内容是根据中国大学嵩天老师的python网络爬虫与信息提取进行的
Requests库 是⽤Python语⾔编写,基于urllib,采⽤Apache2 Licensed开源协议的 HTTP 库。它⽐ urllib 更加⽅便,可以节约我们⼤量的⼯作,完全满⾜HTTP测试需求 。 ⼀句话——Python实现的简单易⽤的HTTP库 。
主要作用:自动爬取HTML页面,自动网络请求提交
Requests库的安装
使用的win系统,下载后以管理员身份运行,cmd,执行 pip install requsets,
项目导入:import requests
环境装好后,用IDLE(python)就可以开始学习啦。
Requests的2个主要对象
当使用 r = requests.get(url)返回的是response的对象,他包含服务器返回的所有信息,也包含请求的request的信息
如例子
Response对象的属性
属性 | 说明 |
---|---|
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中猜测响应方式内容编码方式,如果header中不存在charset,则认为编码为ISO‐8859‐1 r.text根据r.encoding显示网页内容 |
r.apparent_encoding | 从内容中分析出响应内容编码方式,可以看成是r.encoding的备选 |
r.content | HTTP响应内容的二进制 |
网络连接有风险,异常处理很重要
requests库的异常#### requests库的异常
异常 | 说明 |
---|---|
requests.ConnectionError | 网络连接错误异常,如DNS查询失败、拒绝连接等 |
requests.HTTPError | HTTP错误异常 |
requests.URLRequiredURL | URL缺失异常 |
requests.TooManyRedirects | 超过最大重定向次数,产生重定向异常 |
requests.ConnectTimeout | 连接远程服务器超时异常 |
requests.Timeout | 请求URL超时,产生超时异常 |
Response的异常
r.raise_for_status()在方法内部判断r.status_code是否等于200,不需要 增加额外的if语句,该语句便于利用try‐except进行异常处理
通用代码框架
需要注意出错的原因:
HTTP协议和Requests的7个主要方法
HTTP,Hypertext Transfer Protocol,超文本传输协议
HTTP是一个基于“请求与响应”模式的、无状态的应用层协议 HTTP协议采用URL作为定位网络资源的标识,URL格式如下:http://host[:port][path]
host: 合法的Internet主机域名或IP地址
port: 端口号,缺省端口为80
path: 请求资源的路径
HTTP URL实例
http://www.baidu.com
https://baike.baidu.com/item/华晨宇/6064097?fr=aladdin
HTTP URL的理解:
URL是通过HTTP协议存取资源的Internet路径,一个URL对应一个数据资源
HTTP协议方法与Requests的7个方法
HTTP协议方法 | Requests库方法 | 功能性 |
---|---|---|
requests.get():构造一个请求,支撑以下各方法的基础方法 | ||
GET:请求获取URL位置的资源 | requests.get():获取HTML网页的主要方法,对应于HTTP的GET | 一致 |
HEAD:请求获取URL位置资源的响应消息报告,即获得该资源的头部信息 | requests.head():获取HTML网页头信息的方法,对应于HTTP的HEAD | 一致 |
POST:请求向URL位置的资源后附加新的数据 | requests.post():向HTML网页提交POST请求的方法,对应于HTTP的POST | 一致 |
PUT:请求向URL位置存储一个资源,覆盖原URL位置的资源 | requests.put():向HTML网页提交PUT请求的方法,对应于HTTP的PUT | 一致 |
PATCH:请求局部更新URL位置的资源,即改变该处资源的部分内容 | requests.patch():向HTML网页提交局部修改请求,对应于HTTP的PATCH | 一致 |
DELET:请求删除URL位置存储的资源 | requests.deleter():向HTML页面提交删除请求,对应于HTTP的DELETE | 一致 |
数据推送(push model)一般指将数据发送出去的行为。在Requests库中,post()、put()、patch()都体现这种行为模式。
get()方法最常用的原因在于服务器端对push()、post()、patch()等数据推送的限制,试想,如果允许大家向服务器提交数据,将带来无穷无尽的安全隐患。因此,通过get()获取数据,服务器作为数据提供方而不是接收方,更为安全
Requests库的主要方法解析
1. requests.request()方法
requests.request(method,url,**kwargs)
method:请求方式,对应get/put/post等7种
url:拟获取页面的ur链接
**kwargs:控制访问的参数,共12种
比如:params:字典或字节序列,作为参数增加到url种
data : 字典、字节序列或文件对象,作为Request的内容
json : JSON格式的数据,作为Request的内容
headers : 字典,HTTP定制头
cookies : 字典或CookieJar,Request中的cookie
auth : 元组,支持HTTP认证功能
files:字典类型,传输文件
time:设定超时时间,秒为单位
