python爬虫基础
一、爬虫的基础概念
爬虫:是通过编写程序,模拟浏览器上网,然后让其去互联网上抓取数据的过程。
(一)爬虫在应用场景中的分类
- 通用爬虫:是爬取系统重要组成部分,抓取的是一整张页面数据。
- 聚焦爬虫:是建立在通用爬虫的基础之上,抓取的是页面中特定的局部内容。
- 增量式爬虫:是检测网站中数据更新的情况,只会抓取网站中最新更新出来的数据。
(二)反爬机制(robots.txt协议)
robots.txt协议:是一种存放于网站根目录下的ASCII编码的文本文件,它通常告诉网络搜索引擎的漫游器(又称网络蜘蛛),此网站中的哪些内容是不应被搜索引擎的漫游器获取的,哪些是可以被漫游器获取的。
robots.txt协议并不是一个规范,而只是约定俗成的,所以并不能保证网站的隐私。
查看网页的robots协议的内容:网址+/robots.txt
例如:https://www.taobao.com/robots.txt
(三)超文本传输协议
1. http协议
- 概念:是服务器与客户端进行数据交互的一种形式。
- 常用请求头信息:
- User-Agent:请求载体的身份识别。
- Connection:请求完毕后,是断开连接还是保持连接。
- 常用响应头信息:
- Content-Type:服务器响应回客户端的数据类型。
2. https协议
- 概念:是采用证书密钥加密的http协议。
- 加密方式
- 对称密钥加密:
- 非对称密钥加密:
- 证书密钥加密:
二、requests模块
(一)requests库介绍
Requests 是用Python语言编写,基于 urllib,采用 Apache2 Licensed 开源协议的 HTTP 库。它比 urllib 更加方便,可以节约我们大量的工作,完全满足 HTTP 测试需求。Requests 的哲学是以 PEP 20 的习语为中心开发的,所以它比 urllib 更加 Pythoner。用Requests库实现HTTP请求非常简单,操作也相当人性化。因此,Python中常用Requests来实现HTTP请求过程,它也是在Python爬虫开发中最常用的方式。
(二)requests的方法
方法 | 作用 |
---|---|
requests.request() | 构造一个请求,支撑一下各方法的基本方法 |
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PATCT |
requests.delete() | 向HTML网页提交删除请求,对应于HTTP的DELETE |
1. requests.request()方法
Requests库的request()方法,主要用来构造一个请求,支撑以上各个基础方法。通常使用下面的格式来完成该方法的调用。
requests.request(method, url, **kwargs)
method:是指请求方式,对应上面所讲的get()、put()、post()等方法;
url:代表目标页面的url链接地址;
** kwargs:代表控制访问参数,共13个。例如params参数,代表字典或字节序列,可作为参数增加到url中。代码如下:
sendinfo = {'name':'lily', 'sex':'female'}
r = requests.request('PUT', 'http://httpbin.org/put', data = sendinfo)
print(r.text)
结果如下:
由以上示例代码可以看出,通过通用request()方法,可以包装出通用的接口,来模拟requests对象常用方法的功能。另外,requests()方法的 ** kwargs参数属于可选。
2. requests.get()方法
Requests库的get()方法主要用于获取HTML网页,相当于HTTP的GET。其返回对象response的常用属性如下表所示,我们可通过这些属性获取要访问域名的基本信息。
下面使用get()方法来演示如何通过其返回对象response来获取www.baidu.com 域名的基本信息,示例代码如下:
import requests
r = requests.get("http://www.baidu.com")
print(r.status_code)
print(r.text)
print(r.encoding)
print(r.apparent_encoding)
print(r.content)
如上代码所示,requests对象的get()方法返回的response对象r,通过print()函数打印r的属性值,我们便可获取网站域名的相关信息。
3.requests.head()方法
Request库的head()方法主要用于获取HTML网页头信息,相当于HTTP的HEAD.例如,抓取百度首页的头部信息,示例代码如下:
import requests
r = requests.head("http://www.baidu.com")
print(r.headers)
结果如下:
如上代码所示,首先导入requests包,然后调用head()函数,返回response对象r,最后,通过引用r的相关属性,显示对应网址的相关信息。
4. requests.post()方法
Requests库的post()方法主要用于向HTTP网页提交POST请求,相当于HTTP的POST。这里,我们给指定的url地址http://httpbin.org用post()方法添加sendinfo信息,示例代码如下:
import requests
sendinfo = {'name':'lily', 'sex':'female'}
r = requests.post('http://httpbin.org/put', data = sendinfo)
print(r.text)
结果如下:
由以上代码的交互式输出结果,我们不难发现,字典sendinfo以form表单的形式被发送给response对象。这里也可以直接向url地址发送字符串,示例如下:
import requests
r = requests.post('http://httpbin.org/put', data = 'i am string')
print(r.text)
结果如下:
从代码的交互式输出结果不难发现,字符串以“data:i am string”键值对被保存下来。
5. requests.put()方法
Requests库的put()方法主要用于向HTML网页提交PUT请求,相当于HTTP的PUT。 例如,给指定的put()方法添加字典sendinfo信息,示例代码如下:
import requests
sendinfo = {'name':'lily', 'sex':'female'}
r = requests.put('http://httpbin.org/put', data = sendinfo)
print(r.text)
结果如下:
同样,由上述交互输出可以看出,put()也是用form表单的方式存储自定义的字典,并返回response对象。
6. requests.patch()方法
Request库的patch()方法主要用于向HTML网页提交局部修改请求,相当于HTTP的PATCH。例如,用patch()方法修改刚才put()方法添加的字典sendinfo。
import requests
sendinfo = {'name':'berry', 'sex':'female'}
r = requests.patch('http://httpbin.org/put', data = sendinfo)
print(r.text)
结果如下:
由上述代码可知,通过patch()方法我们成功将字典中的name值修改成功。
7. requests.delete()方法
Requests库的delete()方法主要用于向HTML页面提交删除请求,相当于HTTP的DELETE。例如,我们删除刚才patch()方法修改后的sendinfo字典,示例代码如下:
import requests
r = requests.delete('http://httpbin.org/put')
print(r.text)
结果如下:
由以上代码执行结果可以看出,form表单的内容为空,说明我们删除成功。
(三)requests的编码流程
- 指定url
- 基于requests模块发起请求
- 获取响应对象中的数据值
- 持久化存储
三、爬虫程序demo
爬取“http://www.biqukan.com/1_1094/5403177.html”网页小说的正文部分,将结果保存到input.txt文件中。
import requests
import re
from lxml import etree
headers = {"User-Agent":"Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/106.0.0.0 Safari/537.36"}
url = "https://www.ahfgb.com/12_12340/6955474.html"
res = requests.get(url,headers=headers).text
s = etree.HTML(res)
film = s.xpath("/html/body/div/div[5]/div/div[3]/text()")
file = open("input.txt",mode="w",encoding="UTF-8")
for ti in film :
file.write(str(ti))
input.txt 的结果如下: