python 爬虫学习笔记（一）

最新推荐文章于 2024-04-30 20:20:49 发布

hao_ws

最新推荐文章于 2024-04-30 20:20:49 发布

阅读量4k

点赞数

分类专栏： pyhton爬虫文章标签：爬虫 requests urllib 正则

本文链接：https://blog.csdn.net/hao_ws/article/details/99704009

版权

pyhton爬虫专栏收录该内容

1 篇文章 0 订阅

订阅专栏

HTTP和HTTPS

http协议（超文本传输协议）：发布和接收HTML页面的方法。端口为80。
https=htttp+ssl
ssl(安全套接层)：用于Web的安全传输协议，在传输层对网络连接进行加密。端口为443。
URL：统一资源定位符，用于完整地描述Internet上网页和其他资源的地址的一种标识方法。
基本格式：scheme://host[:post#]/path/.../[?query-string][#anchor]

scheme：协议
host：服务器的IP地址或者域名
port#：服务器的端口（缺省端口80）
query-string：参数，发送给http服务器的数据
anchor：锚（跳到指定位置）

客户端HTTP请求

URL标识资源的位置，而HTTP是用来提交和获取资源。客户端发送一个HTTP请求到服务器的请求消息，包括以下格式：
在这里插入图片描述
典型的HTTP请求示例：

GET https://www.damai.cn/ HTTP/1.1
Host: www.damai.cn
Connection: keep-alive
Upgrade-Insecure-Requests: 1
DNT: 1
User-Agent: Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/71.0.3578.98 Safari/537.36
Accept: text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,image/apng,*/*;q=0.8
Referer: https://www.baidu.com/link?url=ZBziBEm6R_HQVWkifpgxM7E56g_SEhz8Sl9itsjPDGW&ck=6546.1.84.243.180.237.173.239&shh=www.baidu.com&wd=&eqid=a4252bdf000d2333000000065d58eb16
Accept-Encoding: gzip, deflate, br
Accept-Language: zh-CN,zh;q=0.9,en;q=0.8
Cookie: cna=2xY7FFYLQ1QCAcpwHgTO9GjM; t=0e3ca88ab55a2a26b307d3b20bb2ec82; damai.cn_nickName=46aab95040c54dbb; UM_distinctid=16c10a654da219-0d7733fafd64c3-b781636-144000-16c10a654dbe9; cn_7415364c9dab5n09ff68_dplus=%7B%22distinct_id%22%3A%20%2216c10a654da219-0d7733fafd64c3-b781636-144000-16c10a654dbe9%22%2C%22%24_sessionid%22%3A%200%2C%22%24_sessionTime%22%3A%201563647477%2C%22%24dp%22%3A%200%2C%22%24_sessionPVTime%22%3A%201563647477%2C%22initial_view_time%22%3A%20%221563672541%22%2C%22initial_referrer%22%3A%20%22https%3A%2F%2Fwww.damai.cn%2F%22%2C%22initial_referrer_domain%22%3A%20%22www.damai.cn%22%7D; isg=BEpKIERHI9Ind68aWf20JCKsmzAsk8-QyFqnrtSAyx25h-tBvMlOpVC2k7P-cUYt; l=cB_JHyZnq_dwCNPpBOfaquI8Ly7OwMOb8rVzw4OMaICPOj1p2YiFWZelMLT9CnGVLsakR3z5HU79BDYs4yUIQwatyhumZpiM.

GET 不包括在请求头中
Host（主机和端口号）对应URL中的Web名称和端口号
Connection（连接类型）keep-alive 保持连接
Upgrade-Insecure-Requests 1表示在加载http资源时自动替换成https请求。
User-Agent（浏览器名称）
Accept（传输文件类型）浏览器可接受的文件类型 /:什么都可以接收。
Referer（页面跳转处）表明产生请求的页面是来自哪里，比如上面的页面是来自百度搜索结果。
Accept-Encoding（文件编解码格式）指出浏览器可以接收的编码方式。
Accept-Language（语言种类）指出浏览器可以接受的语言种类。
Accept-Charset（字符编码）指出浏览器可以接受的字符编码
Cookie 记载和服务器相关的用户信息
Content-Type（POST数据类型）

urllib库

参考自
Python网络请求urllib和urllib3详解
 http状态码
 Python3 — 爬虫之Handler处理器和自定义Opener

from urllib import request, parse
headers = {'user-agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_13_5) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/66.0.3359.181 Safari/537.36'}
url = 'https://www.damai.cn/'

#使用python3 中的urllib.request 发送GET请求
#reget = request.urlopen(url)
#html =  reget.read().decode()
#print(html)

#发送POST请求
data = {"username":'AUTO', 'password':'kk12345.'}
#将data字典序列化成字符串
data_string = parse.urlencode(data)
#因post请求的数据是二进制数据，转换成二进制数据
last_data = bytes(data_string, encoding='utf-8')
repost = request.urlopen('http://httpbin.org/post', data=last_data)
html =  repost.read().decode()
print(html)

#借助Request对象添加Headers
#head = request.Request(url,headers=headers)
#rehead = request.urlopen(head)
#html =  rehead.read().decode()
#print(html)

#将中文字符转换成url编码格式 解码用unquote()方法
#wd = '开心d'
#print(parse.quote(wd)) #%E5%BC%80%E5%BF%83d

#对于url多参数,使用urlencode(),传入参数是一个字典
#wds = {'wd':'开心', 'code':'1', 'status':'True'}
#print(parse.urlencode(wds)) # wd=%E5%BC%80%E5%BF%83&code=1&status=True

