python爬虫了解及深入

安装Requests库
启动cmd控制台， 安装Requests库（pip install requests）
测试安装效果：启动IDLE

>>> import requests
>>> r = requests.get("http://www.baidu.com")
>>> r.status_code
200
>>> r.encoding = 'utf-8'
>>> r.text

成功抓取百度主页

Requests库的get()方法
r = requests.get(url)
1
Requests库的2个重要对象：Response（包含爬虫返回的内容）和Request

Response对象的属性
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(
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

get方法获取网上资源的基本流程：用r.status_code检查返回状态 ,
情况1：如果是200，可以用r.text、r.encoding、r.apparent_encoding、r.content解析返回的内容；
情况2：返回的是404或者其他，则访问不成功

r.encoding和r.apparent_encoding的区别
r.encoding：如果header中不存在charset，则认为编码为ISO-8859-1
r.apparent_encoding:根据网页内容分析出的编码方式
综上所述，r.apparent_encoding比r.encoding更为准确

**r.raise_for_status()**Requests库用于检验异常

爬取网页的通用代码框架
def getHTMLText(url):
try:
r=requests.get(url,timeout30)
r.raise_for_status #如果状态不是200，引发HTTPError异常
r.encoding = r.apparent_encoding
return r.text
ecxept:
return #产生异常

保证网络连接的异常能够被有效处理

网络爬虫的限制
来源审查：判断User-Agent进行限制
检查来访HTTP协议头的User-agent域，只响应浏览器或者友好爬虫访问
发布公告：Robots协议
告知所有爬虫网站的爬取策略，要求爬虫遵守

Robots协议基本语法
User-agent:*
Disallow: /

• 代表所有 ， / 代表根目录

实例
（1）京东商品页面的爬取
>>> import requests
>>> r = requests.get(“http://sale.jd.com/act/L1Y2V6ERZePab4.html?cpdad=1DLSUE”)
>>> r.status_code
200
>>> r.encoding
‘utf-8’
>>> r.text[:1000]

（2）亚马逊商品页面的爬取

（3）360搜索关键词提交
>>> import requests
>>> kv = { ‘wd’:‘Python’}
>>> r = requests.get(“http://www.baidu.com/s”,params = kv)
>>> r.status_code
200
>>> r.request.url
‘http://www.baidu.com/s?wd=Python’
>>> len(r.text)
264348
（4）网络图片的爬取与存储
(二进制格式的图片、动画、视频等都可以爬取)

>>> import requests
>>> path = "E://abc.jpg"
>>> url = "http://p7.qhmsg.com/t0142c4b9ee48e461ed.jpg"
>>> r = requests.get(url)
>>> r.status_code
200
>>> with open(path,'wb') as f:
f.write(r.content)  
>>> f.close
<built-in method close of file object at 0x00000000042979C0>

图片则保存在E盘中

（5）IP地址归属地的自动查询
>>> import requests
>>> url = ‘http://m.ip138.com/ip.asp?ip=’
>>> r.status_code
200
>>> r.text[-500:]

作者：Dawn___
来源：CSDN
原文：https://blog.csdn.net/dawn___/article/details/64543157
版权声明：本文为博主原创文章，转载请附上博文链接！