第3章
静态网页抓取
在网站设计中，纯粹HTML格式的网页通常被称为静态网页，早期的网站一般都是由静态网页制作的。在网络爬虫中，静态网页的数据比较容易获取，因为所有数据都呈现在网页的 HTML代码中。相对而言，使用AJAX动态加载网页的数据不一定会出现在HTML代码中，这就给爬虫增加了困难。本章先从简单的静态网页抓取开始介绍，第4章再介绍动态网页抓取。
在静态网页抓取中，有一个强大的Requests库能够让你轻易地发送HTTP请求，这个库功能完善，而且操作非常简单。本章首先介绍如何安装Requests库，然后介绍如何使用Requests库获取响应内容，最后可以通过定制Requests的一些参数来满足我们的需求。
3.1 安装Requests
Requests库能通过pip安装。打开Windows 的cmd或Mac的终端，键入：
就安装完成了。
3.2 获取响应内容
在Requests中，常用的功能是获取某个网页的内容。现在我们使用Requests获取个人博客主页的内容。
这样就返回了一个名为r的response响应对象，其存储了服务器响应的内容，我们可以从中获取需要的信息。上述代码的结果如图3-1所示。
上例的说明如下：
（1）r.text是服务器响应的内容，会自动根据响应头部的字符编码进行解码。
（2）r.encoding是服务器内容使用的文本编码。
（3）r.status_code用于检测响应的状态码，如果返回200，就表示请求成功了；如果返回的是4xx，就表示客户端错误；返回5xx则表示服务器错误响应。我们可以用r.status_code来检测请求是否正确响应。
（4）r.content是字节方式的响应体，会自动解码gzip和deflate编码的响应数据。
（5）r.json()是Requests中内置的JSON解码器。
3.3 定制Requests
在3.2节中，我们使用Requests库获取了网页数据，但是有些网页需要对Requests的参数进行设置才能获取需要的数据，这包括传递URL参数、定制请求头、发送POST请求、设置超时等。
3.3.1 传递URL参数
为了请求特定的数据，我们需要在URL的查询字符串中加入某些数据。如果你是自己构建URL，那么数据一般会跟在一个问号后面，并且以键/值的形式放在URL中，如http://httpbin.org/get?key1=value1 。
在Requests中，你可以直接把这些参数保存在字典中，用params（参数）构建至URL中。例如，传递key1 = value1和key2=value2到http://httpbin.org/get ，可以这样编写：
通过上述代码的输出结果可以发现URL已经正确编码：
URL已经正确编码：http://httpbin.org/get?key1=value1&key2=value2
字符串方式的响应体：
3.3.2 定制请求头
请求头Headers提供了关于请求、响应或其他发送实体的信息。对于爬虫而言，请求头十分重要，尽管在上一个示例中并没有制定请求头。如果没有指定请求头或请求的请求头和实际网页不一致，就可能无法返回正确的结果。
Requests并不会基于定制的请求头Headers的具体情况改变自己的行为，只是在最后的请求中，所有的请求头信息都会被传递进去。
那么，我们如何找到正确的Headers呢？
还是用到第2章提到过的Chrome浏览器的“检查”命令。使用Chrome浏览器打开要请求的网页，右击网页的任意位置，在弹出的快捷菜单中单击“检查”命令。
如图3-2所示，在随后打开的页面中单击Network选项。
如图3-3所示，在左侧的资源中找到需要请求的网页，本例为www.santostang.com。单击需要请求的网页，在Headers中可以看到Requests Headers的详细信息。
因此，我们可以看到请求头的信息为：
GET / HTTP/1.1
Host: www.santostang.com
Connection: keep-alive
Upgrade-Insecure-Requests: 1
User-Agent: Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/57.0.2987.98 Safari/537.36
Accept: text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,/;q=0.8 Accept-Encoding: gzip, deflate, sdch
Accept-Language: en-US,en;q=0.8,zh-CN;q=0.6,zh;q=0.4,zh-TW;q=0.2
提取请求头中重要的部分，可以把代码改为：
