requests 库 & robots 协议

import requests


# ===通用代码框架
def get_html_text(url):
    try:
        r = requests.get(url, timeout=30)
        r.raise_for_status()  # 如果状态不是200,引发HTTP——error异常
        r.encoding = r.apparent_encoding
        return r.text
    except:
        return "产生异常"


'''
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.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
'''

'''
requests库的七个常用方法
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()          获取HTML网页的主要方法,对应于HTTP的GET 
'''

 # 测试一百次requests需要多长时间
 n = 0
 url = 'http://www.baidu.com'
while n < 100:
     get_html_text(url)
     print(get_html_text(url))
     n += 1

'''
====网络爬虫的尺寸
网页  requests
网站  scrapy
全网  定制开发

====网络爬虫引发的问题
性能骚扰 
法律风险 
隐私泄露

====robots协议
Robots Exclusion Standard,网络爬虫排除标准
==作用:
网站告知网络爬虫哪些页面可以抓取,哪些不行
==形式:
在网站根目录下的robots.txt文件
# *代表所有,/代表根目录 
User‐agent: *  
Disallow: / 
'''
  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值