Python爬虫——简单网页抓取（实战案例）小白篇_python爬虫爬取网页数据

3）HTTP的请求响应模型

HTTP协议永远都是客户端发起请求，服务器回送响应。

这样就限制了使用HTTP协议，无法实现在客户端没有发起请求的时候，服务器将消息推送给客户端。

注意：HTTP协议是一个无状态的协议，同一个客户端的这次请求和上次请求是没有对应关系。

4）HTTP的状态码

Http状态码能告诉我们当前请求响应的状态，通过状态码判断和分析服务器的运行状态，以便更好的进行下一步的操作。

5）工作流程

一次HTTP操作称为一个事务，其工作过程可分为四步：

• 首先客户机与服务器需要建立连接，只要单击某个超级链接，HTTP的工作开始。
• 建立连接后，客户机发送一个请求给服务器；请求方式的格式为：统一资源标识符（URL）、协议版本号，后边是MIME信息包括请求修饰符、客户机信息和可能的内容。
• 服务器接到请求后，给予相应的响应信息；其格式为一个状态行，包括信息的协议版本号、一个成功或错误的代码，后边是MIME信息包括服务器信息、实体信息和可能的内容。
• 客户端接收服务器所返回的信息通过浏览器显示在用户的显示屏上，然后客户机与服务器断开连接。

如果在以上过程中的某一步出现错误，那么产生错误的信息将返回到客户端，有显示屏输出。

这些过程由HTTP自己完成，我们等待信息显示就可以了。

二、Urllib、Requests库

这两个库都建议新手能够熟练掌握，在Python爬虫中使用频率非常高。

下方也有分享安装教程资源，有需要的点击进群找群管理获取即可↓↓

<Python学习交流群 安装教程资源获取>

Urllib库

Urllib是Python中请求url连接的官方标准库，在Python2中主要为urllib和urllib2，在Python3中整合成了urllib。

1）主要包含以下4个模块

• urllib.request：用于打开和阅读URL
• urllib.error：包含由引发的异常urllib.request
• urllib.parse：用于解析URL
• urllib.robotparser：用于解析robot.txt文件

2）urllib.request.urlopen()

模块定义了有助于在复杂环境中打开URL（主要是HTTP）的函数和类-基本身份验证和摘要身份验证，重构定向，Cookie等。

语法结构

urllib.request.urlopen（url，data = None，[ timeout，] *，cafile = None，capath = None，cadefault = False，context = None）

语法详解

• url：传入的对象可以是url也可以是一个request的对象；
• data：data必须是一个直接要发送搭服务器的其他数据的对象，如果没有data数据的话可以为None，也可以不写。
• timeout：以秒为单位制定用于组织链接尝试之类的操作超时；

3）urllib.openurl：返回对象的方法

  # 设置一个url对象
  url = "百度一下，你就知道"
  #发送请求，打开url
  up = urllib.request.urlopen(url)
  print(type(up))
  
  #返回对象
>>> <class 'http.client.HTTPResponse'>

上面我们可以看出返回的对象是HTTPResponse类型的，下面一起来看一下HTTPResponse类的方法

发送GET请求：

from urllib import request
response = request.urlopen('百度一下，你就知道')
print(response.read().decode())

发送post请求：

from urllib import reuqest
response = 	request.urlopen('Method Not Allowed', data=b'word=hello')
print(response.read().decode())   #decode()解码

我们已经知道在讲urlopen中传入一个网址的时候他就会主动的去访问目标的网址，会返回一个HTTPResponse类型的对象，那么我们是怎么知道我们发送的get请求和post请求呢？

    def get_method(self):
    """Return a string indicating the HTTP request method."""
    default_method = "POST" if self.data is not None else "GET"
    return getattr(self, 'method', default_method)

这个是源码中的一个方法，根据代码我们得知如果data是不为空的话，就是post请求，否则就是get请求。

4）urllib.request.Request

上面的urllib是可对网页发起请求，在我们实际的爬虫应用中，如果频繁的访问一个网页，网站就会识别我们是不是爬虫，这个时候我们就要利用Request来伪装我们的请求头。

urllib.request.Request(url, data=None, headers={}, origin_req_host=None, unverifiable=False, method=None)

推荐使用request()来进行访问的，因为使用request()来进行访问有两点好处：

• 可以直接进行post请求，不需要将 data参数转换成JSON格式
• 直接进行GET请求，不需要自己拼接url参数

如果只进行基本的爬虫网页抓取，那么urllib足够用了。

Requests库

requests库是一个常用于http请求的模块，可以方便的对网页进行爬取，是学习python爬虫比较好的http请求模块，比urllib库更加简洁，并且自带json解析器。