proxies : 字典类型,设定访问代理服务器,可以增加登录认证
allow_redirects : True/False,默认为True,重定向开关
verify : True/False,默认为True,认证SSL证书开关
cert : 本地SSL证书路径
2. requests.get()方法
requests.get(url,params=None, **kwargs)
url: 拟获取页面的url链接 ∙
params: url中的额外参数,字典或字节流格式,可选 ∙
**kwargs: 12个控制访问的参数
3. request.head()方法
requests.head(url,**kwargs)
url: 拟获取页面的url链接
**kwargs: 12个控制访问的参数
4.requests.post()方法
requests.post(url,data=None, json=None, **kwargs)
∙ url: 拟更新页面的url链接 ∙
data : 字典、字节序列或文件,Request的内容 ∙ j
son: JSON格式的数据,Request的内容 ∙
**kwargs: 12个控制访问的参数
5. requests.put()方法
requests.put(url,data=None, **kwargs
url: 拟更新页面的url链接 ∙
data : 字典、字节序列或文件,Request的内容 ∙ *
*kwargs: 12个控制访问的参数
6.requests.patch()方法
requests.patch(url,data=None, **kwargs)
url: 拟更新页面的url链接 ∙
data : 字典、字节序列或文件,Request的内容 ∙
**kwargs: 12个控制访问的参数
7 request.delete(ur1,**kwargs)
requests.delete(url,**kwargs)
url: 拟删除页面的url链接 ∙
**kwargs: 12个控制访问的参
实例1 京东页面爬取
爬取 https://item.jd.com/100008643328.html
import requests
url = " https://item.jd.com/100008643328.html "
try:
r = requests.get(url)
r.raise_for_status()
r.encoding = r.apparent.encoding
print(r.text[-500:])
except:
print("爬取失败")
实例2 百度/360搜索关键字提交
搜索引擎关键词提交接口
百度的关键词接口: http://www.baidu.com/s?wd=keyword
360的关键词接口: http://www.so.com/s?q=keyword
# 全代码
import requests
keyword = "python"
try:
kv = {'wd':keyword}
r = requests.get("http://www.baidu.com/s", params=kv)
print(r.requests.url)
r.raise_for_status()
print(len(r.text))
except:
print("爬取失败")
实例3 网络图片的爬取和存储
网络图片的爬取
网络图片链接的格式 http://example.com/picture.jpg
例如:华晨宇百度百科中烟火里的尘埃: https://gss1.bdstatic.com/9vo3dSag_xI4khGkpoWK1HF6hhy/baike/w%3D268%3Bg%3D0/sign=c5b6019fc8ef76093c0b9e9916e6c4f1/78310a55b319ebc47e07739b8126cffc1e1716b0.jpg![在这里插入图片描述](https://img-blog.csdnimg.cn/20191024164942854.PNG?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NDQyMzM3Mg==,size_16,color_FFFFFF,t_70)
# 全代码
import requests
import os
url = "##### https://gss1.bdstatic.com/9vo3dSag_xI4khGkpoWK1HF6hhy/baike/w%3D268%3Bg%3D0/sign=c5b6019fc8ef76093c0b9e9916e6c4f1/78310a55b319ebc47e07739b8126cffc1e1716b0.jpg"
root = "D:/pics//"
path = root + url.split('/')[-1]
try:
if not os.path.exists(root):
os.mkdir(root)
if not os.path.exists(path):
r = requests.get(url)
with open(path, 'wb') as f:
f.write(r.content)
f.close()
print("文件保存成功")
else:
print("文件已保存")
except:
print("爬取失败")
实例4 IP地址归属地的自动查询
www.ip138.com 网站提供IP查询
# 全代码
import requests
url = "http://m.138.com/ip.asp?ip="
try:
r = requests.get(url + '14.215.177.39')
r.raise_for_status()
r.encoding = r.apparent.encoding
print(r.text[-500:])
except:
print("爬取失败")