2018-04-20 810 views 评论

Python网络爬虫与信息提取（第1周）知识点整理

第一周：网路爬虫之规则

单元1：Requests库入门

1.Requests库综述

表1.1 Requests库的7个主要方法

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

2.Requests库的get()方法

最简单的获取网址的方式是：

r=&nbsp;requests.get(&quot;http://www.yushuai.me&quot;)

1	r= requests.get("http://www.yushuai.me")

这之中，requests是构造了一个向服务器请求资源的Request对象，r是返回一个包含服务器资源的Response对象。get完全的使用方法是：

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

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

其中，url是拟获取页面的url链接；params是url中的额外参数，字典或字节流格式，可选；**kwargs是13个控制参数。

表1.2 Response对象的属性

方法	说明
r.status_code	HTTP请求的返回状态。200表示连接成功，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	从内容中分析出的响应内容编码方式（备用编码方式）
r.content	HTTP响应内容的二进制形式

注意：

r.encoding：如果header中不存在charset，则认为编码为ISO-8859-1，所以header中编码不一定正确。

r.apparent_encoding：根据网页内容分析出的编码方式。

2.爬取网页的通用代码框架

表1.3 Requests库的异常

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

爬取网页的通用代码框架如下所示：

import&nbsp;requests
&nbsp;
def&nbsp;getHTMLText(url):
&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;try:
&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;r=requests.get(url,timeout=30)
&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;r.raise_for_status()#如果状态不是200，引发HTTPError异常
&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;r.encoding&nbsp;=&nbsp;r.apparent_encoding
&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;return&nbsp;r.text
&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;except:
&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;return&nbsp;&quot;产生异常&quot;
&nbsp;
if&nbsp;__name__&nbsp;==&quot;__main__&quot;:
&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;url&nbsp;=&nbsp;&quot;http://www.baidu.com&quot;
&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;print(getHTMLText(url))

import requests

def getHTMLText(url):

       try:

              r=requests.get(url,timeout=30)

              r.raise_for_status()#如果状态不是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))

3.HTTP协议及Requests库方法

表1.4 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位置资源的相应消息报告，即获取头部信息
POST	请求向URL位置的资源后附加新的数据（不改变原有，只增加）
PUT	请求向URL位置存储一个资源，覆盖原URL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

注意：理解PATCH和PUT的区别

假设URL位置有一组数据UserInfo，包括UserID、UserName等20个字段。需求：用户修改了UserName，其他不变。

（1）若使用PATCH，仅向Url提交UserName的局部更新请求。

（2）若使用PUT，必须将所有20个字段一并提交到URL，未提及的字段会被删除。

4.Requests库主要方法解析

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

其中，method是请求方式；url是拟获取页面的url链接；**kwargs是控制访问的参数，共13个。

method请求方式包括：

①r=requests.request(‘GET’,url,**kwargs)

②r=requests.request(‘HEAD’,url,**kwargs)

③r=requests.request(‘POST’,url,**kwargs)

④r=requests.request(‘PUT’,url,**kwargs)

⑤r=requests.request(‘PATCH’,url,**kwargs)

⑥r=requests.request(‘delete’,url,**kwargs)

⑦r=requests.request(‘OPTIONS’,url,**kwargs)向服务器获取服务器和客户端通信的参数。

**kwargs参数如表1.5所示。

表1.5 参数表

参数	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。
cookies	字典或CookieJar，Request中的cookie。
auth	元组，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，设计访问代理服务器，可以增加登录认证。
allow_redirects	默认为True，重定向开关。
stream	默认为True，获取内容立即下载开关。
verify	默认True，认证SSL证书开关。
cert	本地SSL证书路径。

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

url：拟获取页面的url链接。

params：url的额外参数，字典或字节流格式，可选。

**kwargs：12个控制访问参数（上一个中除了params）。

（3）requets.head(url,**kwargs)

