Python网络爬虫（一）——Http协议及Requests库

Http协议

什么是Http协议

HTTP，Hypertext Transfer Protocol，超文本传输协议

HTTP是一个基于“请求与响应”模式的、无状态的应用层协议

HTTP协议采用URL作为定位网络资源的标识，URL格式如下：

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

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

HTTP URL实例：

• http://www.bit.edu.cn
• http://220.181.111.188/duty

HTTP 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	说明
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，即获得该资源的头部信息
POST	请求向URL位置的资源后附加新的数据
PUT	请求向URL位置存储一个资源，覆盖原URL位置的资源
PATCH	请求局部更新URL位置的资源，即改变该处资源的部分内容
DELETE	请求删除URL位置存储的资源

理解PATCH和PUT的区别

假设URL位置有一组数据UserInfo，包括UserID、UserName等20个字段

需求：用户修改了UserName，其他不变

• 采用PATCH，仅向URL提交UserName的局部更新请求
• 采用PUT，必须将所有20个字段一并提交到URL，未提交字段被删除

PATCH的最主要好处：节省网络带宽

Requests库

Requests库的7个主要方法

JavaWeb中HttpServletRequest接口：用于封装Http请求信息。

方法	说明
requests.request()	构造一个请求，支撑以下各方法的基础方法
requests.get()	获取HTML网页的主要方法，对应于HTTP的GET
requests.head()	获取HTML网页头信息的方法，对应于HTTP的HEAD
requests.post()	向HTML网页提交POST请求的方法，对应于HTTP的POST
requests.put()	向HTML网页提交PUT请求的方法，对应于HTTP的PUT
requests.patch()	向HTML网页提交局部修改请求，对应于HTTP的PATCH
requests.delete()	向HTML页面提交删除请求，对应于HTTP的DELETE

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

• method:请求方式，对应get/put/post等7种
• url:拟获取页面的url链接
• **kwargs:控制访问的参数，共13个

13个控制访问参数

params:字典或字节序列，作为参数增加到url中

>>> 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

proxies:字典类型，设定访问代理服务器，可以增加登录认证

>>> 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)

data:字典、字节序列或文件对象，作Request的内容

>>> kv = {'key1': 'value1', 'key2': 'value2'}
>>> r = requests.request('POST', 'http://python123.io/ws', data=kv)
>>> body = '主体内容'
>>> r = requests.request('POST', 'http://python123.io/ws', data=body)

json:JSON格式的数据，作为Request的内容

>>> kv = {'key1': 'value1'}
>>> r = requests.request('POST', 'http://python123.io/ws', json=kv)

headers:字典，HTTP定制头

>>> hd = {'user‐agent': 'Chrome/10'}
>>> r = requests.request('POST', 'http://python123.io/ws', headers=hd)

files:字典类型，传输文件

>>> fs = {'file': open('data.xls', 'rb')}
>>> r = requests.request('POST', 'http://python123.io/ws', files=fs)

timeout:设定超时时间，秒为单位

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

cookies:字典或CookieJar，Request中的cookie

auth : 元组，支持HTTP认证功能

allow_redirects : True/False，默认为True，重定向开关

stream : True/False，默认为True，获取内容立即下载开关

verify : True/False，默认为True，认证SSL证书开关

cert : 本地SSL证书路径

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

• url : 拟获取页面的url链接
• params : url中的额外参数，字典或字节流格式，可选
• **kwargs: 12个控制访问的参数

requests.head(url, **kwargs)
- url : 拟获取页面的url链接
- **kwargs: 12个控制访问的参数

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

• url : 拟更新页面的url链接
• data : 字典、字节序列或文件，Request的内容
• json : JSON格式的数据，Request的内容
• **kwargs: 12个控制访问的参数

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

• url : 拟更新页面的url链接
• data : 字典、字节序列或文件，Request的内容
• **kwargs: 12个控制访问的参数

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

• url : 拟更新页面的url链接
• data : 字典、字节序列或文件，Request的内容
• **kwargs: 12个控制访问的参数

requests.delete(url, **kwargs)

• url : 拟删除页面的url链接
• **kwargs: 12个控制访问的参数

r = requests.get(url)：构造一个向服务器请求资源的Request对象，返回一个包含服务器资源的Response对象。Response对象包含服务器返回的所有信息，也包含请求的Request信息。

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

url:拟获取页面的url链接
params:url中的额外参数，字典或字节流格式，可选**kwargs:12个控制访问的参数

Response对象的属性

属性	说明
r.status_code	HTTP请求的返回状态，200表示连接成功，404表示失败
r.text	HTTP响应内容的字符串形式，即，url对应的页面内容。r.text根据r.encoding显示网页内容
r.encoding	从HTTP header中猜测的响应内容编码方式。如果header中不存在charset，则认为编码为ISO‐8859‐1。
r.apparent_encoding	从内容中分析出的响应内容编码方式（备选编码方式)
r.content	HTTP响应内容的二进制形式

Requests库的异常

异常	说明
requests.ConnectionError	网络连接错误异常，如DNS查询失败、拒绝连接等
requests.HTTPError	HTTP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
requests.ConnectTimeout	连接远程服务器超时异常
requests.Timeout	请求URL超时，产生超时异常

Response的异常

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

r.raise_for_status()在方法内部判断r.status_code是否等于200，不需要增加额外的if语句，该语句便于利用try‐except进行异常处理

Http协议与Requests库

HTTP协议方法	Requests库方法	功能一致性
GET	requests.get()	一致
HEAD	requests.head()	一致
POST	requests.post()	一致
PUT	requests.put()	一致
PATCH	requests.patch()	一致
DELETE	requests.delete()	一致

爬去网页的通用代码框架

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"

    if __name__ == "__main__":
        url="http://www.baidu.com"
        print(getHTMLText(url))