#Handler处理器和自定义Opener,开启DeBug Log
#http_handler = request.HTTPHandler(debuglevel=1)
#https_handler = request.HTTPSHandler(debuglevel=1)#构建HTTPSHandler处理对象
#opener = request.build_opener(http_handler)
#re_hand = request.Request(url)
#response = opener.open(re_hand)
#print(response.read().decode())

#ProxyHandler处理器（代理）
#httpproxy_handler = request.ProxyHandler({"http":"60.13.42.141:9999"}) #公用免费代理
#authhttpproxy_handler = request.ProxyHandler({"http":"username:password@代理IP"}) #私密代理
#opener = request.build_opener(httpproxy_handler)
#req = request.Request(url, headers=headers)
#response = opener.open(req)
#print(response.read().decode())

csdnurl = "https://mp.csdn.net/postlist/"
#密码管理对象
#username = 'user'
#password = '123456'
#webserver = "192.168.21.52" #私密代理IP
#passwordMgr = request.HTTPPasswordMgrWithDefaultRealm()
##添加授权账号信息，第一参数是域名，没有就指定为None
#passwordMgr.add_password(None, csdnurl, username, password)
##proxyauth_handler = request.ProxyBasicAuthHandler(passwordMgr)#验证代理身份
#httpauth_handler = request.HTTPBasicAuthHandler(passwordMgr)#HTTP基础用户名/密码验证（Web客户端验证）
#opener = request.build_opener(httpauth_handler)
#request = request.Request(csdnurl, headers = headers)
#response = opener.open(request)
#print(response.read().decode())

正则表达式

参考 python3 re模块
在这里插入图片描述

import re

#替换
phone = '2004-855-855 #这是个电话号'
#删除注释
new_phone = re.sub('#.*', '', phone)
#或者 new_phone = re.sub('\D', '', phone)
print(new_phone) #2004-855-855

def double_matched(matched):
    value = int(matched.group('value'))
    return str(value*2)

ss = 'A23G4KKM67U678h' #替换规则可以是函数
new_ss = re.sub('(?P<value>\d+)', double_matched, ss)
print(new_ss) #A46G8KKM134U1356h

#原生字符串
print("ke\nee\tcc")
#ke
#ee	cc
print(r"ke\nee\tcc")
#ke\nee\tcc

用lxml和json获取数据

import json
import requests
from lxml import etree
url = 'https://www.qiushibaike.com/' #糗事百科首页
headers = {'User-Agent':'Mozilla/5.0 (compatible: MSIE 9.0; Windows NT 6.1; Trident/5.0;'}
response = requests.get(url,headers=headers)
#解析html dom模式
html = etree.HTML(response.text)
#获取首页每个文章的连接尾部
link = html.xpath("//a[@class='recmd-content']//@href")
for l in link:
    article_url = "https://www.qiushibaike.com" + l #获取文章的url
    article_response = requests.get(article_url,headers=headers)
    article = etree.HTML(article_response.text)
    context = article.xpath('//div[@class="content"]')[0].text
    username = article.xpath("//span[@class='side-user-name']")[0].text
    fun_nums = article.xpath("//i[@class='number']")[0].text
    items =  {
        'username' : username,
        'context' : context,
        'fun_nums' : fun_nums
    }
    with open('qiushi.json', 'a', encoding='utf-8') as f:
        f.write(json.dumps(items, ensure_ascii=False) + "\n")

requests库

import requests
#get方式
data = {
    'name':'gg',
    'age':22
}
response_get = requests.get('http://httpbin.org/get',params=data)
print(response_get.text)

#解析json
import json
response_json = requests.get('http://httpbin.org/get')
print(response_json.json())

#获取二进制数据(图片，视频)
response_er = requests.get('https://github.com/favicon.ico')
with open('favicon.ico', 'wb') as f:
    f.write(response_er.content)

#添加一个headers
headers = {
    'User-Agent':'Mozilla/5.0 (X11; Linux x86_64; rv:67.0) Gecko/20100101 Firefox/67.0'
}
response_headers = requests.get('https://www.zhihu.com/explore',headers=headers)

#Post请求
response_post = requests.post('http://httpbin.org/post',data=data,headers=headers)
#print(response_post.json())

#文件上传
files = {'file':open('favicon.ico','rb')}
response_files = requests.post('http://httpbin.org/post',files=files)
print(response_files.text)

#获取cookie 会话维持（模拟登陆）
s = requests.Session()
s.get('http://httpbin.org/cookies/set/number/123456798')
response_cookie = s.get('http://httpbin.org/cookies')

# 代理设置
proxies = {
    'http':'http://user:password@218.66.253.145:8800',
    'https':'https://112.111.119.232:9000',
}
from requests.exceptions import ReadTimeout
try:
    response_pro = requests.get('http://www.taobao.com', proxies=None, timeout=0.05) #1秒
    print(response_pro.status_code)
except ReadTimeout:
    print('Timeout')

hao_ws

关注

0
点赞
踩
1

收藏

觉得还不错? 一键收藏
0
评论
python 爬虫学习笔记（一）

HTTP和HTTPShttp协议（超文本传输协议）：发布和接收HTML页面的方法。端口为80。https=htttp+sslssl(安全套接层)：用于Web的安全传输协议，在传输层对网络连接进行加密。端口为443。URL：统一资源定位符，用于完整地描述Internet上网页和其他资源的地址的一种标识方法。基本格式：scheme://host[:post#]/path/.../[?quer...
复制链接

扫一扫