python 爬虫学习--DAY1-----requests模块

python 爬虫学习–DAY1-----requests模块

python中原生的一款基于网络请求的模块，功能非常强大，简单便捷，效率极高。
最主要的作用：模拟浏览器发送请求。

安装request模块

1. 打开pycharm终端Terminal
2. 输入 pip install requests

推荐使用国内下载源下载，速度快

国内的pip源，如下：
阿里云 http://mirrors.aliyun.com/pypi/simple/
中国科技大学 https://pypi.mirrors.ustc.edu.cn/simple/
豆瓣(douban) http://pypi.douban.com/simple/
清华大学 https://pypi.tuna.tsinghua.edu.cn/simple/
中国科学技术大学 http://pypi.mirrors.ustc.edu.cn/simple/

使用方法：pip install requests -i https://pypi.tuna.tsinghua.edu.cn/simple/

requests模块爬取数据使用流程

1. 指定url(可以简单的理解为所要爬取数据的网址)
2. 发起请求
3. 获取响应数据
4. 持久化存储数据

流程实例----爬取搜狗首页的页面数据

"""
实例：爬取搜狗首页的页面数据
"""
#0.导入requests模块
import requests

#1. 指定url
url="https://www.sogou.com/"

#2. 发起请求（一般情况下发送GET请求）
# 调用requests.get()会返回一个响应对象
response=requests.get(url=url)

#3. 获取相应对象
# .text返回的时字符串形式的响应数据
page_text=response.text

#4.持久化存储
#with open(...)as    第一个参数为文件地址，第二个参数指定文件使用方式: 'r'--只读模式
#'w'--写入模式  'a'--任何append进file的数据都被自动加到文件末尾位置  'r+'--读写均可
#通过fp.write()来写入数据，实现持久化存储
with open("./sougou.html",'w',encoding="utf-8") as fp:
	fp.write(page_text)
print("爬取结束")

一些可能出现的问题

爬取某些网页，爬取结果为空

原因：可能网页有反爬机制，最常见的UA机制，比如直接爬取豆瓣网页，爬取结果为空

解决办法：增加UA伪装，在get请求中加入请求头

url="https://www.douban.com//"
headers = {
        'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/76.0.3809.87 Safari/537.36 SLBrowser/6.0.1.8131'
    }
response=requests.get(url=url,headers=headers)

爬取的页面打开为乱码

原因：可能页面的编码形式不同，比如百度，爬取页面打开为乱码
介绍两种方法：encode()用于解码，decode用于编码
解码形式有：gbk、utf-8
通常解决方法：先将网页源代码解码成Unicode编码,然后用utf-8编码

page_text=response.text.encode('iso-8859-1').decode('utf-8')

不同的网页编码不同，根据网页编码方式来编码,比如电影天堂用gbk编码。

page_text=response.text.encode('iso-8859-1').decode('gbk')

ps:使用F12查看网页源代码的head标签里的meta标签中charset属性可以找到编码方式