一、Requests库入门
1.1 Requests库的安装
1、Requests库是Python的第三方库,它也是公认最好爬取网页的库。它的特点是:简单,简洁。Request库更多信息查询网站:Requests库。
2、Requests安装
在命令行中输入下列代码
pip install requests
它会帮我们自动下载并安装requests库,版本为(2.13.0),要使用最新的pip,如果不是最新的使用
python -m pip install --upgrade pip
更新pip。
3、Requests测试
打开Python IDLE,按下图进行测试,如果没有任何报错,说明requests库安装成功。
4、Requests库的7个主要方法
(1)requests.request()
:构造一个请求,支撑以下各种方法的基础方法
(2)requests.get()
:获取HTML网页的主要方法,对应于HTTP的GET
(3)requests.head()
:获取HTML网页头信息的方法,对应于HTTP的HEAD
(4)requests.post()
:向HTML网页提交POST请求的方法,对应于HTTP的POST
(5)requests.put()
:向HTML网页提交PUT请求的方法,对应于HTTP的PUT
(6)requests.patch()
:像HTTP网页提交局部修改请求,对应于HTTP的PATCH
(7)requests.delete()
:向HTML页面提交删除请求,对应于HTTP的DELETE
1.2 Requests库的get()方法
1、获取一个网页最简单的一个代码就是
r = requests.get(url)
这里我们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(Python区分大小写)
2、Requests库的get()方法的完整使用是
requests.get(url,params=None,**kwargs)
url
:拟获取网页的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,可选。
我们打开get()的源码
发现它使用了request()
方法来封装。
3、Response对象
Response包含了所有返回的全部信息,也包含了所有Requests的全部信息。
r.status_code
表示get()请求的状态码,如果状态码是200,说明访问成功。
type(r)
用来检测r的类型,这里表示它返回的是一个class
,这个class
是一个response
。
r.headers
返回get()
获得页面的头部信息。
4、Response对象的5个属性
(1)r.status_code
:HTTP请求的返回状态,200表示连接成功,404表示失败。
(2)r.text
:HTTP响应内容的字符串形式,即,url对应的页面内容。
(3)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IOS-8859-1。
(4)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)。
(5)r.contet
:HTTP响应内容的二进制形式。
1.3 爬取网页的通用代码框架
1、由于网络连接又风险,所以我们需要做异常处理。
2、Requests库的异常
(1)requests.ConnectionError
:网络连接错误异常,如DNS查询失败、拒绝连接等
(2)requests.HTTPError
:HTTP错误异常
(3)requests.URLRequired
:URL缺失异常
(4)requests.TooManyRedirects
:超过最大重定向次数,产生重定向异常
(5)requests.ConnectTimeout
:连接远程服务器时异常
(6)requests.Timeout
:请求URL超时,产生超时异常。
(7)r.raise_for_status()
如果不是200,产生异常requests.HTTPError
。
3、示例代码
import requests
def getHTMLText(url):
try:
r=requests.get(url,timeout=300)
r.raise_for_status()
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))
url = "www.baidu.com"
print(getHTMLText(url))
爬取网页的通用代码框架是指def getHTMLText(url)
部分,需要有异常处理。
1.4 HTTP协议及Requests库方法
1、HTTP协议
HTTP(Hypertext Transfer Protocol,超文本传输协议)是一个基于“请求与响应”模式的、无状态的应用层协议。
2、HTTP协议采用URL作为定位网络资源的标识。
3、URL格式:
http://host[:port][path]
host
:合法的Internet主机域名或IP地址
port
:端口号,缺省端口为80
path
:请求资源的路径
4、URL市通过HTTP协议存取资源的Internet路径,一个URL对应一个数据资源。
5、HTTP协议对资源的操作
(1)GET
:请求获取URL位置的资源
(2)HEAD
:请求获取URL位置资源的响应消息报告
(3)POST
:请求向URL位置的资源后附加新的数据
(4)PUT
:请求URL位置存储一个资源,覆盖原URL位置资源
(5)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
(6)DELETE
:请求删除URL位置存储的资源。
6、HTTP协议对资源的操作
7、PATCH和PUT的区别
假设URL位置有一组数据UserName、UserID等20个字段。
需求:用户修改UserName,其他不变
(1)采用PATCH,仅向URL提交UserName的局部更新请求
(2)采用PUT,必须将所有20个字段一并提交到URL,否则未提交字段被删除。
1.5 Requests库主要方法解析
1、requests.request()
requests.request(method,url,**kwargs)
method
:请求方式,对应get/put/post等7种
requests.request('GET',url,**kwargs)
requests.request('HEAD',url,**kwargs)
requests.request('POST',url,**kwargs)
requests.request('PUT',url,**kwargs)
requests.request('PATCH',url,**kwargs)
requests.request('delete',url,**kwargs)
requests.request('OPTIONS',url,**kwargs)
url
:拟获取网页的url链接
**kwarges
:13个控制访问的参数,可选。
params
:字典或字节序列,作为参数增加到url中
data
:字典、字节序列或文件对象,作为Requests的内容
json
:JSON格式的数据,作为Requests的内容
headers
:字典,HTTP定制头
cookies
:字典或CookieJar,Request中的cookie
auth
:元祖,支持HTTP认证功能。
file
:字典类型,传输文件
timeout
:设定超时时间,秒为单位
proxies
:字典类型,设定访问代理服务器,可以增加登录认证。
allow_redirects
:True/False,默认为True,重定位开关
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
2、requests.get()
requests.get(url,params=None,**kwargs)
url
:拟获取网页的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,可选。除了params
,其他都跟request一样。
3、requests.head()
requests.head(url,**kwargs)
url
:拟获取网页的url链接
**kwargs
:13个控制访问的参数,可选。
4、requests.post()
requests.post(url,data=None,json=None,**kwargs)
url
:拟获取网页的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
:11个控制访问的参数,可选。
4、requests.put()
requests.put(url,data=None,**kwargs)
url
:拟获取网页的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,可选。
5、requests.patch()
requests.patch(url,data=None,**kwargs)
url
:拟获取网页的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,可选。
6、requests.delete()
requests.put(url,**kwargs)
url
:拟获取网页的url链接
**kwargs
:13个控制访问的参数,可选。
二、网络爬虫的“盗亦有道”
2.1 网络爬虫引发的问题
1、网络爬虫的尺寸
2、网络爬虫引发的问题
(1)性能骚扰
(2)法律风险
(3)隐私泄露
3、网络爬虫的限制
(1)来远审查:判断User-Agent进行限制,检查来访问HTTP协议头的User-Agent域,只能响应浏览器或友好爬虫的访问
(2)发布公告:Robots协议,告知所有爬虫网站的爬取策略,要求爬虫遵守。
4、Robots协议(Robts Exclusion Standard,网络爬虫排除标准),其作用是网站告知网络爬虫哪些页面可以抓取,哪些不行,形式是在网站根目录下的robots.txt文件。
5、Robots协议基本语法
# 注释,*代表所有,/代表根目录
User-agent: *
Disallow: /
6、Robots协议的使用
网络爬虫:自动或人工识别robots.txt,再进行内容爬取
约束性:Robots协议是建议但非约束性,网络爬虫可以不遵守,但存在法律风险
7、对Robots协议的理解