爬虫入门系列

1. Requests库入门

  一、安装 Requests 

   通过pip安装

pip install requests

 

  二、发送请求与传递参数

• Requests库的七个主要方法:

                                                                 库方法

• get方法
  r = requests.get(url):右边构造一个向服务器请求资源的Requests对象,左边返回一个包含服务器资源的Response对象给r
  完整参数:requests.get(url,params=None,**kwargs),实则由request方法封装
  Resonse对象的五个属性:

  属性

• 爬取网页的通用代码框架
  Requests库爬取网页会遇到异常:
•  
• 
  

                                                 6种常用异常

  
  使用r.raise_for_status()方法构建通用代码框架:

def getHTMLText(url):
    try:
        r = requests.get(url)
        r.raise_for_status() #如果状态不是 200 ,主动引发HTTPError异常
        r.encoding = r.apparent_encoding
        return r.text
    except:
        return "产生异常"

 

• HTTP协议及Requests库方法
  • method(请求方式)包括:
    GET/HEAD/POST/PUT/PATCH/delete/OPTIONS
  • **kwargs(控制访问参数)包括:
    params(添加键值到url后)/data(字典/字节序列等作为Request的内容)/json/headers(HTTP定制头)/cookies(Request中的cookie)/auth(元祖,支持HTTP认证)/files(传输文件)/timeout/proxies(设定访问代理服务器)/allow_redirects(重定向开关)/stream(获取内容立即下载开关)/verify(认证SSL证书开关)/cert(本地SSL证书路径)
• HTTP(Hypertext Transfer Protocol,超文本传输协议)是一个基于"请求与响应"模式的/无状态的应用层协议;URL是通过HTTP协议存取资源的Internet路径
  HTTP协议对资源的操作:
• 
  

                                                             HTTP方法

• Requests库主要方法:requests.request(method,url,**kwargs)

    method : 请求方式 , 对应get /put /post /等7种方法

    url : 拟获取页面的url链接 

r = requeste.request('GET',url,**kwargs)
r = requeste.request('HEAD',url,**kwargs)
r = requeste.request('POST',url,**kwargs)
r = requeste.request('PUT',url,**kwargs)
r = requeste.request('PATCH',url,**kwargs)
r = requeste.request('delete',url,**kwargs)
r = requeste.request('OPTIONS',url,**kwargs)

requests.get () , requests.put()等都是基于request的 

** 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 

    url = 'https://python123.io/ws'
    kv = {'key1':'value1','key2':'value2'}
    r = requests.request('GET',url,params=kv)
    print(r.url)
    #  https://python123.io/ws?key1=value1&key2=value2

data: 字典,字节序列或文件对象 ,作为Request 的内容

    kv = {'key1':'value1','key2':'value2'}
    url = 'https://python123.io/ws'

    r = requests.request('POST',url,data=kv)
    body = '主体内容'
    r = requests.request('POST',url,data=body)

json : json 格式的数据 ,作为Request的内容 :

url = 'https://python123.io/ws'
    kv = {'key1':'value1','key2':'value2'}
   
    r = requests.request('POST',url,json=kv)

headers : 字典 , http 定制头 

    url = 'https://python123.io/ws'
    hd = {'user-agent':'Chrome/10'}
    r = requests.request('POST',url,headers=hd)

cookies : 字典或CookieJar , Request中的cookie

auth : 元组 ,支持http 认证功能 

files : 字典类型,传输文件

 fs = {'file':open('data.xls','rb')} 
 r = requests.request('POST',url,files=fs)

timeout : 设定超时时间 ,秒为单位 

r = requests.request('POST',url,timeout=10)

proxies :字典类型 ,设定访问代理服务器 ,  可以增加登录认证 

.....

2. 网络爬虫的盗亦有道

• 网络爬虫引发的问题

  网络爬虫的尺寸

  • 网络爬虫可能会给Web服务器带来巨大的资源开销
  • 网络爬虫获取数据后可能会带来法律风险
  • 网络爬虫可能会造成隐私泄露
    对网络爬虫的限制:
  • 来源审查:检查来访HTTP协议头的User-Agent域
  • 发布公告:Robots协议
• Robots协议(Robots Exclusion Standard,网络爬虫排除标准)
  爬虫应自动或人工识别robots.txt,但Robots协议是建议但非约束性

  Robots协议

      网站告诉爬虫哪些页面允许获取 ,哪些不允许获取 . 

      京东的RObots协议 https://www.jd.com/robots.txt

 

3. Requests库爬取实例

        实例1  京东商品页面的爬取 

   

def getHTMLText(url):
    try:
        r = requests.get(url)
        r.raise_for_status() #如果状态不是 200 ,引发HTTPError异常
        r.encoding = r.apparent_encoding
        return r.text[:1000]
    except:
        return "产生异常"

if __name__ == "__main__":
    url = 'https://item.jd.com/100001550349.html'
    print(getHTMLText(url))

   实例2  亚马逊商品页面爬取  由于亚马逊有自身的头部审查,故我们模拟浏览器访问:

def getHTMLText(url):
    try:
        kv = {'user-agent':'Mozilla/5.0'} #模拟浏览器向http发送请求
        r = requests.get(url,headers=kv) # 修改头部信息
        r.raise_for_status() #如果状态不是 200 ,引发HTTPError异常
        r.encoding = r.apparent_encoding
        print(r.text[1000:2000])
    except:
        return "产生异常"

if __name__ == "__main__":
    url = 'https://item.jd.com/100001550349.html'
    url1 = 'https://www.amazon.cn/dp/B0083DP0CY/ref=cngwdyfloorv2_recs_0?pf_rd_p=db4e96ef-5fc1-47f8-92b2-b9a5e737b326&pf_rd_s=desktop-2&pf_rd_t=36701&pf_rd_i=desktop&pf_rd_m=A1AJ19PSB66TGU&pf_rd_r=S3W96Q29FW67JSZNJXTF&pf_rd_r=S3W96Q29FW67JSZNJXTF&pf_rd_p=db4e96ef-5fc1-47f8-92b2-b9a5e737b326'
    getHTMLText(url1)

 实例 3  百度360搜素关键词提交 

import requests
keyword = "Python" #搜素关键词
try:
    kv = {'wd':keyword}
    url = 'http://www.baidu.com/s'
    r = requests.get(url,params=kv)
    print(r.request.url)
    r.raise_for_status()
    print(len(r.text))
except:
    print("爬取失败")

360搜素 

import requests
keyword = "Python" #搜素关键词
url = 'https://www.so.com/s' #搜素引擎
try:
    kv = {'q':keyword}
    r = requests.get(url,params=kv)
    print(r.request.url)
    r.raise_for_status()
    print(len(r.text))
except:
    print("爬取失败")
# https://www.so.com/s?q=Python
# 311964

实例 4  网络图片的爬取和存储 

import requests
import os
url = "http://image.nationalgeographic.com.cn/2017/0311/20170311024522382.jpg"
root = "D://pics//"
path = root +url.split('/')[-1]
print(path)

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)
      f.close()
      print("文件保存成功")
  else:
      print("文件已存在")
except:
  print("爬取失败")
  

 实例5   IP 地址归属地的自动查询 

import requests
import os
try:
    url = "http://m.ip138.com/ip.asp?ip="
    r = requests.get(url+'202.194.119.110')
    r.raise_for_status()
    r.encoding = r.apparent_encoding
    print(r.text[-500:])
except:
    print("爬取失败")