嵩天python爬虫_我自己爬-python爬虫快速入门（一）

request库

对于轻量级用户，像我一样只是准备写一个搞笑用的程序，requests是很方便的存在。

安装通过pip就不说了

request的几个主要方法

requests.request() 构造一个请求，支撑以下各方法的基础方法

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

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

这个基本上和http中报文的几种方法是一致的。

具体可以康康明解http的第三章。小钱钱够的同学可以支持一下正版。

get方法

我们主要使用的是get方法(因为只是爬别人)。

requests.get(url, params=None, **kwargs)中。url(统一资源定位符)指访问的资源的地址，就是你在浏览器上面那个栏栏里面输入的http://www.xxxxxx.com。kwargs用来控制访问的参数，也是用来控制你网络通信中的参数(可以理解为一个信封的上收信人和邮票这些)。

我们使用get方法

url="https://bing.com/"

res=requests.get(url)

我们去爬去的时候，通过url使用get方法，是获得一个request对象去访问网址资源(响应库名)。

而res是得到一个response对象，包含了几个属性

status_code HTTP请求的返回状态，200表示连接成功，404表示失败(详细见明解http第四章)

text HTTP响应内容的字符串形式，即url对应的页面内容

encoding 从HTTP header中猜测的响应内容编码方式

apparent_encoding 从内容中分析出的响应内容编码方式(备选编码方式)

content HTTP响应内容的二进制形式

通常如果我们发现res.txt的显示有些问题，我们会使用apparent_encoding去解码结果。

因为毕竟有可能有失败所以我们需要使用异常处理来打开。

url="https://bing.com/"

try:

res=requests.get(url)

res.raise_for_status()

res.encoding=res.apparent_encoding

print(res.text[:1000])

except:

print("spider failed")

几个小实例

基本的爬取

更改agent的方式

有些网站并不想让你爬所以会限制爬虫(因为你太老实了，危)，像这样

就返回503了。

这个时候我们就可以动一下小手脚，我们把user-agent这个自报家门的东西换点(默认的参数自报是python爬虫)，我们改成一个浏览器的名字‘Mozilla/5.0’，骗一骗它。

这样我们就绕开了这个小反爬。(仅供娱乐玩家使用，偶尔这么搞一搞)

访问资源的子部分

比如我们像用搜索引擎查一查某个东西。哪怎么搞呢？

我们去必应搜索了一波‘抗疫感想’，发现它长这个样子

那ok了，我们只需要把这串url里面的q=后面的换成我们想要的查就好。

还记得**args这个参数吗? 我们往里面加点料，开一个字典search={'q': 'xxx'}，到时候它request的时候便会帮我们把参数p=xxx搞到url上去。

关于什么能爬什么不能爬

一般很多网站会把什么能爬什么不能爬写出来。搞一个robots协议公开给大家看。

我们只要在一个网站url后面加一个/robots.txt就能查看。User-agent: msnbot-media

Disallow: /

Allow: /th?

User-agent: Twitterbot

Disallow:

User-agent: *

Disallow: /account/

Disallow: /amp/

Allow: /api/maps/

取了一小部分，这里可以看到bing的/api/maps/是对所有爬虫都开放的(allow了)，而对/account/这一部分是不允许别人爬的。而对于Twitterbot，不让爬。