)

data值为字典 则存于网页请求的form表单中

body = '主体内容'

r = requests.request('POST','http://httpbin.org/post', data = body)

data值若为字符串  则存于网页请求的data标签中

 

#3、json：JSON格式的数据，作为Request的内容

kv = {'key1': 'value1','key2':'value2'}

r = requests.request('POST','http://httpbin.org/post', json = kv)

 

#4、headers：字典，HTTP定制头,模拟任何浏览器

hd = {'user-agent:'Chrome/10'}

r = requests.request('POST','http://httpbin.org/post', headers = hd)

 

##高级功能：

#5、cookies：字典或CookieJar,Request中的cookie

#6、auth：元组，支持HTTP认证功能

 

#7、file：字典类型，传输文件

fs = {'file':open('data.xls','rb')}

r = requests.request('POST','http://python123.io/ws',files=fs)

 

#8、timeout：设定超时时间，秒为单位

r = reqquests.request('GET','http://www.baidu.com', timeout=10)

 

#9、proxies：字典类型，设定访问代理服务器，可以增加登录认证，隐藏用户原IP地址信息，有效的防止对爬虫的逆追踪。

pxs = {'http':'http://user:pass@10.10.10.1:1234','https':'https://10.10.10.1:4321'}

r = requests.request('GET','http://www.baidu.com',proxies=pxs)

 

##高级功能开关

#10、allow_redirects: True/False，默认为True，重定向的开关

#11、stream:True/False，默认为True，获取立即下载的开关

#12、verify:True/Falsse，默认为True，认证SSL证书的开关

 

#13、cert：本地SSL证书路径

 

•      requests.get()        最常用，获取HTML网页，对应HTTP的GET，其它受限

r = requests.get(url) # .get()构造 Request对象

#返回 Response对象 r

requests.get(url,params=None,**kwargs)

#源码都是调用了request方法

 

##Response对象

import requests

r = requests.get("http://www.baidu.com")

print(r.status_code) #200

type(r)

r.text

r.encoding     #charset字段，如果header中不存在charset,则认为编码为ISO-8859-1

r.apparent_encoding

#替换编码方式

r.encoding = "utf-8"

r.text

r.headers

Response对象的属性

     r.status_code     返回状态，200成功，404……失败

     r.text     字符串形式的页面内容

     r.encoding     从HTTP header 中猜测的响应内容编码方式

     r.apparent_encoding     从内容文本中分析的编码方式（备选编码方式）

     r.content     HTTP响应内容的二进制形式

 

•     requests.head()     获取HTML网页头，对应HTTP的HEAD

          requests.head(url, **kwargs)

 

•     requests.post()     向HTML网页提交POST请求，对应HTTP的POST

          requests.post(url, data=None, json=None, **kwargs)

 

     向URL追加一个字典：

 

payload = {'key1': 'value1','key2':'value2'}

r = requests.post('http://httpbin.org/post',data = payload)

print(r.text) #向url POST一个字典，自动编码为"form"（表单）

 

     向URL追加一个data：

r = requests.post('http://httpbin.org/post',data = "ABC")

print(r.text) #向url POST，自动编码为data,"data"="ABC"

 

•     requests.put()         向HTML网页提交PUT请求，对应HTTP的PUT

可覆盖原有数据

          requests.put(url, data=None, **kwargs)

 

•     requests.patch()     向HTML网页提交局部修改请求，对应HTTP的PATCH

          requests.patch(url, data=None, **kwargs)

 

•     requests.delete()     向HTML网页提交删除请求，对应HTTP的DELETE

          requests.delete(url, **kwargs)

 

（3）、爬取网页的通用代码框架

 

Request库异常处理

• requests.ConnectionError    网络连接错误异常，如DNS查询失败、防火墙拒绝连接等
• requests.HTTPError    HTTP协议层面错误异常
• requests.URLRequired   URL缺失异常
• requests.TooManyRedirects    超过最大重定向次数，产生重定向异常，复杂连接
• requests.ConnectTimeout    连接远程服务器超时异常
• requests.Timeout    请求URL超时

理解Requests库的异常

r.raise_for_status()    如果不是200，产生异常requests.HTTPError

 

#通用代码框架

 

import requests

def getHTMLText(url):

     try:

          r = requests.get(url, timeout=30)

          r.raise_for_status() #如果状态不是200，引发HTTPError异常

          r.encoding = r.apparent_encoding

          return r.text

     except:

          return "产生异常"

#测试

if __name__ == "__main__":

     url = "http://www.baidu.com"

     print(getHTMLText(url))

 

（4）、HTTP协议

     HTTP,Hypertext Tranfer Protocol，超文本传输协议，是一个基于"请求与响应"模式的、无状态（前后响应没有关系）的应用层（工作在TCP协议之上）协议。

     一般采用URL作为定位网络资源的标识。

     URL格式     http://host[:port][path]

