一.Requests库的get()方法
1.1requests库的安装
首先,调出command控制台,输入cmd
进入,输入pip install requests
下载requests库
1.2 测试requests库的效果
import requests
r = requests.get("http://www.baidu.com")
r.status_code
#200表示访问成功
r.encoding = 'utf-8'
r.text
运行结果(成功):
1.3 requests库的7个主要方法
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,对于HTTP的GET |
requests.head() | 获取HTML网页头信息的方法,对于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网页提交删除请求,对应于HTTP的DELETE |
1.4 requests中的get方法
#获取一个网页最简单的一行代码是:
r = requests.get(url)
#这里给定get方法和url来构造一个向服务器请求资源的Requests对象(该对象是由Requests内部生成的)
#返回一个包含服务器资源的Response对象(包含从服务器返回的所有资源)(Response对象的属性下面讲解)
#完整使用方法
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
1.5 Response对象的属性(牢记)
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 |
1.6 理解Response的编码
属性 | 说明 |
---|---|
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.encoding:如果header中不存在charset,则认为编码为ISO-8859-1
1.7 对以上知识的讲解运用
此处用的是python自带的IDLE
import requests
r = requests.get("http://www.baidu.com");
r.status_code
-->200(返回值)
r.text
-->(返回值)
...一堆英文
r.encoding
-->'ISO-8859-1'
r.apparent_encoding
'utf-8'
r.encoding = 'utf-8'#更改编码
r.text
-->此时返回值中出现中文!!!
二.爬取网页的通用代码框架
2.1 理解Requests库的异常
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 |
异常 | 说明 |
---|---|
r.raise_for_status() | 如果不是200,产生异常requests.HTTPError |
r.raise_for_status()在方法内部判断r.status_code是否等于200,不需要增加额外的if语句,该语句便于利用try-except进行异常处理。
2.2 爬取网页的通用代码框架
try…excpt的使用:
python会捕获到try中的异常,并且当try中某一行出现异常后,
后面的代码将不会再被执行;而是直接调用except中的代码
if __name__ =='__main__'的意思是:
当.py文件被直接运行的时候,if __name__ =='__main__':下方的代码将被执行;
当.py文件以模块形式被导入时,if __name__ =='__main__'下代码不被执行
import requests
def getHTMTLText (url) :
try:
r = requests.get(ur1, timeout=30)
r.raise_for_status()#如果状态不是200,引发HTTPError异常
r.encoding = r.apparent_encoding
return r.text
except:
return "产生异常"
if _name_ == "_main_" :
url = "http://www.baidu.com"
print(getHTMLText (url))
运行结果与试验结果
三.HTTP协议及Requests库方法
3.1 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
HTTP协议采用URL作为定位网络资源的标识,URL格式如下∶
http: / /host[ : port][path]
host:合法的Internet主机域名或IP地址
port:端口号,缺省端口为80
path:请求资源的路径
HTTP URL的理解︰
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
3.2 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 |
DELETE | 请求删除URL位置存储的资源 |
理解PATCH和PUT的区别:
假设URL位置有一组数据UserInfo,包括UserID、UserName等2e个字段
需求︰用户修改了UserName,其他不变
- 采用PATCH,仅向URL提交UserName的局部更新请求
- 采用PUT,必须将所有20个字段一并提交到uRL,未提交字段被删除
PATCH的最主要好处:节省网络带宽
3.3 HTTP协议与Requests库
HTTP协议方法 | Requests库方法 | 功能一致性 |
---|---|---|
GET | requests.get() | 一致 |
HEAD | requests.head() | 一致 |
POST | requests.post() | 一致 |
PUT | requests.put() | 一致 |
PATCH | requests.patch() | 一致 |
DELETE | requests.delete() | 一致 |
3.3.1 Requests库的head()方法
>>> r = requests.head( " http: / / httpbin.org/get ')
>>> r.headers
{ ' content-Length ' : '238', 'Access-Control-Allow-Origin ' : '*','Access-control-Allow-credentials ' : 'true ', 'content-Type ' :'application/json ', 'server': 'nginx ', 'Connection ' : 'keep-alive ','Date ' : 'Sat, 18 Feb 2017 12:07:44GMT '}
>>> r.text
3.3.2 Requests库的post()方法
>>> payload = { 'key1 ' : 'value1 ', 'key2 ' : 'value2 '}
>>> r = requests.post( ' http: / /httpbin.org/post ' , data = payload)
>>> print(r.text)
"form" : { 向URL POST一个字典
"key2" : "value2" , 自动编码为form(表单)
"key1 " : "value1"
},
}
3.3.3 Requests库的put()方法
>>> payload = { 'key1 ' : 'value1', "key2 ' : 'value2 '}
>>> r = requests.put( ' http: / /httpbin.org/put ', data = payload)
>>> print(r.text)
{...
