一、requests 庫實現自動網絡請求,自動爬取 HTML 頁面。
簡單例子:(注:所有例子均在python 3.6 運行 )
import requests # 導入 requests 庫
url = "http://www.baidu.com"
r = requests.get(url) # 獲取頁面內容
r.encoding = r.apparent_encoding # 編碼方式轉換
print (r.text) # url 對應的頁面內容,爲字符串形式
這裏實現了對百度首頁的信息爬取,核心爲 request 庫的 get() 方法。
二、Requests 庫的7個主要方法:
requests.request(method,url,**kwargs) # 構造一個請求,爲以下個方法的基礎
requests.get(url,params=None,**kwargs) (常用) # 獲取 HTML網頁的主要方法
requests.head(url,**kwargs) # 獲取 HTML 網頁頭信息的方法
requests.post(url, data=None,json = None, **kwargs) # 向HTML網頁提交POST 請求的方法
requests.put(url, data=None, **kwargs) # 向 HTML 提交PUT請求的方法
requests.patch(url, data=None, **kwargs) # 向 HTML 提交局部修改請求
requests.delete(url, **kwargs) # 向 HTML 頁面提交刪除請求
各個參數的意義:
1、method : 請求方式,對應 get/put/post 等 7 種方法;
2、url : 擬獲取頁面的 url 鏈接;
3、params : 字典或者字節序列,作爲參數增加到 url 中
4、data : 字典、字節序列或者文件對象,作爲Request 的內容
5、**kwargs:控制訪問的參數,均爲可選項,具體包括:
json : json格式的數據,作爲Request的內容
Headers : 字典,HTTP 定製頭
cookies : 字典或者 CookieJar, Request 中的 cookie
auth : 元組,支持 HTTP 認證功能
files : 字典類型,傳輸文件
timeout : 設定超時時間,單位秒
proxies : 字典類型,設定訪問代理服務器,可以增加登陸認證
allow_redirects : True/False, 默認爲 True, 重定向開關
stream : True/False, 默認爲 True, 獲取內容立即下載開關
verify : True/False, 默認爲 True, 認證 SSL 證書開關
cert : 本地SSL證書路徑
其中,只有requests.get(url,params=None,**kwargs)
比較常用。
三、r = requests.get(rul)
獲取的對象屬性
Response 對象的屬性由以下例子給出:
#-*- coding:utf-8 -*-
# 爬去京東商品信息
import requests
def GetHTMLText(url):
try:
r = requests.get(url,timeout=30) # 獲取網頁內容,並設置超時時間
print r.status_code # HTTP 請求的放回狀態,200 表示鏈接成功,404 表示失敗
r.raise_for_status() # 判斷r.raise_code 是否等於200。如果不是200,可以直接產生異常requests.HTTPError
print r.encoding # 從 HTTP header 中猜測的相應內容編碼方式
print r.apparent_encoding # 從內容中分析出的響應內容編碼方式(可看作是r.encoding 的備選編碼方式)
#print r.content # HTTP 相應內容的二進制形式
print r.text # HTTP 響應內容的字符串形式,即 url 對應的網頁內容
except:
print"there are something wrong"
if __name__ == '__main__':
url = "https://item.jd.com/6946605.html"
GetHTMLText(url)
四、使用requests 庫爬取網頁的通用代碼框架及案例
4.1、通用代碼框架:
try:
r = requests.get(url,timeout=30)
r.raise_for_status()
r.encoding = r.apparent_encoding
return (r.text)
except:
return "產生異常"
4.2、 學會改變 user-agent 信息,即改變 headers
通過 headers 字段,模擬瀏覽器向亞馬遜網站發出HTTP請求
#-*- coding:utf-8 -*-
import requests
# 爬去亞馬遜商品信息:
def GetHTMLText(url):
try:
#kv = {'user-agent':'Mozilla/5.0'}
#r = requests.get(url,headers=kv)
r = requests.get(url)
print r.request.headers
r.raise_for_status()
r.encoding = r.apparent_encoding
print r.headers
#print r.text
except:
print"there are something wrong"
if __name__ == '__main__':
url = "https://www.amazon.cn/gp/product/B01M8L5Z3Y"
GetHTMLText(url)
4.3、網絡圖片爬取與存儲
網絡圖片的鏈接格式應爲:http://www.example.com/picture.jpg
例如:來自國家地理的圖片:http://www.nationalgeographic.com.cn/
#-*- coding:utf-8 -*-
import requests
import os
def GetPicture(url):
root = "F://picture//"
path = root + "abc.jpg" # 對爬取得圖片命名
try:
if not os.path.exists(root): # 判斷路徑是否存在
os.mkdir(root)
if not os.path.exists(path): # 判斷文件是否存在
r = requests.get(url)
with open(path,'wb') as f:
f.write(r.content) # r.content 返回內容的二進制形式
f.close()
print("文件保存成功")
else:
print("文件已經存在")
except:
print("爬取失敗")
if __name__ == '__main__':
url = "http://image.ngchina.com.cn/2018/0424/20180424121849734.jpg"
GetPicture(url)
獲取網頁的內容只是爬蟲的第一步,如何提取有用信息,是網頁爬蟲的重要內容。
——摘自:中國大學MOOC 《Python網絡爬蟲與信息提取》 嵩天老師課件