3.3.3 发送POST请求
除了GET请求外，有时还需要发送一些编码为表单形式的数据，如在登录的时候请求就为POST，因为如果用GET请求，密码就会显示在URL中，这是非常不安全的。如果要实现POST请求，只需要简单地传递一个字典给Requests中的data参数，这个数据字典就会在发出请求的时候自动编码为表单形式。
输出的结果为：
{
"args": {},
"data": "",
"form": {
"key1": "value1",
"key2": "value2"
},
…
}
可以看到，form变量的值为key_dict输入的值，这样一个POST请求就发送成功了。
3.3.4 超时
有时爬虫会遇到服务器长时间不返回，这时爬虫程序就会一直等待，造成爬虫程序没有顺利地执行。因此，可以用Requests在timeout参数设定的秒数结束之后停止等待响应。意思就是，如果服务器在timeout秒内没有应答，就返回异常。
我们把这个秒数设置为0.001秒，看看会抛出什么异常。这是为了让大家体验timeout异常的效果而设置的值，一般会把这个值设置为20秒。
返回的异常为：ConnectTimeout: HTTPConnectionPool(host='www.santostang.com ',
port=80): Max retries exceeded with url: / (Caused by ConnectTimeoutError(connection.HTTPConnection object at 0x0000000005B85B00>, 'Connection to www.santostang.com timed out. (connect timeout=0.001)'))。
异常值的意思是，时间限制在0.001秒内，连接到地址为www.santostang.com 的时间已到。
3.4 Requests爬虫实践：TOP250电影数据
本章实践项目的目的是获取豆瓣电影TOP250的所有电影的名称，网页地址为：https://movie.douban.com/top250 。在此爬虫中，将请求头定制为实际浏览器的请求头。
3.4.1 网站分析
打开豆瓣电影TOP250的网站，使用“检查”功能查看该网页的请求头，如图3-4所示。
按照3.3.2中的方法提取其中重要的请求头：
第一页只有25个电影，如果要获取所有的250页电影，就需要获取总共10页的内容。
通过单击第二页可以发现网页地址变成了：
https://movie.douban.com/top250?start=25
第三页的地址为：https://movie.douban.com/top250?start=50 ，这就很容易理解了，每多一页，就给网页地址的start参数加上25。
3.4.2 项目实践
通过以上分析发现，可以使用requests获取电影网页的代码，并利用for循环翻页。其代码如下：
运行上述代码，得到的结果是：
1 页响应状态码: 200 lang="zh-cmn-Hans" class="ua-windows ua-webkit">
豆瓣电影TOP250
...
这时，得到的结果只是网页的HTML代码，我们需要从中提取需要的电影名称。接下来会涉及第5章解析网页的内容，读者可以先使用下面的代码，至于对代码的理解，可以等到第5章再学习。
在上述代码中，使用BeautifulSoup对网页进行解析并获取其中的电影名称数据。运行代码，得到的结果是：
1 页响应状态码: 200
2 页响应状态码: 200
3 页响应状态码: 200
4 页响应状态码: 200
5 页响应状态码: 200
6 页响应状态码: 200
7 页响应状态码: 200
8 页响应状态码: 200
9 页响应状态码: 200
10 页响应状态码: 200
['肖申克的救赎', '这个杀手不太冷', '霸王别姬', '阿甘正传', '美丽人生', '千与千寻', '辛德勒的名单', '泰坦尼克号', '盗梦空间', '机器人总动员', '海上钢琴师', '三傻大闹宝莱坞', '忠犬八公的故事', '放牛班的春天', '大话西游之大圣娶亲', '教父', '龙猫', '楚门的世界', '乱世佳人', '天堂电影院', '当幸福来敲门', '触不可及', '搏击俱乐部', '十二怒汉', '无间道', '熔炉', '指环王3：王者无敌', '怦然心动', '天空之城', '罗马假日', ...]
3.4.3 自我实践题
读者若有时间，可以实践进阶问题：获取TOP 250电影的英文名、港台名、导演、主演、上映年份、电影分类以及评分。
60万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
