Python爬虫学习记录——3.使用Requests爬取豆瓣短评

Requests库介绍

Requests库官方的介绍有这么一句话：Requests，唯一的一个非转基因的 Python HTTP 库，人类可以安全享用。
这句话直接并霸气地宣示了Requests库是python最好的一个HTTP库。
想要深入学习Requests库，可以参考官方文档：http://cn.python-requests.org/zh_CN/latest/

Requests库安装

这里介绍两种常用的python安装第三方库的方法，建议首先使用第一种方法，如果使用第一种方法安装库的时候出现错误，或者使用第一种方法下载速度过慢，再使用第二种方法。

• 第一种方法：pip安装

  1. 打开cmd命令行，输入pip install requests
     
     出现Successfully installed，即表示成功安装。

  2. 然后进入python，输入:

     import requests
     

     没有报错的话即表示可以使用requests库了。

• 第二种方法：下载包再安装

  1. 前往http://www.lfd.uci.edu/~gohlke/pythonlibs/，手动下载需要安装的第三方包（注意对应你的python版本是32位还是64位）。
  2. 然后在下载下来的文件所在目录按住shift并点击鼠标右键，选择在此处打开Powershell窗口，在此命令行中使用“pip install + 下载下来文件全名”，即可完成安装。
     
     

注意：无论使用哪种方式，安装完成后，同样需要进入python并import一下，如果没有返回错误，才能确定可以正常使用。

Requests库的简单用法

Requests库的七个主要方法

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网页提交删除请求，对应于HTTP的DELETE

这里只需要掌握最常用的requests.get()方法即可。

Requests.get的用法

import requests  #导入Requests库
r = requests.get(url) #使用get方法发送请求，返回包含网页数据的Response并存储到Response对象r中

通过这个方法，可以获得Response对象，进行接下来的操作。

Response对象的属性

• r.status_code：http请求的返回状态，200表示连接成功(阅读HTTP状态码，了解各状态码含义)

• r.text：返回对象的文本内容

• r.content：猜测返回对象的二进制形式

• r.encoding：分析返回对象的编码方式

• r.apparent_encoding：响应内容编码方式（备选编码方式）

以知乎为例，展示上述代码的使用

>>> import requests
>>> r = requests.get('https://www.zhihu.com/')
>>> r.status_code
500
>>> r.text   #省略
>>> r.content   #省略
>>> r.encoding
'ISO-8859-1'
>>> r.apparent_encoding
'ascii'

实战

1. 分析豆瓣短评网页
   首先通过浏览器工具来分析网页的加载方式，注意同步加载和异步加载的区别**：只有同步加载的数据才能直接在网页源代码中直接查看到，异步加载的数据直接查看网页源代码是看不到的。**
   
   把JavaScript由“允许”改为“阻止”，重新刷新页面，若网页正常加载，说明该网页的加载方式是同步加载，若网页没有正常加载，说明该网页的加载方式是异步加载。

2. 使用Requests下载数据

   1. 导入Requests库
   2. 输入url
   3. 使用get方法
   4. 打印返回文本
   5. 抛出异常

import requests #导入Requests库
url = ' ' #输入url
r = requests.get(url,timeout=20) #使用get方法
print(r.text) #打印返回文本
print(r.raise_for_status()) #抛出异常

3. 爬取网页通用框架

   1. 定义函数
   2. 设置超时
   3. 异常处理
   4. 调用函数

#定义函数
def getHTMLText(url):
    try:
        r = requests.get(url,timeout=20) #设置超时
        r.raise_for_status()
        r.encoding = r.apparent_encoding
        return r.text
    except: #异常处理
        return "产生异常"

if __name__ == '__main__':
    url = "https://movie.douban.com/review/best/?start=60"
    print(getHTMLText(url)) #调用函数

爬虫协议

什么是爬虫协议
爬虫协议，也被叫做robots协议，是为了告诉网络蜘蛛哪些页面可以抓取，哪些页面不能抓取

如何查看爬虫协议
在访问网站域名后加上robots.txt即可，例如查看百度网站的爬虫协议：https://www.baidu.com/robots.txt

爬虫协议属性：

• 拦截所有的机器人：

  User-agent: * 
  Disallow: /
  

• 允许所有的机器人：

  User-agent: * 
  Disallow:
  

爬虫建议

• 爬取互联网公开数据
• 尽量放慢你的速度
• 尽量遵循robots协议
• 不要用于商业用途
• 不要公布爬虫程序与数据

为何要遵循爬虫协议
即使不是爬虫工程师，关注互联网的人也很少不知道Robots协议的。百度和360从2012年起展开的一场屏蔽与反屏蔽战把原本程序员才知道的Robots协议变成媒体热词。北京一中院8月7日对3B搜索不正当竞争纠纷案（3B案）作出的一审判决让Robots协议在新闻里又火了一把。Robots协议的法律地位或法律效力问题是3B案一系列法律问题中最大的争点。作为一个爬虫学习者必须从中吸取教训，不要让自己的爬虫违反了法律。