一、Requests库的7个主要方法
方法 | 说明 |
---|---|
requests.request() | 构造一个请求,支撑一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.pathch() | 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 |
1.requests.get
r = requests.get(url)
- 返回一个包含服务器资源的Response对象,包含爬虫返回的全部内容
- 构造一个向服务器请求资源的Request对象
requests.get(url,params=None,**kwargs)
url
:拟获取网页的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
2.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响应的二进制形式 |
r.encoding
:如果header中不存在charset,则认为编码为ISO-8859-1r.apparent_encoding
:根据网页内容分析出的编码方式
3.理解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.TooManyRedirects | 超过最大重定向次数,产生重定向异常 |
requests.ConnectTimeout | 连接远程服务器时异常 |
requests.URLRequired | URL缺失异常 |
Requests.Timeout | 请求URL超时,产生超时异常 |
异常 | 说明 |
---|---|
r.raise_for_status | 如果不是200,产生异常requests.HTTPError |
爬取网页的通用代码框架
import requests
def getHTMLText(url):
try:
r = requests.get(url,timeout=30)
r.raise_for_status() # 如果状态不是200,引发HTTPError异常
r.encoding = r.apparent_encoding
return r.text
except:
return '产生异常'
if __name__ == '__main__':
url = 'http://www.baidu.com'
print(getHTMLText(url))
二、HTTP协议
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。
- 无状态:第一次请求与第二次请求无关联
HTTP
协议采用URL作为定位网络资源的标识。
URL格式
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80path
:请求资源的路径
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。
1.HTTP协议对资源的操作
方法 | 说明 |
---|---|
GET | 请求获取URL位置的资源 |
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 |
POST | 请求向URL位置的资源后附新的数据 |
PUT | 请求向URL位置存储一个资源,覆盖原URL |
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 |
DELETE | 请求删除URL位置存储的资源 |
2.理解PATCH和PUT的区别
假设URL位置有一组数据UserInfo,包括UserID、UserName等20个字段。
需求:用户修改了UserName,其他不变。
- 采用
PATCH
,仅向URL提交UserName的局部更新请求。 - 采用
PUT
,必须将所有20个字段一并提交到URL,未提交字段被删除。
PATCH
的最主要好处:节省网络带宽
三、Requests库的7个主要方法解析
1.requests.request()
requests.request(method,url,**kwargs)
method
:请求方式。
‘GET’、‘HEAD’、‘POST’、‘PUT’、‘PATCH’、‘delete’、‘OPTIONS’
**kwargs
:控制访问的参数,均为可选项。
params
:字典或字节序列,作为参数增加到url中。data
:字典、字节序列对象,重点是向服务器提交资源时使用。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
:元祖,支持HTTP认证功能。files
:字典类型,传输文件。timeout
: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。stream
:True/False,默认为True,获取内容立即下载开关。verify
:True/False,默认为True,认证SSL证书开关。cert
:本地SSL证书路径。
四、Beautiful Soup库使用
1.BeautifulSoup 基本使用
from bs4 import BeautifulSoup
soup = BeautifulSoup('<p>data</p>','html.parser') # 第一个参数为html文本内容,对html标签进行解析
2.Beautiful Soup库理解
Beautiful Soup
库,也叫做 beautifulsoup4或bs4
, 是解析、变量、维护”标签树“的功能库。只要提供的文件是标签类型,Beautiful Soup
库都可以用来解析。
因为文档和标签树是一一对应的,标签树经过Beautiful Soup
,转换为Beautiful Soup
类型。故,文档和标签树以及Beautiful Soup
是一一对应关系。
from bs4 import BeautifulSoup
soup = BeautifulSoup('<p>data</p>','html.parser')
soup2 = BeautifulSoup(open("D://demo.html",'html.parser')
Beautiful Soup
对应一个HTML/XML文档的全部内容。
3.Beautiful Soup库解析器
解析器 | 使用方法 | 条件 |
---|---|---|
bs的HTML解析器 | BeautifulSoup(mk,‘html.parser’) | 安装bs4库 |
lxml的HTML解析器 | BeautifulSoup(mk,‘lxml’) | pip install lxml |
lxml的XML解析器 | BeautifulSoup(mk,‘xml’) | pip install lxml |
html5lib的解析器 | BeautifulSoup(mk,‘htlm5lib’) | pip install html5lib |
4.Beautiful Soup类的基本元素
基本元素 | 说明 |
---|---|
Tag | 标签,最基本的信息组织单元,分别用<>和</>表面开头和结尾 |
Name | 标签的名称, … 的名字是’p’,格式:.name |
Attributes | 标签的属性,字典形式组织,格式:.attrs |
NavigableString | 标签内非属性字符串,<>…</>中字符串,格式:.string |
Comment | 标签内字符串的注释部分,一种特殊的Comment类型 |
import requests
r = requests.get('http://python123.io/ws/demo.html')
demo = r.text # demo为标签文本
>
'<html><head><title>This is a python demo page</title></head>\r\n<body>\r\n<p class="title"><b>The demo python introduces several python courses.</b></p>\r\n<p class="course">Python is a wonderful general-purpose programming language. You can learn Python from novice to professional by tracking the following courses:\r\n<a href="http://www.icourse163.org/course/BIT-268001" class="py1" id="link1">Basic Python</a> and <a href="http://www.icourse163.org/course/BIT-1001870001" class="py2" id="link2">Advanced Python</a>.</p>\r\n</body></html>'
# 利用BeautifulSoup 解析成标签树
from bs4 import BeautifulSoup
soup = BeautifulSoup(demo,'html.parser')
soup
>[out]:
<html><head><title>This is a python demo page</title></head>
<body>
<p class="title"><b>The demo python introduces several python courses.</b></p>
<p class="course">Python is a wonderful general-purpose programming language. You can learn Python from novice to professional by tracking the following courses:
<a class="py1" href="http://www.icourse163.org/course/BIT-268001" id="link1">Basic Python</a> and <a class="py2" href="http://www.icourse163.org/course/BIT-1001870001" id="link2">Advanced Python</a>.</p>
</body></html>
print(soup.prettify()) # 输出标签树
>[out]:
<html>
<head>
<title>
This is a python demo page
</title>
</head>
<body>
<p class="title">
<b>
The demo python introduces several python courses.
</b>
</p>
<p class="course">
Python is a wonderful general-purpose programming language. You can learn Python from novice to professional by tracking the following courses:
<a class="py1" href="http://www.icourse163.org/course/BIT-268001" id="link1">
Basic Python
</a>
and
<a class="py2" href="http://www.icourse163.org/course/BIT-1001870001" id="link2">
Advanced Python
</a>
.
</p>
</body>
</html>
实例一 Tag
# 任何标签都可直接用soup.<标签>将其取出,当文本中存在多个相同标签时,其返回的为第一个
import requests
r = requests.get('http://python123.io/ws/demo.html')
demo = r