"form ": {
"key2" : “value2",
"key1 " : "value1"
},
}
四.Requests库主要方法解析
4.1 requests库的7个主要方法
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,对于HTTP的GET |
requests.head() | 获取HTML网页头信息的方法,对于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网页提交删除请求,对应于HTTP的DELETE |
requests.request (method, url,**kwargs)
method:请求方式,对应get/put/post等7种
url:拟获取页面的url链接
**kwargs:控制访问的参数,共13个
1.params:字典或字节序列,作为参数增加到url中
>>> kv = { ' key1 ' : 'value1 ', 'key2 ' : 'value2'}
>>> r = requests.request( 'GET', 'http:/ / python123.io/ws ', params=kv)
>>> print(r.url)
http://python123.io/ws?key1=value1&key2=value2#再url后面增加键值对
2.data:字典、字节序列或文件对象,作为Request的内容
>>> kv = { 'key1 ' : 'value1 ', 'key2 ' : 'value2 ' }
>>r = requests.request( ' POST','http:// python123.io/ws ', data=kv)
>>> body = '主体内容"
>>>r = requests.request( ' PoST', 'http://python123.io/ws ' , data=body)
3.json: JSON格式的数据,作为Request的内容
>>> kv = { ' key1' : 'value1'}
>>> r = requests.request( ' PoST', 'http:/ /python123.io/ws ', json=kv)
4.headers :字典,HTTP定制头
>>> hd = i 'user-agent': 'Chrome / 10 '}
>>>r = requests.request( ' PoST', 'http:/ / python123.io/ws ' , headers=hd)#用Chrome 10版本打开
5.cookies :字典或cookieJar , Request中的cookie
6.auth:元组,支持HTTP认证功能
7.files:字典类型,传输文件
>>> fs = { 'file' : open( 'data.xls ', 'rb ')}
>>>r = requests.request( 'POST', 'http://python123.io/ws ' , files=fs)
8.timeout :设定超时时间,秒为单位
>>> r = requests.request( 'GET','http: //www.baidu.com' , timeout=10)
9.proxies :字典类型,设定访问代理服务器,可以增加登录认证
>>>pxs = { ' http' : ' http: //user:pass@10.10.10.1:1234'
' https ': 'https: / /10.10.10.1:4321' }
>>> r = requests.request( 'GET', 'http:/ /www.baidu.com ', proxies=pxs)
10.allow_redirects : True/False,默认为True,重定向开关
11.stream : True/False,默认为True,获取内容立即下载开关
12.verify : True/False,默认为True,认证sSL证书开关
13.cert :本地SSL证书路径
五.Robots协议
5.1 概要
作用:网站告知网站爬虫哪些可以抓取,哪些不行。
形式:在网站根目录下的robots.txt文件。
eg:京东的robots协议
https://www.jd.com/robots.txt
5.2 Robots遵守方式
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
五.实例
5.1 京东商品页面的爬取
import requests
ur1 = "https://item.jd.com/10033678062668.html"
try:
r = requests.get(ur1)
r.raise_for_status()//返回值200 不产生异常 非200 产生异常
r.encoding = r.apparent_encoding
print(r.texe[:1000])
except:
print("爬取失败")
5.2 亚马逊商品页面的爬取
import requests
ur1 = "https://www.amazon.cn/dp/B00AA7KHPQ/ref=sr_1_6?crid=3HYPWFC7SA5K7&keywords=%E4%B9%A6&qid=1662801515&sprefix=%E4%B9%A6%2Caps%2C109&sr=8-6"
try:
kv = {'user-agent':'Mozilla/5.0'}#模拟浏览器进入网站
r = requests.get(ur1,headers=kv)
r.raise_for_status()
r.encoding = r.apparent_encoding
print(r.text[:1000])
except:
print("爬取失败")
5.3 百度360搜索关键词提交
百度的关键词接口:
http: // www.baidu.com/ s?wd=keyword
360的关键词接口:
http: //www. so.com/s?q=keyword
#百度
import requests
keyword = "python"
try:
kv = {'wd':keyword}
r = requests.get("http://www.baidu.com/s",params=kv)
print(r.request.url)
r.raise_for_status()
print(len(r.text))
except:
print("爬取失败")
#360
import requests
keyword = "python"
try:
kv = {'q':keyword}
r = requests.get("http://www.so.com/s",params=kv)
print(r.request.url)
r.raise_for_status()
print(len(r.text))
except:
print("爬取失败")
5.4 网络图片的爬取和存储
网络图片链接的格式∶http: // www. example.com/picture.jpg
选择一个图片web页面:https://img9.51tietu.net/pic/2019-091317/dia2fh1uhj5dia2fh1uhj5.jpg
import requests
import os
url = "https://img9.51tietu.net/pic/2019-091317/dia2fh1uhj5dia2fh1uhj5.jpg"
root = "D://pics//"
path = root + url.split('/')[-1]
try:
if not os.path.exists(root):
os.mkdir(root)
if not os.path.exists(path):
r = requests.get(url)
with open(path,'wb') as f:
f.write(r.content)#返回的内容写到文件中,r.content表示返回内容的二进制形式
f.close()
print("文件保存成功")
else:
print("文件已存在")
except:
print("爬取失败")
5.5 IP地址归属地的自动查询
import requests
url = "https://www.ipshudi.com/"
try:
r = requests.get(url+'xxxxxx.htm')
r.raise_for_status()
r.encoding = r.apparent_encoding
print(r.text[2000:3000])
except:
print("爬取失败")