python的requests模块

前戏：

1、你是否在夜深人静的时候，想看一些会让你更睡不着的图片却苦于没有资源。。。

2、你是否在节假日出行高峰的时候，想快速抢购火车票成功。。。

3、你是否在网上购物的时候，想快速且精确的定位道口碑质量最好的商品。。。

什么是爬虫

通过编写程序，模拟浏览器上网，然后让其去互联网上抓取数据的过程。

爬虫的价值

• 实际应用
• 就业

爬虫究竟是否合法

• 在法律中是不被禁止
• 具有违法风险
• 善意爬虫 恶意爬虫

爬虫带来的风险可以体现在如下两个方面

• 爬虫干扰了被访问网站的正常运营
• 爬虫抓取了收到法律保护的特定类型的数据或信息

如何在使用编写爬虫的过程中避免进入局子的厄运

• 时常的优化自己的程序，避免干扰被访问网站的正常运行
• 在使用，传播爬取到的数据时，审查抓取到的内容，如果发现了涉及到用户，因此商业机密等敏感内容需要及时停止爬取或传播

爬虫在使用场景中的分类

• 通用爬虫：抓取系统重要组成部分。抓取的是一整张页面数据。
• 聚焦爬虫：是建立在通用爬虫的基础之上。抓取的是页面中特定的局部内容。
• 增量式爬虫：检测网站中数据更新的情况。只会抓取网站中最新更新出来的数据。

反爬机制

门户网站，可以通过制定相应的策略或者技术手段，防止爬虫程序进行网站数据的爬取。

反反爬策略

爬虫程序可以通过制定相关的策略或者技术手段，破解门户网站中具备的反爬机制，从而可以获取门户网站的信息

robots.txt协议

君子协议：规定了网站中哪些数据可以被爬虫爬取，哪些数据不可以被爬取

http协议

• 概念：就是服务器和客户端进行数据交互的一种形式。

常用请求头信息

• User-Agent：请求载体的身份标识
• Connection：请求完毕后，是断开连接还是保持连接

常用响应头信息

• Content-Type：服务器响应客户端的数据类型

https协议

• 安全的超文本传输协议

加密方式

• 对称密钥加密
• 非对称密钥加密
• 证书密钥加密

Sogou爬虫

if __name__ == "__main__":

一个python文件通常有两种使用方法，第一是作为脚本直接执行，第二是 import 到其他的 python 脚本中被调用（模块重用）执行。因此 if name == ‘main’: 的作用就是控制这两种情况执行代码的过程，在 if name == ‘main’: 下的代码只有在第一种情况下（即文件作为脚本直接执行）才会被执行，而 import 到其他脚本中是不会被执行的。举例说明如下：

导包

import requests 

指定的url

url = "https://www.sogou.com/"

发起请求，get方法会返回一个响应对象

response = requests.get(url=url)

requests.get方法

字典,字典中键值对作为查询参数

1、res = requests.get(url,params=params,headers=headers)
2、特点:

• url为基准的url地址，不包含查询参数
• 该方法会自动对params字典编码,然后和url拼接

获取响应对象，text返回的是字符串形式的响应数据

page_text = response.text
print(page_text)

持久化存储

with open的使用方法：

1.用途：是python用来打开本地文件的，他会在使用完毕后，自动关闭文件，无需手动书写close()

2.用法：

with open (file = "你要打开的路径名（或保存内容的地址）"，mode = "r/w/a"，encoding = "utf-8") as f1:
        data = f1.read/write()
        print(data)

3.关于mde的三种模式：

r：只读  用read()

w：只写 用write()            //会清除之前写的内容

a：追加内容 用write()        //会在已经写的内容基础上增加新的内容

with open('./sogou.html', 'w', encoding='utf-8') as fp:
	fp.write(page_text)
print('爬取成功')