這是北京理工大學(xué)的課程，附上視頻link：https://www.bilibili.com/video/av9784617/?p=1

?

Requests庫

Requests庫主要方法

Requests庫的7個主要方法
方法	說明
requests.request()	構(gòu)造一個請求，支撐以下各方法的基礎(chǔ)方法
requests.get()	獲取HTML網(wǎng)頁的主要方法，對應(yīng)于HTTP的GET
requests.head()	獲取HTML網(wǎng)頁頭信息的方法，對應(yīng)于HTTP的HEAD
requests.post()	向HTML網(wǎng)頁提交POST請求的方法，對應(yīng)于HTTP的POST
requests.put()	向HTML網(wǎng)頁提交PUT請求的方法，對應(yīng)于HTTP的PUT
requests.patch()	向HTML網(wǎng)頁提交局部修改請求，對應(yīng)于HTTP的PATCH
requests.delete()	向HTML頁面提交刪除請求，對應(yīng)于HTTP的DELETE

?

Response對象的屬性
屬性	說明
r.status_code	HTTP請求的返回狀態(tài)，200表示連接成功，404表示失敗
r.text	HTTP響應(yīng)內(nèi)容的字符串形式，即url對應(yīng)的頁面內(nèi)容
r.encoding	從HTTP header中猜測的響應(yīng)內(nèi)容編碼方式，如果header中不存在charset，則認(rèn)為編碼為ISO-8859-1
r.apparent_encoding	從內(nèi)容中分析出的響應(yīng)內(nèi)容編碼方式（備選編碼方式）
r.content	HTTP響應(yīng)內(nèi)容的二進制形式

?

理解Requests庫的異常
異常	說明
requests.Connection Error	網(wǎng)絡(luò)連接錯誤異常,如DNS查詢失敗、拒絕連接等
requests.HTTPError	HTTP錯誤異常
requests.URLRequired	URL缺失異常
requests.TooManyRedirects	超過最大重定向次數(shù)， 產(chǎn)生重定向異常
requests.ConeetTimeout	連接遠(yuǎn)程服 務(wù)器超時異常
requests.Timeout	請求URL超時，產(chǎn)生超時異常
r.raise_for_status()	如果不是200，產(chǎn)生異常requests.HTTPError

使用r.raise_for_status()檢查異常，使代碼更健壯

?

爬取網(wǎng)頁的通用代碼框架

            
              #通用代碼框架框架
def getHTMLText(url):
    try:
        r = requests.get(url, timeout=30)
        r.raise_for_status()
        r.encoding = r.apparent_encoding
        return r.text
    except:
        return "error"

if __name__ == "__main__":
    url = "http://www.baidu.com"
    print getHTMLText(url)
            
          

            ?
          

HTTP協(xié)議

HTTP, Hypertext Transfer Protocol,超文本傳輸協(xié)議。HTTP是一個基于“請求與響應(yīng)”模式的、無狀態(tài)的應(yīng)用層協(xié)議。

URL格式htp://host[:port][path]

host:合法的Internet主機域名或P地址

port:端口號，缺省端口為80

path:請求資源的路徑

HTTP URL的理解:

url是通過http協(xié)議存取資源的internet路徑，一個url對應(yīng)一個數(shù)據(jù)資源。

?

?

網(wǎng)絡(luò)爬蟲的限制

◆來源審查:判斷User-Agent進行限制

檢查來訪HTTP協(xié)議頭的User-Agent域， 只響應(yīng)瀏覽器或友好爬蟲的訪問。

◆發(fā)布公告: Robots協(xié)議

告知所有爬蟲網(wǎng)站的爬取策略，要求爬蟲遵守。

?

?

Robots協(xié)議

Robots Exclusion Standard網(wǎng)絡(luò)爬蟲排除標(biāo)準(zhǔn)

作用:網(wǎng)站告知網(wǎng)絡(luò)爬蟲哪些頁面可以抓取，哪些不行。

形式:在網(wǎng)站根目錄下的robots.txt文件。

在爬取某一個網(wǎng)站時，可以“網(wǎng)站”+“robots.txt”查看是否限制爬蟲

?

案例:京東的Robots協(xié)議

https://www.jd.com/robots.txt

*代表所有? ? ?

user-agent：HuihuiSpider? ? ?Disallow:/? ? ?-->表明針對user-agent是HuihuiSpider，整個網(wǎng)站都不可以爬取

?

實例1:京東商品頁面的爬取

            
              try:
    r = requests.get("https://item.jd.com/100000177760.html")
    r.raise_for_status()
    r.encoding = r.apparent_encoding
    print r.text[:1000]
except:
    print "error"
            
          

?

實例2:亞馬遜商品頁面的爬取

            
              try:
    r = requests.get("https://www.amazon.cn/dp/B01NAS120J/ref=cngwdyfloorv2_recs_0/462-8269923-3092529?pf_rd_m=A1AJ19PSB66TGU&pf_rd_s=desktop-2&pf_rd_r=2RAT2AKB28AT2ZBSCDBE&pf_rd_r=2RAT2AKB28AT2ZBSCDBE&pf_rd_t=36701&pf_rd_p=d2aa3428-dc2b-4cfe-bca6-5e3a33f2342e&pf_rd_p=d2aa3428-dc2b-4cfe-bca6-5e3a33f2342e&pf_rd_i=desktop")
    r.raise_for_status()
    r.encoding = r.apparent_encoding
    print r.text[:1000]
except:
    print "error"

#對比傳入headers和不傳入headers的區(qū)別，在第二種可以發(fā)現(xiàn)user-agent改變了
r = requests.get("https://www.amazon.cn/gp/product/B01M8L5Z3Y")
print r.status_code
print r.request.headers

kv = {'user-agent':'Mozilla/5.0'}
r = requests.get("https://www.amazon.cn/gp/product/B01M8L5Z3Y", headers=kv)
print r.request.headers
            
          

?

實例3:百度360搜索關(guān)鍵字提交

            
              #百度關(guān)鍵詞接口
kv = {'wd':'python'}
r = requests.get("http://www.baidu.com/s", params=kv)
print r.request.url
print len(r.text)

#360關(guān)鍵詞接口
kv = {'q':'python'}
r = requests.get("http://www.so.com/s", params=kv)
print r.request.url
print len(r.text)
            
          

?

實例4:網(wǎng)絡(luò)圖片的爬取和存儲

            
              url = "https://www.nationalgeographic.com/animals/2019/04/polar-bears-algae-sea-ice-warming/#/01-polar-bears-algae-nationalgeographic_675501.jpg"
root = './pics/'
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 '爬取失敗'
            
          

?

實例5:ip地址歸屬地的自動查詢

            
              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 '爬取失敗'
            
          

?