requests模块
—— 概念:python中原生的一款基于网络请求的模块,功能非常强大,简单便捷,效率极高。
—— 作用:模拟浏览器发送请求。
requests模块的编码流程
- 指定url
- UA伪装
- 请求参数的处理 - 发起请求
- 获取响应数据
- 持久化存储
环境安装:
pip install requests
实战编码
一、 需求:爬取搜狗首页的页面数据
#— 需求:爬取搜狗首页的页面数据
#import导入requests模块
import requests
if __name__ == "__main__":
#step 1:指定url
url = 'https://sogou.com/'
#step 2:发起请求
#get方法会返回一个响应对象
response = requests.get(url=url) ##格式:requests.get(url,params,kwargs)
#step 3:获取响应数据.text返回的是字符串形式的响应数据
page_text = response.text
print(page_text)
#step 4:持久化存储
with open('./sogou.html','w',encoding='utf-8') as fp:
fp.write(page_text)
print('爬取数据结束!!!')
### 报错情况:AttributeError: module 'requests' has no attribute 'get'
### 在使用requests模块时,没有找到get这个属性
### 解决方法:File————Settings————Project:...————Python interpret————添加requests模块
二、需求:爬取搜狗指定词条对应的搜索结果页面(简易网页采集器)
搜索指定词条,可得如下url。其中query=python
代表我们输入的搜索内容。
删除query
后面的内容,可以得到同样的搜索结果页面。这个url就是经过简洁处理后的url。
UA:User-Agent(请求载体的身份标识)
UA检测:门户网站的服务器会检测对应请求的载体身份标识,如果检测到请求的载体身份标识为某一款浏览器,说明该请求是一个正常的请求。但是,如果检测到请求的载体身份标识不是基于某一款浏览器的,则表示该请求为不正常的请求(爬虫),则服务器端就很有可能拒绝该次请求。
UA伪装:让爬虫对应的请求载体身份标识伪装成某一款浏览器
import requests
if __name__ == "__main__":
#UA伪装:将对应的User-Agent封装到一个字典中
headers = {
'User-Agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/114.0.0.0 Safari/537.36'
}
# url复制过来后query后面部分可能变成乱码,在requests模块中也可以改为中文
url = 'https://www.sogou.com/web'
#step 1:处理url携带的参数:封装到字典中
kw = input('enter a word:') #将搜索词赋值给kw
param = {
'query':kw
}
#字典创建后,可删除url中的query部分 ?可删可不删
#step 2:对指定的url发起的请求对应的url是携带参数的,并且请求过程中处理了参数
response = requests.get(url=url,params=param,headers=headers)
#step 3:获取响应数据
page_text = response.text
#step 4:持久化存储
fileName = kw+'.html'
with open(fileName,'w',encoding='utf-8') as fp: #open参数1要指定磁盘文件的路径和名称
fp.write(page_text)
print(fileName,'保存成功!!!')
三、需求:破解百度翻译(爬取页面局部的文本数据)
在百度翻译页面打开抓包工具。选择XHR,然后输入需要翻译的单词。
每一个字符会发起一个ajax请求,且为POST请求。选择sug进行查看。找到携带对应参数的数据包,即为我们所需要的ajax数据包,复制该数据包所对应的url。(Response中存储的是服务器端响应回来的数据)
在Content-Type处可以发现响应数据是一组json数据
import requests
import json
if __name__ == "__main__":
#指定url
post_url = 'https://fanyi.baidu.com/sug'
#进行UA伪装(在请求之前)
headers = {
'User-Agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/114.0.0.0 Safari/537.36'
}
#step 1:post请求参数处理(同get请求一致)
word = input('enter a word:')
#处理url携带的参数:封装到字典中
data = {
'kw':word
}
#step 2:请求发送
response = requests.post(url=post_url,data=data,headers=headers) #post(url,data,json,kw...
#step 3:获取响应数据:json()方法返回的是obj(对象) (如果确认响应数据是json类型的,才可以使用json()
dic_obj = response.json() #response.text获取的是字符串数据
#step 4:进行持久化存储
fileName = word+'.json'
fp = open(fileName,'w',encoding='utf-8') #生成的文本文件的存储位置
json.dump(dic_obj,fp=fp,ensure_ascii=False) #dump(obj,fp,skipkeys,ensure...a...
#ensure_ascii:拿到的字符串是中文,不能用ascii码进行编码
print('over!!!')
四、需求:爬取豆瓣电影分类排行榜 https://movie.douban.com/中的电影详情数据
滚轮划到底部,则发起一组ajax请求,页面局部刷新。查看XHR,发起GET请求,且携带五个参数,请求得到的是json数据。参数最好都用字典的形式进行封装。
import requests
import json
if __name__ == "__main__":
#复制过来的url,?后面的都是参数
url = 'https://movie.douban.com/j/chart/top_list'
param = {
'type': '24',
'interval_id': '100:90',
'action':'',
'start': '0', #从库中的第几部电影去取(可自己修改)
'limit': '20', #一次请求取出的个数(可修改)
}
#UA伪装
headers = {
'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/114.0.0.0 Safari/537.36'
}
#请求发送
response = requests.get(url=url,params=param,headers=headers)
#获取响应数据
list_data = response.json()
#持久化存储
fp = open('./douban.json','w',encoding='utf-8')
json.dump(list_data, fp=fp, ensure_ascii=False)
print('over!!!')
注:若打开生成的json文件内容都在第一行,可以百度搜索json校验格式化数据,将内容复制过去,即可完成格式转换。
五、需求:爬取肯德基餐厅查询http://www.kfc.com.cn/kfccda/index.aspx中指定地点的餐厅数据
关键字查询后,网址不变,说明发起的是ajax请求,页面发生局部刷新。
import requests
import json
if __name__ == '__main__':
headers = {
'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/114.0.0.0 Safari/537.36'
}
post_url = 'http://www.kfc.com.cn/kfccda/ashx/GetStoreList.ashx?op=keyword'
word = input('enter a word:')
param = {
'cname':'',
'pid':'',
'keyword': word,
'pageIndex': '1',
'pageSize': '20',
}
response = requests.post(url=post_url,params=param,headers=headers)
page_text = response.text
fileName = word + '.html'
with open(fileName, 'w', encoding='utf-8') as fp:
fp.write(page_text)
print(fileName, '保存成功!!!')