『第一周』Requests库的使用及Robots协议
文章目录
前言
课程地址:https://www.icourse163.org/course/BIT-1001870001
课程教学内容包括:
- Python第三方库Requests ,讲解通过HTTP/HTTPS协议自动从互联网获取数据并向其提交请求的方法;
- Python第三方库Beautiful Soup ,讲解从所爬取HTML页面中解析完整Web信息的方法;
- Python标准库Re ,讲解从所爬取HTML页面中提取关键信息的方法;
- Python第三方库Scrapy ,介绍通过网络爬虫框架构造专业网络爬虫的基本方法。
Requests库
帮助文档:https://docs.python-requests.org/zh_CN/latest/
Requests库的安装1
打开cmd,输入
pip install requests
指令安装requests库,出现Successfully install requests-xxx即代表安装成功
由于下载地址在国外,部分地区可能下载速度慢甚至无法下载。所以可以考虑使用国内镜像源。
例如使用清华大学开源软件镜像站
临时使用:
pip install -i [https://pypi.tuna.tsinghua.edu.cn/simple](https://pypi.tuna.tsinghua.edu.cn/simple) requests
如果要设为默认需要升级 pip 到最新的版本 (>=10.0.0) 后进行配置:
# 升级pip
pip install pip -U
# 设置清华源为默认设置
pip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple
如果到 pip 默认源的网络连接较差,临时使用本镜像站来升级 pip:
pip install -i https://pypi.tuna.tsinghua.edu.cn/simple pip -U
附1:常用国内镜像源:2
阿里云 | http://mirrors.aliyun.com/pypi/simple/ |
---|---|
豆瓣 | http://pypi.douban.com/simple/ |
清华大学 | https://pypi.tuna.tsinghua.edu.cn/simple/ |
中国科学技术大学 | http://pypi.mirrors.ustc.edu.cn/simple/ |
附2:简单更换pip国内镜像源的方法
附3:如果使用的是Pycharm,可在设置-项目-Python解释器里安装对应第三方库
爬取百度主页
>>> import requests
>>> r = requests.get("https://www.baidu.com")
>>> r.status_code
200
>>> r.encoding = r.apparent_encoding
>>> r.text[:500] # 为节省空间,只取了返回百度主页html的前500字符
'<!DOCTYPE html>\r\n<!--STATUS OK--><html> <head><meta http-equiv=content-type content=text/html;charset=utf-8><meta http-equiv=X-UA-Compatible content=IE=Edge><meta content=always name=referrer><link rel=stylesheet type=text/css href=https://ss1.bdstatic.com/5eN1bjq8AAUYm2zgoY3K/r/www/cache/bdorz/baidu.min.css><title>百度一下,你就知道</title></head> <body link=#0000cc> <div id=wrapper> <div id=head> <div class=head_wrapper> <div class=s_form> <div class=s_form_wrapper> <div id=lg> <img hidefocus=true src='
Requests库的7个主要方法
方法 | 说明 |
---|---|
requests.request() | 构造一个请求,支撑以下各方法的基础方法 |
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PATCH |
requests.delete() | 向HTML页面提交删除请求,对应于HTTP的DELETE |
其中request()为基础方法,其他6个方法都是通过调用request()方法来实现的
7个主要方法详述
requests.request(method, url, **kwargs)
- method: 请求方式
- r = request.request(‘GET’, url, **kwargs)
- r = request.request(‘HEAD’, url, **kwargs)
- r = request.request(‘POST’, url, **kwargs)
- r = request.request(‘PUT’, url, **kwargs)
- r = request.request(‘PATCH’, url, **kwargs)
- r = request.request(‘DELETE’, url, **kwargs)
- r = request.request(‘OPTIONS’, url, **kwargs)
- **kwargs: 控制访问的参数,均为可选项
- params: 字典或字节序列,作为参数增加到url中
- data: 字典、字节序列或文件对象,作为Request的内容
- json: JSON格式的数据,作为Request的内容
- headers: 字典,HTTP定制头
- cookies: 字典或CookieJar,Request中的cookie
- auth: 元组,支持HTTP认证功能
- file: 字典类型,传输文件
- timeout: 设定超时时间,秒为单位
- proxies: 字典类型,设定访问代理服务器,可以增加登录认证
- allow_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
requests.get(url, params=None, **kwargs)
- url: 拟获取页面的url链接
- params: url中的额外参数,字典或字节流格式,可选
- **kwargs: 12个控制访问的参数
requests.head(url, **kwargs)
-
url: 拟获取页面的url链接
-
**kwargs: 13个控制访问的参数
requests.post(url, data=None, json=None, **kwargs)
-
url: 拟更新页面的url链接
-
data: 字典、字节序列或文件,Request的内容
-
json: JSON格式的数据,Request的内容
-
**kwargs: 11个控制访问的参数
requests.put(url, data=None, **kwargs)
-
url: 拟更新页面的url链接
-
data: 字典、字节序列或文件,Request的内容
-
**kwargs: 12个控制访问的参数
requests.patch(url, data=None, **kwargs)
-
url: 拟更新页面的url链接
-
