Python爬虫01:数据抓取工具及类库

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:

参数	意义	示例
-X或--request	指定请求的HTTP类型(默认为GET)	curl -X POST http://httpbin.org/post
-d或--data	指定以POST类型发送请求,并指定发送的数据	curl http://httpbin.org/post -d param1=value1 -d param2=value2 curl http://httpbin.org/post -d "param1=value1&param2=value2" curl http://httpbin.org/post -d @param_filename
-I或--head	只显示响应头信息
-H或--header	指定请求头信息	curl http://httpbin.org/headers -H param1:value1
-A或--user-agent	指定请求头中的User-Agent	curl -A Mozilla5.0 http://httpbin.org/user-agent
-L或--location	跟随页面重定向	curl -IL https://baidu.com
-k或--insecure	允许发起不安全的SSL请求
-b或--cookie	指定cookies	curl http://httpbin.org/cookies -b 'param1=value1;param2=value2'
-O 或--remote-name	将输出写入到文件中并以远程文件名保存	curl -O http://httpbin.org/image/jpeg
-o或--output	将输出写入到文件中并指定文件名	curl -o img.jpeg http://httpbin.org/image/jpeg

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:

参数	意义	示例
-O或--output-document	指定下载文件写入的文件名	wget -O img.jpeg http://httpbin.org/image/jpeg
--limit-rate	指定下载速率	wget --limit-rate=20k http://httpbin.org/image/jpeg
-c或--continue	设置下载过程断点续传
-b或–-background	设置下载过程后台下载
-u或--user-agent	指定请求头中的User-Agent
-m或--mirror	下载整个目标网站的镜像
-p或--page-requisites	下载页面上相关的资源文件
-k或--convert-links	将下载的HTML和CSS文件中的链接改为指向本地文件的链接

下面例子演示如何使用wget镜像一个网站到本地并启动:

1. 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
   

2. 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
   

3. 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

下面内容仅供参考,更详细的内容请参考requests库的官方文档地址.

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
  • auth: 设置身份认证信息

解析HTTP响应

上述requests.get(), requests.post(), requests.put(), requests.delete(), requests.head(), requests.options()方法都会返回一个requests.models.Response对象,该对象封装了HTTP响应报文,该对象提供了下述常用方法和属性用于解析HTTP响应.

• 解析响应状态的属性和方法

  • url: 表示该HTTP请求的URL.

    payload = {'key1': 'value1', 'key2': ['value2', 'value3']}
    r = requests.get('http://httpbin.org/get', params=payload)
    
    r.url	# 得到 http://httpbin.org/get?key1=value1&key2=value2&key2=value3
    

  • status_code: 该HTTP响应的状态码.

  • reason: 响应状态码的说明.

• 解析响应内容的属性和方法:

  • encoding: 该HTTP响应的编码.
  • content: 该HTTP响应的内容.
  • text: 该HTTP响应的文本.根据r.encoding设置的编码格式对r.content进行解码得到.
  • .json(): 将json格式的相应内容解析为字典,若解析失败则抛出ValueError异常.

• 解析响应头的属性和方法:

  • headers: 以字典形式返回HTTP响应头,该字典的特殊之处在于其不区分键的大小写.

    r.headers['Content-Type']		# 得到 'application/json'
    r.headers.get('content-type')	# 得到 'application/json'
    

报错

• 遇到网络问题(如DNS 查询失败、拒绝连接等)时,抛出一个ConnectionError异常.
• 若HTTP请求返回了不成功的状态码(4xx或5xx),调用Response对象的raise_for_status() 会抛出一个HTTPError异常.
• 若请求超时,则抛出一个Timeout异常.
• 若请求超过了设定的最大重定向次数,则会抛出一个TooManyRedirects异常.

上述所有异常都继承自requests.exceptions.RequestException .

身份认证

一些网站,如http://httpbin.org/basic-auth/username/password,所采用的身份认证方式为HTTP Basic Auth,这种认证方式在requests库中得到了很好的支持.

from requests.auth import HTTPBasicAuth
requests.get('https://api.github.com/user', auth=HTTPBasicAuth('用户名', '密码'))

实际上,HTTP Basic Auth认证方式如此常见,requests提供了一种简写的使用方式:

requests.get('https://api.github.com/user', auth=('用户名', '密码'))

在auth参数中直接传入(用户名, 密码)构成的元组,等价于创建一个HTTPBasicAuth进行验证.

实际上,requests库还支持其它认证方式和自定义认证方式,具体见官方文档.