Python爬虫：数据抓取工具及类库详解

wget

wget也是一个利用URL语法在命令行环境下进行文件传输的工具,其基本用法为wget [URL地址] [参数],如:

wget https://www.baidu.com

其常用参数如下:

下面例子演示如何使用wget镜像一个网站到本地并启动:

使用wget --mirror命令将整个网站的镜像下载到本地

wget --mirror -p --convert-links http://www.httpbin.org

切换到下载好的资源目录下,使用Python自带的http.server模块开启一个微型服务器

python -m http.server

访问localhost:8000,即可访问我们搭建在本机上的镜像网站.

数据抓取的Python库

---

Python中有两个常用的抓取数据的库:urllib和requests.其中requests库封装了urllib库,且比urllib库更为优雅.因此,我们可以直接学习requests库.

requests库

request库的应用比较简单,下面是官方提供的一段示例代码:

r = requests.get(‘https://api.github.com/user’, auth=(‘user’, ‘pass’))

r.status_code # 返回 200

r.headers[‘content-type’] # 返回 ‘application/json; charset=utf8’

r.encoding # 返回 ‘utf-8’

r.text # 返回 u’{“type”:“User”…’

r.json() # 返回 {u’private_gists’: 419, u’total_private_repos’: 77, …}

requests库的简单使用

---

发送HTTP请求

下面几个方法可以发送HTTP请求,对应于HTTP的各种请求类型

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

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

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

• requests.delete(url, **kwargs)

• requests.head(url, **kwargs)

• requests.options(url, **kwargs)

上面六个方法分别对应HTTP请求类型中的GET,POST,PUT,DELETE,HEAD和OPTIONS,各参数意义如下:

• url: 请求的URL地址.

• params: GET请求放进URL中的请求参数,以字典形式存储.

• data: 请求体中的数据.

• **kwargs: 该请求需要的其他参数,包括:

• headers: 以字典格式存储的请求头内容.

• json: 以字典形式存储的请求体中数据,等同于data参数

• cookies: 以字典形式存储的cookies.

• allow_redirects: 是否允许重定向,为一个布尔值

• timeout: 设置超时时间,单位为秒

• auth: 设置身份认证信息

解析HTTP响应

---

上述requests.get(), requests.post(), requests.put(), requests.delete(), requests.head(), requests.options()方法都会返回一个requests.models.Response对象,该对象封装了HTTP响应报文,该对象提供了下述常用方法和属性用于解析HTTP响应.

解析响应状态的属性和方法

url: 表示该HTTP请求的URL.

payload = {‘key1’: ‘value1’, ‘key2’: [‘value2’, ‘value3’]}

r = requests.get(‘http://httpbin.org/get’, params=payload)

r.url # 得到 http://httpbin.org/get?key1=value1&key2=value2&key2=value3

• tatus_code: 该HTTP响应的状态码.

• reason: 响应状态码的说明.

自我介绍一下，小编13年上海交大毕业，曾经在小公司待过，也去过华为、OPPO等大厂，18年进入阿里一直到现在。

深知大多数Python工程师，想要提升技能，往往是自己摸索成长或者是报班学习，但对于培训机构动则几千的学费，着实压力不小。自己不成体系的自学效果低效又漫长，而且极易碰到天花板技术停滞不前！

因此收集整理了一份《2024年Python开发全套学习资料》，初衷也很简单，就是希望能够帮助到想自学提升又不知道该从何学起的朋友，同时减轻大家的负担。

既有适合小白学习的零基础资料，也有适合3年以上经验的小伙伴深入学习提升的进阶课程，基本涵盖了95%以上前端开发知识点，真正体系化！

由于文件比较大，这里只是将部分目录大纲截图出来，每个节点里面都包含大厂面经、学习笔记、源码讲义、实战项目、讲解视频，并且后续会持续更新

如果你觉得这些内容对你有帮助，可以扫码获取！！！（备注：Python）

47b8a67243c1008edf79.png)

既有适合小白学习的零基础资料，也有适合3年以上经验的小伙伴深入学习提升的进阶课程，基本涵盖了95%以上前端开发知识点，真正体系化！

由于文件比较大，这里只是将部分目录大纲截图出来，每个节点里面都包含大厂面经、学习笔记、源码讲义、实战项目、讲解视频，并且后续会持续更新

如果你觉得这些内容对你有帮助，可以扫码获取！！！（备注：Python）