data: 字典、字节序列或文件,Request的内容
-
**kwargs: 12个控制访问的参数
requests.delete(url, **kwargs)
-
url: 拟获取页面的url链接
-
**kwargs: 13个控制访问的参数
r = requests.get(url)
get会构造一个向服务器请求资源的Request对象,服务器会返回一个Response对象,包含服务器返回的所有信息和向服务器请求的request信息
requests.get(url, params=None, **kwargs)
-
url:拟获取页面的url链接
-
params:url中的额外参数,字典或字节流格式,可选
-
**kwargs:12个控制访问的参数
Response对象的属性
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中猜测的响应内容编码方式 |
r.apparent_encoding | 从内容中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 |
Response的编码
属性 | 说明 |
---|---|
.encoding | 从HTTP header中charset获取,若无则认为ISO-8859-1 |
.apparent-encoding | 使用chardet.detect从内容中分析,比较耗时,还有一个confidence(可信度) |
如何获取正确编码可以尝试以下思路:3
if r.encoding == 'ISO-8859-1':
r.encoding = r.apparent_encoding
# 如果网站指定了编码,则用网站的。如果没有指定,则从内容中分析。
# 一个特例:网站指定编码为ISO-8859-1
若为了性能,可以指定编码,减少分析编码的耗时。
Requests异常
异常 | 说明 |
---|---|
requests.ConnectionError | 网络连接错误异常,如DNS查询失败、拒绝连接等 |
requests.HTTPError | HTTP错误异常 |
requests.URLRequired | URL缺失异常 |
requests.TooManyRedirects | 超过最大重定向次数,产生重定向异常 |
requests.ConnectTimeout | 连接远程服务器超时异常 |
requests.Timeout | 请求URL超时,产生超时异常 |
r.raise_for_status() | 如果不是200,产生异常requests.HTTPError |
利用try…except来处理网络访问中出现的异常
# 爬取网页的通用代码框架
import requests
def get_html_text(get_url):
try:
r = requests.get(get_url, timeout=30)
r.raise_for_status()
r.encoding = r.apparent_encoding
return r.text
except:
return "产生异常"
if __name__ == '__main__':
url = 'https://www.baidu.com'
print(get_html_text(url))
HTTP协议
HTTP(Hypertext Transfer Protocol)超文本传输协议。
HTTP是一个基于“请求与响应”模式的、无状态的应用层协议。
-
请求与响应:用户发起请求,服务器作出相应响应。
-
无状态:第一次请求和第二次之间没有关联。
-
应用层:该协议工作在TCP层之上
HTTP协议采用URL作为定位网络资源的标识。
URL格式http://host[:port][path]
-
host: 合法的 Internet主机域名或地址
-
port: 端囗号,缺省端囗为80
-
path: 请求资源的路径
URL是通过HTTP协议存取资源的Internet路径,一个URL对应一个数据资源。
HTTP协议对资源的操作
方法 | 说明 |
---|---|
GET | 请求获取URL位置的资源 |
HEAD | 请求获取URL位置资源的响应消息报告,即获得该资源的头部信息 |
POST | 请求向URL位置的资源后附加新的数据 |
PUT | 请求向URL位置存储一个资源,覆盖原URL位置的资源 |
PATCH | 请求局部更新URL位置的资源,即改变该处资源的部分内容的资源 |
DELETE | 请求删除URL位置存储的资源 |
和Requests库提供的6个函数功能一一对应
Robots协议
网络爬虫的尺寸
小规模,数据量小 | 中规模,数据规模较大 | 大规模,搜索引擎 |
---|---|---|
爬取速度不敏感 | 爬取速度敏感 | 爬取速度关键 |
Requests库 | Scrapy库 | 定制开发 |
爬取网页玩转网页 | 爬取网站 爬取系列网站 | 爬取全网 |
爬虫引发的问题
- 骚扰问题
- 爬虫可以1秒中爬取几万次甚至十几万次,服务器很难提供高性能的服务。受限于编写水平和目的,网络爬虫将会为web服务器带来巨大的资源开销。
- 爬虫可以1秒中爬取几万次甚至十几万次,服务器很难提供高性能的服务。受限于编写水平和目的,网络爬虫将会为web服务器带来巨大的资源开销。
- 法律风险
- 服务器上的数据有产权归属
- 网络爬虫获取数据后牟利将带来法律风险
- 隐私泄露
- 隐私网络爬虫可能具备突破简单访问控制的能力,获得被保护数据从而泄露个人隐私。
网络爬虫的限制
- 来源审查:判断User-Agent进行限制
- 检查来访HTTP协议头的User-Agent域, 只响应浏览器或友好爬虫的访问。
- 检查来访HTTP协议头的User-Agent域, 只响应浏览器或友好爬虫的访问。
- 发布公告:Robots协议
- 告知所有爬虫网站的爬取策略,要求爬虫遵守。
Robots协议
Robots Exclusion Standard 网络爬虫排除标准
作用:网站告知网络爬虫哪些页面可以抓取,哪些不行。
形式:在网站根目录下的robots.txt文件。
例百度网站Robots协议的节选:https://www.baidu.com/robots.txt
User-agent: Baiduspider
Disallow: /baidu
Disallow: /s?
Disallow: /ulink?
Disallow: /link?
Disallow: /home/news/data/
Disallow: /bh
User-agent: *
Disallow: /
Robots协议的基本语法
#注释 *代表所有 /代表根目录
Robots协议的遵守方式
Robots协议的使用
- 网络爬虫:自动或人工识别robots.txt,再进行内容爬取。
- 约束性: Robots协议是建议但非约束性,网络爬虫可以不遵守,但存在法律风险。
网站本来是为了提供信息给人类,如果程序的访问与人的访问相当,不对服务器造成较大影响,可以不遵守Robots协议。
参考链接
菜鸟教程.Python pip 安装与使用.https://www.runoob.com/w3cnote/python-pip-install-usage.html ↩︎
I PASTLE.常用国内pip镜像源.https://blog.csdn.net/qq_38621834/article/details/99417630 ↩︎
().requests:r.encoding比r.apparent_encoding更准确?.https://www.zhihu.com/question/264878732 ↩︎