Python网络爬虫学习基础笔记

python requests库爬虫基础

本次学习的python爬虫所使用的是requests库
下面就是requests库的7种主要方法

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

---

get()方法简介

部分语法r=requests.get(url)
表示构造一个向服务器请求资源的Request对象，返回一个包含服务器资源的Respon对象
完整语法requests.get(url,params=None,**kwargs)

get()方法参数	说明
url	拟获取页面的URL链接
params	url中的额外参数，控制字典或字节流格式(可选)
**kwargs	12个控制访问参数

---

Response对象属性	说明
r.status_code	HTTP请求的返回状态，200表示链接成功404表示失败
r.text	HTTP响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	从内容分析出的响应内容的编码方式(备选编码方式)
r.content	HTTP响应内容的二进制形式

基本示例

#在python shell中进行逐行输入import requestsr=requests.get("http://www.baidu.com")r.status_code#返回了200表示访问成功r.text#输出访问内容--发现有部分中文乱码r.encoding#发现编码为ISO-8859-1r.apparent_encoding#发现内容编码为UTF-8r.encoding = 'utf-8'#将读取编码改为utf-8r.text#此时发现输出内容正常

r.encoding：如果header中不存在charset,则认为默认编码为ISO-8859-1
r.apparent_encoding：根据网页内容分析出的编码方式

---

Requests库异常

异常	说明
requests.ConnectionError	网络连接错误异常，如DNS查询失败、拒绝连接等
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，产生重定向异常
requests.ConnectTimeout	连接远程服务器超时异常
requests.Timeout	请求URL超时，产生超时异常

Response异常

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

---

爬取网页通用代码框架

import requestsdef getHtmlText(url):    try:        r = requests.get(url, timeout=30)        r.raise_for_status()#状态码不是200时,引发HTTPError异常        r.encoding = r.apparent_encoding#设置读取编码为页面内容编码，防止乱码        return r.text    except:        return "发生异常"if __name__ == "__main__":    url="http://www.baidu.com"    print(getHtmlText(url))

通过r.raise_for_status()以及try--except捕捉访问异常

---

requests.requests控制访问的参数

参数名	说明
params	字典或字节序列，作为参数增加到url中
data	字典，字节序列或文件对象，作为Request的内容
json	JSON格式的数据，作为Request的内容
headers	字典，HTTP定制头（模拟浏览器进行访问）
cokies	字典或CpplieJar,Request中的cookie
auth	元祖，支持HTTP认证功能
files	字典类型，传输文件
timeout	设定超时时间，秒为单位
proxies	字典类型，设定访问代理服务器，可以增加登陆认证,防止爬虫反追踪
allow_redirects	True//False，默认为True，重定向开关
stream	True/False,默认为True,获取内容立即下载开关
verify	True/False,默认为True，认证SSL证书开关
cert	本地SSL证书路径"""

params参数的例子:
例：kv={'key1':'value','key2':'value2'} r=requests.request('GET','http://python123.io/ws',params=kv) print(r.url)
输出为:http://python.io/ws?key1=value1&key2=value2

各方法语法以及需要的控制参数

语法	可选额外控制参数
requests.get(url, params=None, **kwargs)	12
requests.head(url, **kwargs)	12
requests.post(url, data=None, json=None, **kwargs)	12
requests.put(url, data=None, **kwargs)	12
requests.patch(url, data=None, **kwargs)	12
requests.delete(url, **kwargs)	12