------------------- http://httpbin.org/get ------ 模拟请求(get/post)传入服务器的Json文件
=================================== get请求 ============================================
{
"args": {}, ---------- get 请求用 params={ } ,post用 data={ }
"headers": {
"Accept": "text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,image/apng,*/*;q=0.8",
"Accept-Encoding": "gzip, deflate",
"Accept-Language": "zh-CN,zh;q=0.9,en;q=0.8",
"Connection": "close",
"Cookie": "_gauges_unique_year=1; _gauges_unique=1",
"Host": "httpbin.org",
"Upgrade-Insecure-Requests": "1",
"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/71.0.3578.98 Safari/537.36"
},
"origin": "116.226.241.188",
"url": "http://httpbin.org/get"
}
==================================== post请求 ===========================================
一、爬虫的基本知识:
1、爬虫的理解:
(1)网络爬虫,即Web Spider,网络蜘蛛是通过网页的链接地址来寻找网页的。
2、爬虫的设计过程:
根据网页的三大特征(框架、样式、行为), 发送请求获取数据,筛选数据保存,数据有url地址,继续(发送请求获取数 据)。
3、爬虫的分类:
通用爬虫:目标、流程(爬取网页 - 存储数据 - 内容处理 - 提供检索/排名服务)、遵循Robots协议。
聚焦爬虫:与通用搜索引擎爬虫的区别在于: 聚焦爬虫在实施网页抓取时会对内容进行处理筛选, 尽量保证只抓取与需求相关的网页信息。
二、发送请求获取数据(requests包):
- ① get请求:requests.get(url,params=None,**kwargs)
- 特点:1)不加密,安全性低
- 2)params 请求网址的参数
- 3)**kwargs 不定长命名参数
- ② post请求:reguests.post(url,date=None,json=None,**kwargs)
- 特点:加密,安全性高
帮助发送请求,这个作为入门的工具还是不错的,对了解一些爬虫的基本理念,掌握爬虫爬取的流程有所帮助。
1、requests安装:
cmd安装:
anacanda安装:
2、基本get请求:
- 注意:(1)url是必须的参数,且http协议必须要写。
- (2). text 得到的是 str 类型。
import requests
url2 = 'http://httpbin.org/get'
url3 = 'http://httpbin.org/post'
r = requests.get(url2)
print(r.text)
print(type(r.text)) <class 'str'> .text是字符串类型。
r1 = requests.post(url2)
print(r1.text)
import requests
url2 = 'http://www.ibeifeng.com'
===========================================================================================
r = requests.get(url2)
print(r) --------- <Response [200]> 得到响应对象, 200表示成功
print(type(r)) --------- <class 'requests.models.Response'> 查看返回类型
print(r.status_code) --------- 查看响应码结果:200;200 :表示响应成功,1** 正在请求,3** 重定向 ,4** 资源错误 ,5** 服务器错误
===========================================================================================
print(r.text) --------- 获得响应的字符串类型html文本,如果是json文件,需要loads后才可以使用字典。
---------------------- .text 乱码时的处理方法。
#使用 response.content 把源代码解析成 unicode码, 后面再加上decode("utf-8") 转换成 utf-8编码
url3 = 'https://www.woyaogexing.com/'
r2 = requests.get(url3)
print(r2.text) ---------- 乱码。
print(r2.content.decode('utf-8')) ---------- 以字节形式展示并用utf-8解码得到正常结果(具体要看源网页的编码格式)
===========================================================================================
print(r.encoding) ---------- gbk 查看编码方式
print(r.cookies) ---------- 获取缓存
print(r.url) ---------- 获取当前页面响应的url
3、基本请求get传递参数:
- 特点:① 相当于form中input标签提交
- ② get传递参数用 params ,post 传递参数用 data
import requests
url = 'http://httpbin.org/get'
pay = {'name':'yangmi','age':'30'} # 用字典的格式。相当于将两个键值对传到args对应的value中。
r = requests.get(url,params=pay) # 传递参数
print(r.text)
print(r.url) #结果: http://httpbin.org/get?name=yangmi&age=30
4、基本请求get伪装浏览器:
import requests
url = 'https://www.zhihu.com'
r = requests.get(url)
print(r.text) # 被阻拦
=========================================== 伪装浏览器 ================================
dict1 = {
'name':'zhangsan',
'age':'20'
}
headers = {
'User-Agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/69.0.3497.100 Safari/537.36'
} # get 访问添加头文件仿照 浏览器。
r1 = requests.get(url,params=dict1,headers=headers) # params 添加参数,headers 设置头文件。
print(r1.text) # 访问成功
print(r1.url) # 结果:https://www.zhihu.com/signup?next=%2F%3Fname%3Dzhangsan%26age%3D20
5、get请求解析json数据(附加模块json的用法):
(1)简介json模块的方法:
import json
data = {
'name' : 'ACME',
'shares' : 100,
'price' : 542.23
}
json_str = json.dumps(data) 将python字典对象转化为json字符串。
data = json.loads(json_str) 将json字符串转化为python字典对象
(2)requests请求json数据的处理方法:
方法一:
import requests
url = 'https://github.com/time.json'
r = requests.get(url)
print(r.text) -------- 这是str类型
print(r.text['message']) # 报错
print(r.json()) # requests 内部有一个json解码器,可以将 json 字符串格式转化为 python的对象。
print(r.json()['message']) # 可以获取字典的values
方法二:
利用插入json模块的方法:
import requests
import json # 插入json模块
url = 'https://github.com/time.json'
r = requests.get(url)
dict1 = json.loads(r) # 错误,因为 r 是响应对象,而不是json字符串。
dict2 = json.loads(r.text) # 将json字符串转化为python字典对象。
print(dict2['message'])
6、利用get下载 音频、图片(需要获取原始套接字响应stream= True):