掌握了它，Cookies、登录验证、代理设置等操作都不是事儿。

1）request提供的方法

get(url,params,**kwargs)

• url: 需要爬取的网站地址。
• params: url中的额外参数，字典或者字节流格式，可选。
• **kwargs : 控制访问的参数

post(url, data=None, json=None, **kwargs):

• url: 需要爬取的网站地址。
• data:传递的内容。
• json:json格式传递的内容
• **kwargs : 控制访问的参数

request(method, url, **kwargs):

• method:需要使用的方法
• url：爬行的路径
• **kwargs : 控制访问的参数

2）控制访问的参数

通过上面方法返回的是一个Response对象，该对象有以下这些属性和方法：

requests的优势在于使用简单，相同一个功能，用requests实现起来代码量要少很多。

戳这里可获取相关的Python基础学习资料哦↓↓↓

下面的所有资料我全部打包好了并且上传至CSDN官方，需要的点击👇获取！

👉 [Python零基础2023入门资料包] 👈

三、开发工具的掌握

• PyCharm – 交互很好的Python一款IDE；
• Fiddler – 网页请求监控工具，我们可以使用它来了解用户触发网页请求后发生的详细步骤；

（1）PyCharm

PyCharm是一款著名的Python IDE开发工具，拥有一整套可以帮助用户在使用Python语言开发时提高其效率的工具。

具备基本的调试、语法高亮、Project管理、代码跳转、智能提示、自动完成、单元测试、版本控制。

此外，该IDE提供了一些高级功能，以用于支持Django框架下的专业Web开发。

pycharm官网分为两个版本：

第一个版本是Professional(专业版本)，这个版本功能更加强大，主要是为Python和web开发者而准备，是需要付费的。

第二个版本是社区版，一个专业版的阉割版，比较轻量级，主要是为Python和数据专家而准备的。

一般我们做开发，下载专业版本比较合适。

（2）Fiddler

Fiddler是一个http调试代理，它能够记录所有的你电脑和互联网之间的http通讯。

Fiddler 可以也可以让你检查所有的http通讯，设置断点，以及Fiddle 所有的“进出”的数据（指cookie,html,js,css等文件，这些都可以让你胡乱修改的意思）。

要比其他的网络调试器要更加简单，因为它仅仅暴露http通讯还有提供一个用户友好的格式。

1）基本工作原理

会话的概念：一次请求和一次响应就是一个会话。

2）fiddler主界面

工具栏

• 1：给会话添加备注信息
• 2：重新加载当前会话
• 3：删除会话选项
• 4：放行，和断点对应
• 5：响应模式。也即是，当Fiddler拿到远程的response后是缓存起来一次响应给客户端还是以stream的方式直接响应。
• 6：解码，有些请求是被编码的，点击这个按钮后可以根据响应的编码格式自动解码。
• 7：查找会话
• 8：保存会话
• 9：截屏。截屏后，会以会话的方式返回一个截图

判断get和post请求

会话列表属性说明

查看请求头和请求体

3）Fiddler设置过滤（抓取指定服务器地址的数据）

填写服务器地址多个ip之间需要用;隔开，或者每个ip或域名单独写一行；

Hosts 第二个下拉选说明：

No Host Filter 不设置hosts过滤

Hide The Following Hosts 隐藏过滤到的域名

Show Only The Following Hosts 只显示过滤到的域名

Flag The Following Hosts 标记过滤到的域名

类型过滤：图片、CSS、JS这类的静态素材也不需要看的情况下，直接全部过滤掉

.*\.(bmp|css|js|gif|ico|jp?g|png|swf|woff)

一、Python所有方向的学习路线

Python所有方向的技术点做的整理，形成各个领域的知识点汇总，它的用处就在于，你可以按照下面的知识点去找对应的学习资源，保证自己学得较为全面。

二、Python必备开发工具

工具都帮大家整理好了，安装就可直接上手！

三、最新Python学习笔记

当我学到一定基础，有自己的理解能力的时候，会去阅读一些前辈整理的书籍或者手写的笔记资料，这些笔记详细记载了他们对一些技术点的理解，这些理解是比较独到，可以学到不一样的思路。

四、Python视频合集

观看全面零基础学习视频，看视频学习是最快捷也是最有效果的方式，跟着视频中老师的思路，从基础到深入，还是很容易入门的。

五、实战案例

纸上得来终觉浅，要学会跟着视频一起敲，要动手实操，才能将自己的所学运用到实际当中去，这时候可以搞点实战案例来学习。

六、面试宝典

简历模板

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！