python网络信息提取_Python网络爬虫与信息提取讲解

网络爬虫是互联网上进行信息采集的通用手段，在互联网的各个专业方向上都是不可或缺的底层技术支撑，了解Python网络爬虫与信息提取，可以更好的掌握该项技术,通过一个朋友推荐的博客，带大家了解一下：

1.学习Python网络爬虫与信息提取,必须会一门编程语言和懂得一些网络相关知识，最好会Python语言；

2.Python网络爬虫讲解是建立在:

a、Requests框架：自动爬取HTML页面与自动网络请求提交

b、robots.txt:网络爬虫排除标准

c、BeautifulSoup框架：解析HTML页面

d、Re框架：正则框架，提取页面关键信息

e、Scrapy框架：网络爬虫原理介绍，专业爬虫框架介绍

等基础上的；

3. Requests的基础使用

注：Requests库是目前公认的爬取网页最好的Python第三方库，具有简单、简捷的特点。

官方网站：http://www.python-requests.org

在"C:\Windows\System32"中找到"cmd.exe"，使用管理员身份运行，在命令行中输入：“pip install requests”运行。

使用IDLE测试Requests库：>>> import requests

>>> r = requests.get("http://www.baidu.com")#比如抓取百度页面

>>> r.status_code

>>> r.encoding = 'utf-8'

>>> r.text

Requests库的7个主要方法方法说明

requests.

request()构造一个请求，支撑一下各方法的基础方法

requests.get()获取HTML网页的主要方法，对应HTTP的GET

requests.head()获取HTML网页头的信息方法，对应HTTP的HEAD

requests.post()向HTML网页提交POST请求方法，对应HTTP的POST

requests.put()向HTML网页提交PUT请求的方法，对应HTTP的RUT

requests.patch()向HTML网页提交局部修改请求，对应于HTTP的PATCH

requests.delete()向HTML页面提交删除请求,对应HTTP的DELETE

get()方法详解：

r = requests.get(url)

get()方法构造一个向服务器请求资源的Request对象，返回一个包含服务器资源的Response对象。

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个控制访问参数

Requests库的2个重要对象

· Request

· Response:Response对象包含爬虫返回的内容

Response对象的属性

1. r.status_code ：HTTP请求的返回状态，200表示连接成功，404表示失败

2. r.text ：HTTP响应内容的字符串形式，即，url对应的页面内容

3. r.encoding ： 从HTTP header中猜测的相应内容编码方式

4. r.apparent_encoding ： 从内容中分析出的相应内容编码方式(备选编码方式)

5. r.content ： HTTP响应内容的二进制形式

6. r.encoding ：如果header中不存在charset，则认为编码为ISO-8859-1 。

7. r.apparent_encoding ：根据网页内容分析出的编码方式可以 看作是r.encoding的备选。

Response的编码：

8. r.encoding : 从HTTP header中猜测的响应内容的编码方式；如果header中不存在charset，则认为编码为ISO-8859-1，r.text根据r.encoding显示网页内容

9.r.apparent_encoding : 根据网页内容分析出的编码方式，可以看作r.encoding的备选

10.r.raise_for_status() : 如果不是200，产生异常requests.HTTPError；

4.Robots协议

Robots Exclusion Standard 网络爬虫排除标准

作用：网站告知网络爬虫哪些页面可以抓取，哪些不行。

形式：在网站根目录下的robots.txt文件。

例如：# 注释：*代表所有，/代表根目录

User-agent: *

Disallow: /?*

Disallow: /pop/*.html

Disallow: /pinpai/*.html?*

User-agent: EtaoSpider

Disallow: /

User-agent: HuihuiSpider

Disallow: /

User-agent: GwdangSpider

Disallow: /

User-agent: WochachaSpider

Disallow: /

注：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。

实例：import requests

url = "https://item.jd.com/5145492.html"

try:

r = requests.get(url)

r.raise_for_status()

r.encoding = r.apparent_encoding

print(r.text[:1000])

except:

print("爬取失败")