python爬虫

在看这篇文章之前，需要大家掌握的知识技能：

python基础

html基础

http状态码

让我们看看这篇文章中有哪些知识点：

get方法

post方法

header参数，模拟用户

data参数，提交数据

proxies参数，使用代理

进阶学习

安装上requests库

pip install requests

先来看下帮助文档，看看requests的介绍，用python自带的help命令

import requests

help(requests)

output：

Help on package requests:

NAME

requests

DESCRIPTION

Requests HTTP Library

~~~~~~~~~~~~~~~~~~~~~

Requests is an HTTP library, written in Python, for human beings. Basic GET

usage:

>>> import requests

>>> r = requests.get(‘https://www.python.org’)

>>> r.status_code

200

>>> ‘Python is a programming language’ in r.content

True

… or POST:

>>> payload = dict(key1=‘value1’, key2=‘value2’)

>>> r = requests.post(‘https://httpbin.org/post’, data=payload)

>>> print(r.text)

{

…

“form”: {

“key2”: “value2”,

“key1”: “value1”

},

…

}

The other HTTP methods are supported - see requests.api. Full documentation

is at .

©️ © 2017 by Kenneth Reitz.

:license: Apache 2.0, see LICENSE for more details.

这里解释下，requests库是由python编写的对人类友好的http库，并且举例了GET与POST的方法。

GET方法

好的，那我们自己来测试下，就以请求百度为例吧，，，(谁让百度这么耐抗的)

import requests

r = requests.get(‘https://www.baidu.com’)

print(r.status_code) #打印返回的http code

print(r.text) #打印返回结果的text

方便点，截了个图给大家看，返回的code是200，说明请求正常拉回网页了。

看下返回的text，有点不对头，少了一些html标签，最起码百度两个字得有吧。嗯，这是什么原因，，，

相信有些同学已经想到了，是没有真实模拟用户的请求，你去爬数据，还不模拟用户请求，那肯定限制你啊。这个时候需要加一个header参数来搞定，至少要加一个user-agent吧。好，那咋们去找一个ua吧。别百度了，自己动手，丰衣足食。教大家一个办法，用火狐的开发者工具。

火狐浏览器的开发者工具

打开新标签 —— 按F12——访问下百度——找到NetWork——随便点开一个——往下翻——看到ua了吧，复制上。

import requests郑州人流手术费用 http://mobile.120csjlyy.com/

headers = {‘User-Agent’: ‘Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/74.0.3729.131 Safari/537.36’}

r = requests.get(‘https://www.baidu.com’, headers=headers)

print(r.status_code)

print(r.text)

嗯~~~数据有点多，往下翻翻，这下就正常了嘛，数据都有了。。。PS：不信?可以自己输出一个html文件，浏览器打开看看呗

POST方法

只需要把get改成post就好了

import requests

headers = {‘User-Agent’: ‘Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/74.0.3729.131 Safari/537.36’}

r = requests.post(‘https://www.baidu.com’, headers=headers)

print(r.status_code)

print(r.text)

运行下试试看。一般post都是用来提交表单信息的，嗯，这里找一个能提交数据的url，去post下。

用我自己写的接口(PS：django写的，挺方便)，大家复制过去就好了。注意看代码，data是要post的数据，post方法里加了一个data参数。

import requests

headers = {‘User-Agent’: ‘Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/74.0.3729.131 Safari/537.36’}

# post的数据

data = {“info”: “biu~~~ send post request”}

r = requests.post(‘http://dev.kdlapi.com/testproxy’, headers=headers, data=data) #加一个data参数

print(r.status_code)

print(r.text)

截个图给大家看下，http code 200，body信息说的post成功，并且返回的了我自己的IP信息以及post的数据

使用代理

为什么用代理?一般网站都有屏蔽的限制策略，用自己的IP去爬，被封了那该网站就访问不了，这时候就得用代理IP来解决问题了。封吧，反正封的不是本机IP，封的代理IP。

既然使用代理，得先找一个代理IP。PS：自己写个代理服务器太麻烦了，关键是我也不会写啊，，，哈哈哈

import requests

headers = {‘User-Agent’: ‘Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/74.0.3729.131 Safari/537.36’}

# post的数据

data = {“info”: “biu~~~ send post request”}

# 代理信息,由快代理赞助

proxy = ‘115.203.28.25:16584’

proxies = {

“http”: “http://%(proxy)s/” % {‘proxy’: proxy},

“https”: “http://%(proxy)s/” % {‘proxy’: proxy}

}

r = requests.post(‘http://dev.kdlapi.com/testproxy’, headers=headers, data=data, proxies=proxies) #加一个proxies参数

print(r.status_code)

print(r.text)

主要方法里加个proxies参数，这就用上代理IP了。