爬虫Requests
Requests 库的基本使用
- 首先安装Requests库
#打开终端,注意本机的虚拟环境保持和项目环境一致 pip3 install requests
- 使用requests库进行最基本的下载
# 下载百度首页,requests库将下载结果封装成response类 response = requests.get("http://www/baidu.com") # dir可以查看类的内部行为方法 print(dir(response)) # text 会使用默认的编码方式转换字符串 print(response.text)
- 将下载内容存入文件
# with as 能够实现自动清理的条件是相应类必须实现__enter__, __exit__两个魔法方法 with open('baidu.html', 'w+') as f: #response.content 是bytes类型使用decode方法还原为相应编码的字符串 f.write(response.content.decode('utf-8'))
乱码是如何产生的
- 产生乱码的原因: 使用不同字库上的编码序号进行了解码操作
- 例如:
b'\xe4\xbd\xa0\xe5\xa5\xbd'在utf-8编码库中对应你好, 在gbk编码库中对应'浣犲ソ' # 字符在字库的编码就是字符在字库的序号
- 例如:
回顾HTTP协议
- 什么是HTTP
- HTTP是超文本传输协议,具体概念参考HTTP协议
- 主要用在浏览器和Web服务器之间通信 - HTTP协议的主要特点
- 无状态
- 无连接
- 支持多种媒体格式
- HTTP消息格式
- 请求
GET /hello.txt?name=jack&age=21 HTTP/1.1 #请求的方式及请求的文件路径以及http协议版本号 #后续信息是HTTP协议定义的Key-Value键值对,Key不能乱写,必须符合HTTP协议的要求 # GET方法没有消息体, 参数通过在url后面缀上问号传递 User-Agent: curl/7.16.3 libcurl/7.16.3 OpenSSL/0.9.7l zlib/1.2.3 Host: www.example.com
- 响应
# POST方法含有消息体,消息在消息头后方加空行来传递 HTTP/1.1 200 OK Date: Mon, 27 Jul 2009 12:28:53 GMT Server: Apache Last-Modified: Wed, 22 Jul 2009 19:15:56 GMT ETag: "34aa387-d-1568eb00" Accept-Ranges: bytes Content-Length: 51 Vary: Accept-Encoding Content-Type: text/plain //后续内容为消息体,与消息头之间有一个空行。 <html> <head> </head> <body> </body> </html>
示例:使用POST方法实现有道翻译
步骤:
- 使用火狐打开有道翻译
- 右键->检查元素
- 在弹出的调试界面选择网络
- 找到响应是json类型的地址,一般情况下就是我们的接口地址
- 选中相应接口地址,点击参数,在表单数据中是我们要提交的数据
- 分析完接口数据,添加如下代码:
import json import requests # 构建POST消息体 post_data = {} post_data[i] = 'world' post_data['doctype'] = json # 发送POST请求,返回json数据结构的网址称为网络接口或Web Api response = requests.post('http://fanyi.youdao.com/translate',data=post_data) # 解析返回的json结果 json_data = json.loads(response.text) print("翻译结果是:",json_data['translateResult'][0][0]['tgt'])
cookies 和 session
- 什么是cookies和session
- 主要是为了解决HTTP协议无连接,无状态的特点,使服务器能够识别用户
- cookies是保存在客户端的一组识别信息(例如会员卡),session是存在服务器端的数据
- cookies和session通过sessionid关联
- 当客户机登录成功后,关闭了相关页面,一段时间之内(没有到超时时间)再次访问相关网页,浏览器会自动携带相应的cookie信息,并发送给服务器(cookies中携带sessionid),服务器检查相应sessionid的超时状态,如果未超时,按照已登录提供服务
- 使用浏览器cookies实现免登陆
# Set-Cookie(在响应头中) 服务器发给客户端,用来设置客户端cookie内容 Cookie(在请求头中) 是客户端发给服务器,用来向服务器表明身份 **怎么选择:优先使用Set-Cookie,如果Set-Cookie不生效,尝试不同页面的Cookie**
实现一个基本的爬虫-贴吧爬虫
第一版代码
按照需求规格说明书的流程写程序,直观的实现,不考虑结构
"""
1.抓取百度贴吧(lol吧)前10页内容(https://tieba.baidu.com/f?kw=lol&ie=utf-8&pn=0)
2.存入文件
"""
import requests
for i in range(10):
download_url = "https://tieba.baidu.com/f?kw=lol&ie=utf-8&pn={}".format(i * 50)
response = requests.get(download_url)
print(response.text)
file_name = "{}-第{}页.html".format("lol",i+1)
with open(file_name,"wb") as f:
f.write(response.content)
第二版代码
考虑更灵活的参数配置,可以指定贴吧名称及下载页数,按照面向过程的思想实现函数
def download_tieba(tieba_name,page_nums):
"""
下载指定贴吧的前page_nums页内容
:param tieba_name: 贴吧名称
:param page_nums: 要下载多少页
:return: 无
"""
for i in range(page_nums):
download_url = "https://tieba.baidu.com/f?kw={}&ie=utf-8&pn={}".format(tieba_name,i * 50)
response = requests.get(download_url)
print(response.text)
file_name = "{}-第{}页.html".format(tieba_name, i + 1)
with open(file_name, "wb") as f:
f.write(response.content)
download_tieba("python",9)
第三版代码(面向对象的爬虫)
#import requests
class TiebaSpider(object):
"""
实现下载某个贴吧指定页码前的内容,存储下载内容
"""
def __init__(self,name,pages):
"""
初始化方法
"""
self.tieba_name = name
self.pages_download = pages
self.base_url = "https://tieba.baidu.com/f?kw={}&ie=utf-8&pn={}"
self.header = {"User-Agent": "Python"}
def make_url_list(self):
"""
获取待下载的url列表
:return:返回生成的url列表
"""
url_lists = []
for i in range(self.pages_download):
download_url = self.base_url.format(self.tieba_name, i * 50)
url_lists.append(download_url)
return url_lists
#注意maybe static 警告,怎么消除警告?
def save_url(self,content,file_name):
"""
将指定内容进行存储
:param content:要存储的内容,这里传入的参数要求是二进制
:param file_name:文件名
:return:无
"""
with open(file_name,'wb') as f:
f.write(content)
def download_url(self,url_str):
"""
下载指定url处的内容
:param url_str: 要下载的地址
:return: 返回下载的结果
"""
response = requests.get(url_str,headers=self.header)
return response.content #content是二进制数据
def run(self):
"""
主业务逻辑,使用run后期可以改造成多线程爬虫
:return:
"""
url_lists = self.make_url_list()
for url_str in url_lists:
result_content = self.download_url(url_str)
file_name = "{}-第{}页.html".format(self.tieba_name,url_lists.index(url_str)+1)
self.save_url(result_content,file_name)
tieba_spider = TiebaSpider('Python',9)
tieba_spider.run()