![7388a60cfb22a18bfb06acfb46aa0325.png](https://i-blog.csdnimg.cn/blog_migrate/15342a604f13e645630e85b89099f65d.jpeg)
对于网络爬虫,我们最常用的应该是request库,首先熟悉一下request库的基本用法:
import requests
# requests库的基本使用方法
# requests.request()获取HTML网页的方法
"""
requests.get(url, params=None, **kwargs)获取网页的主要方法,params:url中的额外参数,可选,**kwargs: 12个控制访问的参数
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页面提交删除请求,对应于HTTP的DELETE
"""
r = requests.get('http://www.baidu.com')
"""
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,不一定是内容的编码方式
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
"""
print('status_code:', r.status_code)
print('text:', r.text)
print('encoding', r.encoding)
print('apparent_encoding', r.apparent_encoding)
r.encoding = 'utf-8'
print('text:', r.text)
熟悉request库之后,我们应该掌握一个用request库建立的爬取网页的通用代码框架
# 爬取网页的通用代码框架
"""
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
"""
import requests
# 通用代码框架
def get_htmt_text(url):
try:
r = requests.get(url, timeout=30)
r.raise_for_status()
r.encoding = r.apparent_encoding
return r.text
except:
return '产生异常'
# 主函数
if __name__ == '__main__':
url = 'www.baidu.com'
print(get_htmt_text(url))