下载音频、图片时注意两点,(1)冒充浏览器:键值对 headers = (2)‘流’ 键值对: stream = True
爬取图片
import requests
url = 'http://wx4.sinaimg.cn/large/67b2eab9ly1flwuchb5vlj20dw0dwdi1.jpg'
headers = {
'User-Agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/69.0.3497.100 Safari/537.36'
}
# TODO 增加连接重试次数
from requests.adapters import HTTPAdapter
sess = requests.Session()
sess.mount('http://', HTTPAdapter(max_retries=5))
sess.mount('https://', HTTPAdapter(max_retries=5))
sess.keep_alive = False # 关闭多余连接
try:
text = sess.get(url,headers=headers,stream=True,verify=False,timeout=(5,5)) # connect 和 read 二者的 timeout,所以是一个数组
with open('1.jpg','wb') as file:
for i in text.iter_content(1024*10):
file.write(i)
text.close() # 关闭,很重要,确保不要过多的链接
except Exception as e:
print(e)
==========================================================================================
爬取音频
import requests
url = 'https://m10.music.126.net/20181112201426/6a0a71e1afe74bf40d48a2598c4cead9/ymusic/3020/0523/bdb1/9b15432eb04a5b4ba66c64409da4b27d.mp3'
headers = {
'User-Agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/69.0.3497.100 Safari/537.36'
}
text = requests.get(url,headers=headers,stream=True)
with open('1.mp3','wb') as file:
for i in text.iter_content(1024):
file.write(i)
===================================== 第二种方法:存储二进制数据 ==========================
r1=requests.get("http://www.xiaohuar.com/d/file/20190117/07a7e6bc4639ded4972d0dc00bfc331b.jpg",headers=headers)
print(r1.content)
with open("1.jpg",'wb') as file:
file.write(r1.content)
7、获取网页的cookie:
获取 cookie
import requests
url= 'http://www.ibeifeng.com'
a = requests.get(url)
print(a.cookies)
向网站发送cookie
import requests
url= 'http://httpbin.org/get'
a = requests.get(url)
print(a.text)
第一种
a1 = requests.get(url,cookies={'name':'yangmi'})
print(a1.text)
第二种 cookies可以放在hearders中。
a1 = requests.get(url,cookies={'name':'yangmi'})
headers = {
'User-Agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/69.0.3497.100 Safari/537.36',
'cookies':"{'name':'yangmi'}" # 注意,headers是 str 类型,因此 {'name':'yangmi'} 要加 “”。
}
print(a1.text)
===========================================================================================
模拟登陆 cookies
---- 第一种方式 请求页面获取cookie,然后每次请求带上cookie-----
# 1. 请求登陆页面 dologin.php 使用data参数(FormData) 传入账号密码,然后服务器给我们返回cookie, 使用变量login_status 接收
r=requests.post("http://www.antvv.com/login/dologin.php",data={"uname":"admin","upwd":"123456"})
login_status=r.cookies # 等同于 浏览器上 保存 cookie
# 2. 请求其他页面的时候, 请求首页,加上 cookies=login_status 也就是,在请求的时候,把cookie带上去,服务器就能识别出来,我们是已经登录的用户了
r1=requests.get("http://www.antvv.com/login/index.php",cookies=login_status)
print(r1.text)
------ 第二种方式 ,直接 模拟一个浏览器------
chrome=requests.session() # 返回了一个 session 对象,模拟了一个浏览器
chrome.post("http://www.antvv.com/login/dologin.php",data={"uname":"admin","upwd":"123456"}) # 请求登陆页面 ,返回的cookie 会保存在我们模拟的浏览器 chrome上
r=chrome.get("http://www.antvv.com/login/index.php") # 直接使用模拟浏览器 访问 首页,此处不需要再传输cookies 了
print(r.text) # admin 已经登录
三、post请求:
比get 多了 data、files、form 通常操作 用字典的方式。
1、post请求添加参数(data =):
post访问添加参数为data,get是params
将字典内容传入data的键值对中:
2、post请求发送cookie(cookies =):
3、post请求,发送文件(files =)到服务器中:
with open('post_111.txt','wb') as file:
pass
import requests
url= 'http://httpbin.org/post'
files = {'file': open('post_111.txt','rb')} ----------- 这里不用 .read()出来,内部自动识别,字典中的key file,代表表单提交时的 input中的name属性
a = requests.post(url,files=files)
print(a.text)
4、post请求,发送json数据:
- 用法: 处理json数据,引入json模块,json.loads()、json.dumps()。
5、请求超时与异常处理:
(1)超时设定timeout:
- 你可以告诉 requests 在经过以 timeout 参数设定的秒数时间之后停止等待响应。基本上所有的生产
- 代码都应该使用这一参数。如果不使用,你的程序可能会永远失去响应!
import requests # 导入请求模块
from requests.exceptions import ConnectTimeout,ConnectionError,RequestException # 导入错误类型
try:
r = requests.get('http://github.com', timeout=0.1) # 超时设置
print(r.status_code)
except ConnectTimeout:
print('ConnectTimeout')
except ConnectionError:
print('ConnectionError')
except RequestException as e:
print(e)
print('运行到此!')
结果:
HTTPSConnectionPool(host='github.com', port=443): Read timed out. (read timeout=0.1)
运行到此!
(2)异常处理:
python进阶(异常处理)_name 'psf' is not defined-CSDN博客 ----------------- 异常处理
异常处理:
list1=[1,5]
list1[3] = 10
try:
print(list2)
print(list1)
except IndexError as e: # 索引错误 跳过
print(e)
except NameError as e: # 变量未定义错误 跳过
print(e)
except BaseException as e: # try代码块错误跳过。
print(e)
print('a')
print('a')
print('a')