Python网络爬虫与信息提取(一)

Requests库的七个主要方法:

get方法

r = requests.get(url):右边构造一个向服务器请求资源的Requests对象,左边返回一个包含服务器资源的Response对象给r
完整参数:requests.get(url,params=None,**kwargs),实则由request方法封装

Response对象的五个属性:

爬取网页的通用代码框架

Requests库爬取网页会遇到异常:
6种常见异常：

使用r.raise_for_status()方法构建通用代码框架:

#!/usr/bin/env python
# coding=utf-8
def getHTMLText(url)
try:
    r = request.get(url,timeout = 30)
    r.raise_for_status()
    r.encoding = r.apparent_encoding
    return r.text
except:
    return "产生异常"

HTTP协议对资源的操作:

Requests库主要方法:requests.request(method,url,**kwargs)

method(请求方式)包括:
    GET/HEAD/POST/PUT/PATCH/delete/OPTIONS
**kwargs(控制访问参数)包括:
    params(添加键值到url后)/data(字典/字节序列等作为Request的内容)/json/headers(HTTP定制头)/cookies(Request中的cookie)/auth(元祖,支持HTTP认证)/files(传输文件)/timeout/proxies(设定访问代理服务器)/allow_redirects(重定向开关)/stream(获取内容立即下载开关)/verify(认证SSL证书开关)/cert(本地SSL证书路径)

Requests库爬取实例

• 京东商品页面的爬取

import requests
url = "http://item.jd.com/2967929.html"
try:
    r=requests.get(url)
    r.raise_for_status()
    r.encoding=r.apparent_encoding
    print(r.text[:1000])
except:
    print("爬取失败")

• 亚马逊商品页面的爬取
  由于亚马逊有自身的头部审查,故我们模拟浏览器访问:

import requests
url = "http://www.amazon.cn/gp/product/B01M8L5Z3Y"
try:
    kv = {'user-agent':'Mozilla/5.0'}
    r= requests.get(url,headers = kv)
    r.raise_for_status()
    r.encoding=r.apparent_encoding
    print(r.text[1000:2000])
except:
    print("爬取失败")

• 百度/360搜索关键词提交
  首先我们需要知道搜索关键词的提交接口:
  百度:http://www.baidu.com/s?wd=keyword
  360:http://www.so.com/s?q=keyword
  接下来我们可以利用params参数将关键词加入,代码如下:

import requests
keyword = "Python"
try:
    kv = {'wd':keyword}
    r= requests.get("http://www.baidu.com/s",params = kv)
    print(r.request.url)
    r.raise_for_status()
    print(len(r.text))
except:
    print("爬取失败")

• 网络图片的爬取和存储

#!/usr/bin/env python
# coding=utf-8
import requests
import os
url = "http://image.nationalgeographic.com.cn/2017/0311/20170311024522382.jpg"

root = "/home/xiaorui/文档/Python/"
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("文件已存在")
except:
    print("爬取失败")

• IP地址归属地的查询

#!/usr/bin/env python
# coding=utf-8
import requests
url = "http://m.ip138.com/ip.asp?ip="
try:
    r=requests.get(url+'202.204.80.112')
    r.raise_for_status()
    r.encoding=r.apparent_encoding
    print(r.text[-500:])
except:
    print("爬取失败")