Python爬虫：数据抓取工具及类库详解

数据抓取的命令行工具

---

curl

curl是一个利用URL语法在命令行下进行网络通信的工具,类似于一个命令行版本的浏览器,但不会对页面进行渲染.其用法很简单,直接在命令行中输入curl [URL地址] [参数]即可,如:

curl https://www.baidu.com

其常用参数如下:

wget

wget也是一个利用URL语法在命令行环境下进行文件传输的工具,其基本用法为wget [URL地址] [参数],如:

wget https://www.baidu.com

其常用参数如下:

下面例子演示如何使用wget镜像一个网站到本地并启动:

使用wget --mirror命令将整个网站的镜像下载到本地

wget --mirror -p --convert-links http://www.httpbin.org

切换到下载好的资源目录下,使用Python自带的http.server模块开启一个微型服务器

python -m http.server

访问localhost:8000,即可访问我们搭建在本机上的镜像网站.

数据抓取的Python库

---

Python中有两个常用的抓取数据的库:urllib和requests.其中requests库封装了urllib库,且比urllib库更为优雅.因此,我们可以直接学习requests库.

requests库

request库的应用比较简单,下面是官方提供的一段示例代码:

r = requests.get(‘https://api.github.com/user’, auth=(‘user’, ‘pass’))

r.status_code # 返回 200

r.headers[‘content-type’] # 返回 ‘application/json; charset=utf8’

r.encoding # 返回 ‘utf-8’

r.text # 返回 u’{“type”:“User”…’

r.json() # 返回 {u’private_gists’: 419, u’total_private_repos’: 77, …}

requests库的简单使用

---

发送HTTP请求

下面几个方法可以发送HTTP请求,对应于HTTP的各种请求类型

• requests.get(url, params=None, **kwargs)

• requests.post(url, data=None, json=None, **kwargs)

• requests.put(url, data=None, **kwargs)

• requests.delete(url, **kwargs)

• requests.head(url, **kwargs)

• requests.options(url, **kwargs)

上面六个方法分别对应HTTP请求类型中的GET,POST,PUT,DELETE,HEAD和OPTIONS,各参数意义如下:

• url: 请求的URL地址.

• params: GET请求放进URL中的请求参数,以字典形式存储.

• data: 请求体中的数据.

• **kwargs: 该请求需要的其他参数,包括:

• headers: 以字典格式存储的请求头内容.

• json: 以字典形式存储的请求体中数据,等同于data参数

• cookies: 以字典形式存储的cookies.

• allow_redirects: 是否允许重定向,为一个布尔值

• timeout: 设置超时时间,单位为秒

现在能在网上找到很多很多的学习资源，有免费的也有收费的，当我拿到1套比较全的学习资源之前，我并没着急去看第1节，我而是去审视这套资源是否值得学习，有时候也会去问一些学长的意见，如果可以之后，我会对这套学习资源做1个学习计划，我的学习计划主要包括规划图和学习进度表。

分享给大家这份我薅到的免费视频资料，质量还不错，大家可以跟着学习

网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。

需要这份系统化学习资料的朋友，可以戳这里无偿获取

一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！