python数据分析之爬虫一：Requests库

一：Requests库

Requests库小试

Requests库的7个主要方法

方法	说明
requests.request()	构造一个请求，支持以下各方法的基础方法
requests.get()	获取HTML网页的主要方法，对应于HTML的GET
requests.head()	获取HTML网页头信息的方法。对应HTML的HEAD
requests.post()	向HTML网页提交POST请求的方法，对应于HTML的POST
requests.put()	向HTML网页提交PUT请求的方法，对应于HTML的PUT
requests.patch()	向HTML网页提交局部修改请求，对应于HTML的PATCH
requests.delete()	向HTML网页提交删除请求，对应于DELETE

Requests库的get()方法

r=requests.get(url)    等号右侧构造一个向服务请求资源的Request对象。

整体返回一个包含服务器资源的Response对象

Requests库的两个重要对象Response（包含爬虫返回的内容）和Request

requests.get(url, params=None,  **kwargs)

参数	说明
url	拟获取页面的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

Response对象

Response对象也有request

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或其他表示失败
r.text	HTTP相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编码方式（备选编码方式）
r.content	HTTP响应内容的二进制形式

Response的编码

r.encoding：如果header中不存在charset，则认为编码为ISO-8859-1

r.text根据r.encoding显示网页内容

r.apparent_encoding:根据网页内容分析出来的编码方式

可以看做是r.encoding的备选

爬取网页的通用代码框架

r=requests.get()     网络连接有风险，要进行异常处理。

Requests库的异常

异常	说明
requests.ConnectionError	网络连接错误异常，比如DNS查询失败，拒绝连接
requests.HTTPError	HTTP错误异常
requests.URLRequired	URL缺失异常
requests.TooManyRedirects	超过最大重定向次数，重定向异常
requests.ConnectTimeout	连接远程服务器超时异常
requests.Timeout	请求URL超时，超时异常

r.raise_for_status()  如果不是200，产生异常requests.HTTPError

r.raise_for_status() 在方法内部判断r.status_code是否等于200，不需要增加额外的if语句，便于进行try-except异常处理

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()  # 如果状态码不是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))

HTTP协议及Requests库的方法

HTTP是一个基于“”请求与相应“”模式的，无状态（上一次响应与这一次没有关系）的应用层协议。采用URL作为网络资源的标识，格式如下：

http://host[:port][path]

host:合法的internet主机域名或ip地址

port:端口号，缺省为88

path: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对应于一个数据资源。

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位置资源的响应信息报告，即获取该资源的头部信息
POST	请求向URL位置的资源后附加新的数据
PUT	请求向URL位置存储一个资源，覆盖原链接位置的资源
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

HTTP协议通过URL对资源进行定位，通过6个函数对资源进行管理

理解PATCH与PUT区别

Requests库的head()方法

Requests库的post（）方法

向URL POST一个字典，自动编码为form（表单）。

POST一个字符串，自动编码为data.

Requests库的put（）方法

Requests库主要方法解析

requests.request(method,url,**kwargs)

method对应7种请求方式。url拟获取页面链接。**kwargs13个访问控制参数。

Requests.get(url,params=None,**kwargs)

Requests.head(url,**kwargs)

Requests.post(url,data=None,json=None,**kwargs)

Requests.put(url,data=None,**kwargs)

Requests.patch(url,data=None,**kwargs)

Requests.delete(url,**kwargs)

二：爬虫引发的问题

网络爬虫的尺寸

网络爬虫引发的问题：性能骚扰，法律风险，隐私泄露

网络爬虫的限制

Robots协议

作用：网站告知网络爬虫哪些页面可以爬取，哪些不行。

形式：在网站根目录下robots.txt文件。

百度的爬虫限制：https://www.baidu.com/robots.txt

新浪新闻的爬虫限制：https://news.sina.com.cn/robots.txt

淘宝网的爬虫限制：https://www.taobao.com/robots.txt

Robots协议的遵守方式

三 Requests库网络爬虫实战

1 京东商品页面的爬取

链接：https://item.jd.com/8457421.html

 

代码框架为：

import requests
url="https://item.jd.com/8457421.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")

 

2亚马逊商品页面爬取

商品链接为：商品链接

很遗憾，我没有遇到教程里的错误，但是还是把解决方案copy一下。

import requests
url="https://www.amazon.cn/gp/product/B01M8L5Z3Y"
try:
    kv={'user-agent':'Chrome/10.0'}
    r=requests.get(url,headers=kv)
    r.raise_for_status()
    r.encoding=r.apparent_encoding
    print(r.text[:5000])
    print(r.request.headers)
except:
    print("爬取失败")

3百度/360搜索关键字提交

百度的关键词接口：

             http://www.baidu.com/s?wd=keyword

360的关键词接口：

             http://www.so.com/s?q=keyword

百度搜索全代码

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

360搜索代码

import requests
url="http://www.so.com/s"
try:
    kv={'q':'python'}
    r=requests.get(url,params=kv)
    print(r.request.url)
    r.raise_for_status()
    r.encoding=r.apparent_encoding
    print(len(r.text))
    #print(r.text)
except:
    print("爬取失败")

4网络图片的爬取和存储

网络图片的链接格式：http://www.example.com/picture.jpg

图片地址：

https://timgsa.baidu.com/timg?image&quality=80&size=b9999_10000&sec=1533896076105&di=a47c8f20542f299c5e20cca04f4f3143&imgtype=0&src=http%3A%2F%2Fi1.hdslb.com%2Fbfs%2Farchive%2F0ad2733a3fc734d598320de2c931033e77132802.jpg

import requests
import os
url="https://timgsa.baidu.com/timg?image&quality=80&size=b9999_10000&sec=1533896076105&di=a47c8f20542f299c5e20cca04f4f3143&imgtype=0&src=http%3A%2F%2Fi1.hdslb.com%2Fbfs%2Farchive%2F0ad2733a3fc734d598320de2c931033e77132802.jpg"
root=r"D:\pics"
path=r"D:\pics\1.jpg"
kw={'user-agent':'Chrome/10.0'}

try:
    if not os.path.exists(root):#判断该目录是否存在，若不存在，就创建该路径。
        os.mkdir(root)
    if not os.path.exists(path):#判断该文件是否存在
        r=requests.get(url,headers=kw)
        print(r.status_code)
        r.raise_for_status()
        with open(path,'wb') as f:
            f.write(r.content)#r.content返回内容的二进制形式。
            f.close()
            print("文件保存成功")
    else:
        print("文件已存在")
except:
    print("爬取失败")

 

5 IP地址归属地的自动查询(手机地址所在地的自动查询)

手机地址所在地的自动查询网站为：http://www.ip138.com/sj/

可以发现输入电话号码之后网站网址信息变为http://www.ip138.com:8080/search.asp?action=mobile&mobile=18340819482

因此可以模拟第二个网站链接：对查到的信息进行爬取。

import requests
url="http://www.ip138.com:8080/search.asp?action=mobile&mobile="
try:
    r=requests.get(url+'18340819482')
    r.raise_for_status()
    r.encoding=r.apparent_encoding
    print(r.text[-2000:-1000])
except:
    print("爬取失败")

requests库中文官方文档：点击这里