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:
[https://www.baidu.com/]:
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 |
PATCH的最主要好处:节省网络带宽
Requests库
pip install requests (管理员模式运行)
import requests
r=requests.get("http://www.baidu.com")
print(r.status_code) #返回200代表成功
七种主要方法
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.get(url, params=None, *kwargs) ∙ //*号代表可选
**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
(1)params:字典或者字节序列,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)
#https://python123.io/ws?key1=value1&key2=value2
(2)data:字典或者字节序列或者文件对象,作为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)
(3)json:JSON格式的数据,作为Request的内容
(4)headers:字典,HTTP定制头
hd = {'user-agent': 'Chrome/10'}
r = requests.request('POST', 'http://python123.io/ws', header = hd)
(5)cookies:字典或CookieJar,Request中的cookie
(6)auth:元祖,支持HTTP认证功能
(7)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)
(8)timeout:设定超时时间,秒为单位
(9)proxies:字典类型,设定访问代理服务器,可以增加登录认证
访问百度时,所使用IP地址为代理服务器的IP地址,有效地防止爬取的逆追踪
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)
(10)allow_redirects:True/False,默认为True,重定向开关
(11)stream:True/False,默认为True,获取内容立即下载开关
(12)verify:True/False,默认为True,认证SSL证书开关
(13)cert:本地SSL证书路径
response对象
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.encoding | 从HTTP header中猜测的响应内容编码方式 |
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 |
r.encoding:如果header中不存在charset,则认为编码为ISO‐8859‐1 r.text根据r.encoding显示网页内容
r.apparent_encoding:根据网页内容分析出的编码方式 可以看作是r.encoding的备选
框架
import requests
def getHTMLText(url):
try:
r = requests.get(url,timeout=30)
r.raise_for_status() #如果不是200,产生异常requests.HTTPError
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))
小知识点
user—agent : Mozilla/5.0 //常用于模拟浏览器
**百度的关键词接口: http://www.baidu.com/s?wd=keyword **
360的关键词接口: http://www.so.com/s?q=keyword