爬虫requests模块和数据分类以及cookie和session

一、requests模块（重点）

（一）requests模块简介

    Urllib和requests模块是发起http请求最常见的模块。

    安装：pip install reqeusts

（二）requests模块的get方法

        1、response = requests.get(

           url=请求url地址，

           headers = 请求头字典，

           params=请求参数字典，

        )

        2、get请求一般带参数，带参数就将参数封装到params字典中就可以了。

           案例：新浪新闻，两种分装params请求参数方式

        3、response对象

           （1）响应正文：

               a、字符串格式的响应正文：response.text

               b、字节类型(bytes)的响应正文：response.content

           （2）响应正文的乱码问题解决：

               a、encode和decode就是二进制和字符串之间转换方法。

               编程里面数据载体

                  存储用变量或者常量

                  可以看到数据的内容一定是字符串格式。

                  正常的计算机数据本质都是二进制--bytes。

                str.encode('编码')--->bytes

                bytes.decode('编码')---->str

               乱码：编码不一致造成的。

               response.content.decode('页面的正确编码')---得到页面正确的字符串内容

              

               b、response.text之所以可以获取字符串格式，其实在requests模块的底层用

               response.encoding这个属性所对应的编码来将二进制内容变成字符串。其实就是response.encoding所对应的编码错了。只需要指定正确的即可。

               response.encoding这个属性值值是requests模块自动识别。

               response.encoding='页面正确编码'

               response.text---》正确的页面内容

               如果response.text乱码了，可以先给response.encoding设置正确编码，在通过response.text就可以获取正确的页面内容。

              

               内置函数&内置模块：python自带的模块

               dir()

               str()

           （3）状态码：response.status_code

           （4）响应头：response.headers

        4、分页如何实现？

           分页的请求的每一页url基本上都是通过get请求的一个请求参数决定的，所以其实只需要通过get请求的params字典中的分页字段找到规律，就可以了。

           案例：百度贴吧分页信息爬取

（三）requests post请求

        response = requests.post(

           url = 请求url地址，

           headers = 请求头字典，

           data=请求数据字典，

        )---response对象。

      

 

              

三、数据的分类

    1、分类

    （1）结构化数据：能用关系型数据库描述的数据。

        特点：数据以行为单位，一行数据表示一个实体的信息，每一行的数据的属性是相同的。

        举例：关系数据库中存储的表

        处理方法：sql---结构化查询语言---语言---可以在关系型数据库中对数据的操作。

    （2）半结构化数据：拥有字描述结构数据

        特点：包含相关标记，用来分隔语义元素以及对记录和字段进行分层----也别成为自描述结构

        举例：html，xml，json。

        处理方法：正则，xpath（xml，html）

    （3）非结构化数据：

        特点：没有固定结构的数据。

        举例：文档，图片，视频，音频等等，都是通过整体存储二进制格式来保存的。

            如果下载视频，音频。

        处理：

           response = requests.get(url='视频的地址')

           保存response.content即可，文件名称后要注意。

    2、json（json（JavaScript Object Notation，JS对象标记））数据

        json是一种数据【交换】的格式。

        json是如何来进行交换的。

        【json其实是在js语言中，用'字符串'的形式来表示json中的对象和数组的一种技术。】所以json本质上是字符串。

        js中的对象：var obj = {name:'zhangsan',age:'10'}----在python中这个可以当成：字典

        js中的数组：var arr = ['a','b','c','d']----在python中这个可以当成：list。

    3、json数据的处理（重点）

        (1)使用json模块处理。

        json_str:json数据

        json.loads(json_str)--->python的list或者字典

        json.dumps(python的list或者字典)--->json_str

        (2)在requests模块中，response对象有个json方法，可以直接得到相应json字符串解析后的内容

           response.json()--->python的list或者字典

四、cookie和session

    1、什么是cookie和session？

        cookie是网站用来辨别用户身份，进行会话跟踪，存储在本地终端上的数据。

        session（会话）起来本含义是指有始有终的一系列动作和消息。在web中，session主要用来在服务器端存储特定用户对象会话所需要的信息。

    2、cookie和session产生的原因：

        http协议是一个无状态协议，在特定操作的时候，需要保存信息，进而产生了cookie和session。

    3、cookie原理：

        由服务器来产生，浏览器第一次请求，服务器发送给客户端进而保存。

        浏览器继续访问时，就会在请求头的cookie字段上附带cookie信息，这样服务器就可以识别是谁在访问了。

       

        但是cookie存在缺陷：

           1、不安全--本地保存，容易被篡改。

           2、大小受限，本身最大4kb。

          

        cookie虽然在一定程度上解决了‘保持状态’的需求，但是我们希望有一种新的技术可以克服cookie缺陷，这种技术就是session。

    4、session原理：

        session在服务器保存。----解决安全问题。

        问题来了：服务器上的session，但是客户端请求发送过来，服务器如何知道session_a,session_b,到底和那个请求对应。

        所以为了解决这个问题：cookie就作为这个桥梁。在cookie有一个sessionid字段，可以用来表示这个请求对应服务器中的哪一个session。

        禁用cookie，一般情况下，session也无法使用。特殊情况下可以使用url重写技术来使用session。

           url重写技术：将sessionid拼接到url里面。

          

        session的生命周期：服务器创建开始，有效期结束（一般网站设定都是大约30分钟左右），就删除。

5、常见误区：打开浏览器中的一个网页，浏览器关闭，这个网页的session会不会失效？
        不会，服务器到底删除不删除session，由session的生命周期。有效期结束，就会被删除。
 6、cookie的字段
        （1）Name ： 该的名称。一旦创建， 该名称便不可更改。
        （2）value ： 该cookie 的值。如果值为Unicode 字符， 需要为字符编码。如果值为二进制数据， 则需要使用BASE64 编码。
        （3）Domain ： 可以访问该cookle 的域名。例如， 如果设置为.zhihu.com ， 则所有以zhihu.com 结尾的域名都可以访问该cookie。
        （4）MaxAge ： 该cookie 失效的时间， 单位为秒， 也常和Expires一起使用， 通过它可以计算出其有效时间。Max Age 如果为正数， 则该cookie 在Max Age 秒之后失效。如果为负数， 则关闭浏览器时cookie 即失效， 也不会以任何形式保存该cookie 。
        （5）Path ： 该cookie 的使用路径。如果设置为/path/ ， 则只有路径为/ path / 的页面可以访问该cookie 。如果设置为/ ， 则本域名下的所有页面都可以访问该cookieo
        （6）Size 字段： 此Cookie 的大小。
        （8）HTTP 字段： cookie 的httponly 属性。若此属性为true ， 则只有在HTTP 头中会带有此Cookie 的信息， 而不能通过document.cookie 来访问此Cookie。
        （9）Secure ： 该cookie 是否仅被使用安全协议传输。安全协议有H TTP s 和SSL 等， 在网络上传输数据之前先将数据加密。默认为false。

    7、会话cookie和持久cookie
    会话cookie:Max Age 为负数,则关闭浏览器时cookie 即失效，保存在内存中的cookie。
    持久cookie：Max Age 如果为正数， 则该cookie 在Max Age 秒之后失效。保存在硬盘上的cookie

    持久化：将内存中数据持久化到硬盘上。其实就是数据保存到文件或者数据库中。
    内存主要的作用就是由于速度快速度快，启动应用软件或者程序的时候，就会分配一定内存空间作为该程序运行内存。
    内存一旦断点，就会被清空。
    
    序列化：将对象持久化到硬盘中。