• host：合法的Internet主机域名或IP地址
• port：端口号，缺省为80
• path：请求资源的路径

     URL的理解：

     URL是通过HTTP协议存取资源的Internet路径，一个URL对应一个数据资源。

          HTTP协议对资源的操作，方法：

• GET    请求获取URL位置的资源
• HEAD   请求获取URL位置资源的响应消息报告，获得头部信息
• POST   请求向URL位置的资源后附加新的数据（追加）
• PUT    请求向URL位置储存一个资源 （覆盖）
• PATCH   改变该资源处部分内容 （修改）
• DELETE   删除该位置储存的资源

          PUT与PATCH区别：PATCH只用修改其中一个。

 

---

 

Unit 2 : 网络爬虫“盗亦有道”

 

网络爬虫尺寸：

 

小规模，数据量小 爬取速度不敏感 Requests库	中规模，数据规模较大，爬取速度敏感 Scrapy库	大规模，搜索引擎 爬取速度关键 定制开发
爬取网页，玩转网页	爬取网站，爬取系列网站	爬取全网

 

网络爬虫“骚扰”，法律风险（服务器上的数据有产权），个人隐私泄露。

 

网络爬虫的限制

•     来源审查：判断User-Agent进行限制
• • 检查来访问HTTP协议头的User-Agent域，只响应浏览器或友好爬虫的访问。
• 发布公告：Robots协议：
• • 告知爬虫策略，要求遵守

 

Robots 协议：在网站根目录下的robots.txt文件。

案例：京东（https://www.jd.com/robots.txt）：

 

User-agent: * Disallow: /?* Disallow: /pop/*.html Disallow: /pinpai/*.html?* User-agent: EtaoSpider Disallow: / User-agent: HuihuiSpider Disallow: / User-agent: GwdangSpider Disallow: / User-agent: WochachaSpider Disallow: /

 

    #robots基本语法：*代表所有，／代表根目录

        User-agent：*

        Disallow：／

遵守方式：

• 网络爬虫：自动或人工识别robots.txt，再进行内容爬取。
• 约束性：可以不遵守，但存在法律风险。

 

---

 

Unit 3 : Requests库网络爬虫实例

 

一 、京东商品信息爬取

 

import requests

url = "https://item.jd.com/2967929.html"

try:

     r = requests.get(url)

     r.raise_for_status()

     r.encoding = r.apparent_encoding

     print(r.text[:1000])

except:

     print("爬取失败")

 

 

二、亚马逊商品

有反爬虫程序，需要模拟浏览器的headers，添加user-agent：

 

import requests

url = "https://www.amazon.cn/gp/product/B01M8L5Z3Y"

try:

     kv = {'user-agent':'Mozilla/5.0'}

     r = requests.get(url, headers = kv)

     r.raise_for_status()

     r.encoding = r.apparent_encoding

     print(r.text[1000:2000]

except:

     print("爬取失败")

 

 

三、百度／360搜索关键词提交

 

百度的关键词接口：

http://www.baidu.com/s？wd=keyword

 

import requests

url = "http://www.baidu.com/s"

kv = {'wd':'python'}

try:

    r = requests.get(url, params = kv)

    r.raise_for_status ()

    r.encoding = r.apparent_encoding

    print(r.text[2000:4000])

except:

    print(r.url)

    print("爬取失败")

 

360关键字接口：

http://www.so.com/s？q=keyword

 

import requests

url = "http://www.so.com/s"

kv = {'q':'python'}

try:

    r = requests.get(url, params = kv)

    r.raise_for_status ()

    r.encoding = r.apparent_encoding

    print(len(r.text))

except:

    print(r.url)

    print("爬取失败")

 

 

 

四、网络图片的爬取和存储

 

www.nationalgeographic.com.cn/photography/photo_of_the_day/3921.html

 

import requests

import os

url = "http://image.nationalgeographic.com.cn/2017/0211/20170211061910157.jpg"

root = "D://pics//"

path = root + url.split('/')[-1]

try:

    if not os.path.exists(root):

          os.mkdir(root)

    if not os.path.exists(path):

        r = requests.get(url)

        with open(path, 'wb') as f:

            f.write(r.content)

            f.close()

            print("文件保存成功")

    else:

        print("文件已经存在")

except:

    print("爬取失败")

 

五、IP地址归属地的自动查询

 

http://m.ip138.com/ip.asp?ip=ipaddress

import requests

url = "http://m.ip138.com/ip.asp?ip="

try:

    r = requests.get(url + '202.102.111.110')

    r.raise_for_status()

    r.enconding = r.apparent_encoding

    print(r.text[-500:])

except:

    print("爬取失败")

 

 

总结：以爬虫视角看待网络资源，所有对资源的操作都是通过url链接来实现的 。

 

注： 可看慕课或b站上 嵩天老师讲的python网络爬虫与信息提取课程

         本文为视频内容  转载自https://blog.youkuaiyun.com/youyinyou/article/details/77745131