1. get与post请求
Requests库 实现HTTP请求非常简单,操作也很人性化,所有Python中常用用 Requests 库来实现HTTP请求。
关于 Requests库 的安装及详细使用可以 参照这里
关于Requests库常用的方法如下:
方法 | 说明 |
---|---|
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 |
import requests
url = 'https://www.baidu.com/'
r = requests.get(url) #向https://www.baidu.com/发送一个get请求
r.raise_for_status()
r.encoding = r.apparent_encoding;
print(r.status_code) #输出响应码:200为正常,404访问出错
print(r.text[: 200]) #输出网页前200个字节
在断网的情况下运行则出现以下错误
一般的网站为防止爬虫都会检查发出的请求头,故:
#设置请求头
headers = {
'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,image/apng,*/*;q=0.8',
'Accept-Encoding': 'gzip, deflate, br',
'Accept-Language': 'zh-CN,zh;q=0.9,en;q=0.8',
'Cache-Control': 'max-age=0',
'Connection': '-alive',
'Cookie': 'BDUSS=3pWZ3R3QWVCS2VlRTJpWVZGUDVIamhuU2JXMFFKQ1hrOWZDR3R4V0NKOUlxbFZjQVFBQUFBJCQAAAAAAAAAAAEAAAD~iXVgu~nN~sW1z9gAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAEgdLlxIHS5cd; PSTM=1552993169; BIDUPSID=B1B4C28864102C2169AFB4FF60AC71FE; BD_UPN=12314753; BAIDUID=6A875F47187DEAD6EF41354F1D3B754D:FG=1; BDORZ=B490B5EBF6F3CD402E515D22BCDA1598; delPer=0; BD_CK_SAM=1; PSINO=7; BD_HOME=1; BDRCVFR[WEDKNWJws6R]=mk3SLVN4HKm; H_PS_PSSID=',
'Host': 'www.baidu.com',
'Upgrade-Insecure-Requests': '1',
'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/72.0.3626.121 Safari/537.36'
}
#添加请求头参数
r = Requests.get(url, headers=headers)
2. 正则表达式
在编写处理网页文本的程序时,经常会有查找符合某些复杂规则的字符串的需要,正则表达式就是用于描述这些规则的工具
有关正则表达式的详细教程:参考这里
正则爬虫实例(豆瓣电影Top250)
目标抓取名次、影片名称、年份、导演等字段…
进入目标网页(https://movie.douban.com/top250) , F12进入开发者模式,分析网页发现每部电影的信息都在一个<li>标签中,我们需要的信息都在各自的标签中,以及每页有25条信息。
在Network中我们可以找到我们需要的请求头(其实笔者发现不加头也可以)然后让我们写一个re的pattern对象来对我们需要的信息进行匹配,以及循环来翻页,上代码:
import requests
import re
headers = {
'Referer': 'https://movie.douban.com/chart',
'Host': 'movie.douban.com',
'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/73.0.3683.86 Safari/537.36'
}
retag = re.compile(
r'.*?<em class="">(.*?)</em>' # 匹配 rank
r'.*?<span class="title">(.*?)</span>' # 匹配 名称
r'.*?<span class="title"> / (.*?)</span>'
r'.*?<span class="other"> / (.*?)</span>'
r'.*?<p class="">.*?: (.*?) .*?:(.*?)<br>.*?(\d+).*?</p>' # 匹配 导演 主演 年份
r'.*?<span class="rating_num" property="v:average">(.*?)</span>' # 匹配 评价
r'.*?<span class="inq">(.*?)</span>',
re.S)
mlists = [] #储存所有电影信息
for i in range(0, 250, 25):
url = 'https://movie.douban.com/top250?start=%s&filter=' % i
r = requests.get(url)
print(r.status_code)
r.encoding = 'utf-8';
mlist = retag.findall(r.text)
for m in mlist:
list = {
'排名': m[0],
'电影名称': m[1] + '/' + m[2] + '/' + m[3],
'导演': m[4],
'主演': m[5],
'年份': m[6],
'评分': m[7],
'短评': m[8]
}
mlists.append(list)
print('完成前%s条电影信息的录入' % i)
print(mlists)
运行结果如下: