Python爬虫学习——No.01

最新推荐文章于 2023-03-30 20:16:19 发布

GC_Lion

最新推荐文章于 2023-03-30 20:16:19 发布

阅读量159

点赞数

分类专栏： Python学习笔记文章标签： python 爬虫学习

本文链接：https://blog.csdn.net/m0_55825393/article/details/125508243

版权

Python学习笔记专栏收录该内容

16 篇文章 4 订阅

订阅专栏

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中猜测的响应内容的编码方式
r.apparent_encoding	从内容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

爬取网页的通用框架：

import requests

def getHTMLTest(url):
	try:
		r = request.get(url, timeout=30)
		r.raise_for_status()#如果状态码返回不是200，引发HTTPError异常
		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))

HTTP 协议

HTTP，Hypertext Transfer Protocol

超文本传输协议
HTTP是基于“请求与响应”模式的（用户请求、服务器作出响应）、无状态（指第一次请求和第二次请求之间没有相关的联系）的应用层协议（该协议工作在TCP协议之上)。

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
在这里插入图片描述

在这里插入图片描述
requests.request(method, url, **kwargs)
**kwargs:控制访问的参数，均为可选项（13个控制访问参数）
①params：字典或字节序列，作为参数增加到url中

>>>kv = {'key1':'value1', 'key2':'value2'}
>>>r = requests.request('GET', 'http://python123.io/ws', param = kv)
>>>print(r.url)
http://python123.io/ws?key1=value1&key2=value2

②data: 字典、字节序列或文件对象，作为Request的内容

>>>r = requests.request('POST', 'http://python123.io/ws', data = kv)
>>>body =主体内容'
>>>r = requests.request('POST', 'http://python123.io/ws', data = body)

③json: JSON格式的数据，作为Request的内容

>>>r = requests.request('POST', 'http://python123.io/ws', json = kv)

④headers ：字典，HTTP定制头

>>>hd = {'user=agent': 'chrome/10'}//模拟浏览器
>>>r = requests.request('POST', 'http://python123.io/ws', headers = hd)

⑤cookies:字典或CookieJar，Request中的cookie
auth：元组，支持HTTP认证功能
⑥files: 字典类型，传输文件

>>>fs = {'file': open('data.xls', 'rb')}
>>>r = requests.request('POST', 'HTTP://PYTHON123.IO/WS', files = fs)

⑦timeout：设定超时时间，秒为单位

>>>r = requests.request('GET', 'http://www.baidu.com', timeout = 10)

⑧proxies:字典类型，设定访问代理服务器，可以增加登录认证(防止爬虫的逆追踪)


>>> pxs = {'http://user:pass@10.10.1:1234'
			'https: https://10.10.10.1:4321'}
>>> r = requests.request('GET', 'http://www.baidu.com', proxies = pxs)

⑨allow_redirects: True/False, 默认为True，重定向开关
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

爬虫引发的问题：骚扰服务器问题、法律问题、隐私泄露

小实例：爬网站

①最基本的：

import requests
url = "https://new.qq.com/omn/20220701/20220701A0BJQR00.html"
try:
	r = requests.get(url)
	r.raise_for_status()
	r.encoding = r.apparent_encoding
	print(r.text[:1000])
except:
	print("fail")

②2.0版本

上述代码如发生失败，不是网络错误，提示有API造成，则是因为网站通过对访问的HTTP的头，来查看你的访问是否是有一个爬虫引起的，而不是浏览器引发产生的HTTP请求，来源审查，禁止了爬虫访问，我们可以模拟浏览器向服务器发送请求：

通过`r.request.headers`查看发给网站的request头部有什么内容

#假如是下面这个
{'User-Agent': 'python-requests/2.28.0', 'Accept-Encoding': 'gzip, deflate', 'Accept': '*/*', 'Connection': 'keep-alive'}

我们构造一个键值对：

kv = {’user-agent‘: 'Mozilla/5.0'}#Mozilla/5.0是一个标准的浏览器的身份标识字段

进行修改：

r = requests.get(url, headers = kv)

验证一下：

r.request.headers
#输出：
{'User-Agent': 'Mozilla/5.0', 'Accept-Encoding': 'gzip, deflate', 'Accept': '*/*', 'Connection': 'keep-alive'}

#全代码
import requests
url  = "https://new.qq.com/omn/20220701/20220701A0BJQR00.html"
try:
	kv = {'user-agent': 'Mozilla/5.0'}
	r = requests.get(url, headers = kv)
	r.raise_for_status()
	r.encoding = r.apparent_encoding
	print(r.text[1000:2000])
except:
	print("fail")

③搜索的关键词提交

百度的关键词接口：

http://www.baidu.com/s?wd=keyword
本质问题是构造url链接

首先（导入后）构造键值对

kv = {'wd': 'python'} #wd 这个名字是根据接口来的 不是自定义

通过`params`将键值对添加到url中：

r = requests.get("http://www.baidu.com/s", params = kv)

查看我们请求给百度的url是什么：

r.request.url #符合接口
#输出
'http://www.baidu.com/s?wd=Python'

不要打印他，返回其长度

len(r.text) 
#输出：
302829#返回300多k信息

#全代码
import requests
keyword = "Python"
try:
	kv = {'wd': keyword}
	r = requests.get("http://www.baidu.com/s", params = kv)
	print(r.request.url)
	r.raise_for_status()
	print(len(r.text))
except:
	print("fail")

④网络图片的爬取和存储

图片存放地址文件：

path = "D:\abc.jpg"

get捕获url：

url="http://img0.dili360.com/pic/2020/01/06/5e130172402b79y44941505_t.jpg@!rw9"
r = requests.get(url)

图片是二进制格式·，保存成一个文件：

with open (path, 'wb') as f: #打开了abc.jpg文件，并将其定义为文件标识符f
	f.write(r.content)#然后将返回的内容写到这个文件中（r.content 表示返回内容的二进制形式）

#输出：
69736

关闭文件

f.close()

最后去D盘可以看到`abc.jpg`该文件

#全代码
import requests
import os

url = "http://img0.dili360.com/pic/2020/01/06/5e130172402b79y44941505_t.jpg@!rw9"
root = "D://pics//" #定义根目录
path = root + url.split('/')[-1]　#以/分割的最后一个部分（就是最后的jpg文件名）
try:
	if not os.path.exists(root): #判断当前根目录是否存在
		os.mkdir(root)
	if not os.path.exists(path):
		r = requests.get(url)
		with open(path, 'wb') as f:
			f.write(r.content)
			f.close()
			print("文件保存成功")
	else:
		print("文件已存在")
except:
	print("爬取失败")

④IP归属地查询

借助IP138网站，获取(解析)接口形式：`http:/m.ip138.com/ip.asp？ip=ipaddress`(该接口已不适用，仅供举例)

import requests
url = "http:/m.ip138.com/ip.asp?ip="
r = requests.get(url + '202.204.80.112')
r.text[-500:] #文本的最后500个字节