python 爬虫（01）发起请求

一、准备

1、数据库安装配置

• mongodb、redis、mysql

2、python多版本共存配置

环境变量配置

• python安装好后配置系统环境变量之后可以在cmd里面直接使用python命令
• 我直接是安装的 anaconda3 的环境，安装的时候可以选择是否加入到环境变量

多版本共存问题

• 多版本python 安装配置环境变量后，python 和 pip 等命令存在重名问题，默认调用的是环境变量配置靠前的
• 要想不同的版本能够互不影响使用的话解决方法是，在python2和python3都存在的情况下，可以直接将python3里面的python和pip等直接复制一份，改名为python3和pip3，pip可能还需要新建一个 py 文件，python2同样的操作，复制改名为python2和pip2，这样命令行里面可以直接通过不同的命令名调不同的python环境

3、爬虫常用库的安装

• 安装命令：pip install requests

常用库

• 请求：urllib、re（内置）、requests
• 渲染：selenium（ChromeDriver）、phantomjs
• 解析：lxml、beautifulSoup、pyquery
• 存储：pymysql、pymongo
• 分布式：redis、flask
• 其他：django、jupyter

---

二、爬虫原理

1、基本流程

发起请求

• 很多网站要求带 header，其中最主要的是 UA 和 cookie
• 还有的网站要请求的数据的话会需要加上验证的参数（请求参数）

接受响应

• 响应内容可能是 html、xml、json和二进制数据等

解析内容

• 通过正则、xpath、bs4、pyquery 等获取有效的数据

保存数据

• 文本可以直接保存文件，还可以存到数据库（关系和非关系），还可以存二进制文件（视频音频等）

---

三、urllib库详解

1、综述

• urllib提供了一系列用于操作URL的功能
• 常用的有三个模块：request（发送请求）、error（错误处理）、parse（解析html）

2、请求request

request对象

request.Request(url=url,data=data,headers=headers,method='POST')
request.add_header('.....')

代理：需要通过一个handler和openner来处理

3、响应response

响应头和状态码

reponse.status、response.getHeader

响应体

response.read().decode(‘utf-8’)

cookie：需要通过一个handler和openner来处理

4、异常处理error

作用：保证程序的正常运行；

常用的：URLerror–父类、HTTPerror

5、URL解析parse

url的组成：协议、域名、路径、参数、锚点（用于指定网络资源中的片断，以 # 为标志）

常用方法：urlparse（分割）、urlunparse（组合）、urljoin（后面替换前面）、urlencode

urlencode（）:将字典转化为 get 请求的参数

from urllib.parse import urlencode
base_url=‘https://www.baidu.com?’
dict1={
‘name’:‘kaka’,
‘password’:‘ab123’
}
print (base_url+urlencode(dict1))

---

四、request库详解

1、GET请求

带参数的get请求

import requests
dict2={
‘name’:‘kaka’,
‘password’:‘ab123’
}
resp = requests.get(‘https://httpbin.org/get’,params=dict2)
print (resp.text)

json解析

import requests
import json

resp = requests.get(‘https://httpbin.org/get’)
print (resp.json())
print(json.loads(resp.text))

获取二进制数据

import requests
resp = requests.get(‘https://ss0.bdstatic.com/5aV1bjqh_Q23odCf/static/superman/img/logo/logo_white_fe6da1ec.png’)
with open(‘e:\1.png’,‘wb’) as f:
f.write(resp.content)
f.close()

添加headers

某些网站需要验证请求头的信息
import requests
requests.get(’…’,headers=headers)

2、POST请求

方法类似get请求的方法，请求体用一个字典封装(data)
requests.post(’’,data=data,headers=headers)

3、高级操作

文件上传

import requests
file={
‘12.png’:open(‘e:\1.png’,‘rb’)
}
resp=requests.post(‘https://httpbin.org/post’,files=file)
print(resp.text)

获取cookie

import requests

resp=requests.get(‘https://www.baidu.com’)
for k,v in resp.cookies.items():
print(‘key=’+k+’ value=’+v)

登录状态保持

response.cookies
import requests
se = requests.Session()

resp=se.get(‘https://httpbin.org/cookies/set/name/kaka’)
resp2 = se.get(‘https://httpbin.org/cookies’)
print(resp2.text)

证书验证：get(’…’,verify=false)

代理设置：get(’…’,proxys=proxys)

超时设置：get(’…’,timeout=1)

认证设置：get(’…’,auth=(‘kaka’,‘123’))

异常处理：保证程序的正常运行