**kwargs与request一样，不再累述。

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

和request一样，不再累述。

其它也一样，不再累述。

5.例：Requests库的爬取性能分析

import&nbsp;time
import&nbsp;requests
&nbsp;
def&nbsp;getHTMLText(url):
&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;try:
&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;r=requests.get(url,timeout=30)
&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;r.raise_for_status()#如果状态不是200，引发HTTPError异常
&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;r.encoding&nbsp;=&nbsp;r.apparent_encoding
&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;return&nbsp;r.text
&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;except:
&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;return&nbsp;&quot;产生异常&quot;
&nbsp;
if&nbsp;__name__&nbsp;==&quot;__main__&quot;:
&nbsp;&nbsp;&nbsp;&nbsp;url&nbsp;=&nbsp;&quot;http://www.baidu.com/&quot;
&nbsp;&nbsp;&nbsp;&nbsp;start_time&nbsp;=time.time()
&nbsp;&nbsp;&nbsp;&nbsp;for&nbsp;i&nbsp;in&nbsp;range(100):
&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;getHTMLText(url)
&nbsp;&nbsp;&nbsp;&nbsp;end_time&nbsp;=&nbsp;time.time()
&nbsp;&nbsp;&nbsp;&nbsp;dur_time&nbsp;=&nbsp;end_time&nbsp;-&nbsp;start_time
&nbsp;&nbsp;&nbsp;&nbsp;print(&quot;爬取100次网页所需时间：{:.3f}s&quot;.format(dur_time))

import time

import requests

def getHTMLText(url):

       try:

              r=requests.get(url,timeout=30)

              r.raise_for_status()#如果状态不是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/"

    start_time =time.time()

    for i in range(100):

        getHTMLText(url)

    end_time = time.time()

    dur_time = end_time - start_time

    print("爬取100次网页所需时间：{:.3f}s".format(dur_time))

单元2：网络爬虫的“盗亦有道”

1.网络爬虫规模及问题

网络爬虫的尺寸主要分为下面三类：

（1）爬取网页：小规模，数据量小，爬取速度不敏感，使用Requests库。

（2）爬取网站：中规模，数据规模较大，爬取速度敏感，使用Scrapy库。

（3）爬取全网：大规模，搜索引擎爬取速度关键，定制开发。

网络爬虫带来的问题：

骚扰问题、法律风险、泄漏问题。

2.Robots协议

告知爬虫哪些可以爬取，哪些不可以爬取。

单元3：实践

1.向百度搜索提交搜索内容

代码：

import&nbsp;requests
keyword&nbsp;=&nbsp;&#39;Python&#39;
try:
&nbsp;&nbsp;&nbsp;&nbsp;kv&nbsp;=&nbsp;{&#39;wd&#39;:&#39;keyword&#39;}
&nbsp;&nbsp;&nbsp;&nbsp;r=&nbsp;requests.get(&quot;http://www.baidu.com/s&quot;,params=kv)
&nbsp;&nbsp;&nbsp;&nbsp;print(r.raise_for_status)
&nbsp;&nbsp;&nbsp;&nbsp;print(r.request.url)
&nbsp;&nbsp;&nbsp;&nbsp;print(len(r.text))
except:
print(&quot;爬取失败&quot;)

import requests

keyword = 'Python'

try:

    kv = {'wd':'keyword'}

    r= requests.get("http://www.baidu.com/s",params=kv)

    print(r.raise_for_status)

    print(r.request.url)

    print(len(r.text))

except:

print("爬取失败")

结果：

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

245051

（注意：原来字典的'wd':'keyword'，在连接的时候修改为了wd=keyword）

2.网络图片的爬取和存储

代码：

import&nbsp;requests
import&nbsp;os
import&nbsp;time
root&nbsp;=&nbsp;&quot;D://pics//&quot;
url&nbsp;=&nbsp;&quot;http://image.nationalgeographic.com.cn/2018/0327/20180327031900693.jpg&quot;
path&nbsp;=&nbsp;root&nbsp;+url.split(&#39;/&#39;)[-1]
start_time&nbsp;=&nbsp;time.time()
try:
&nbsp;&nbsp;&nbsp;&nbsp;if&nbsp;not&nbsp;os.path.exists(root):
&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;os.mkdir(root)
&nbsp;&nbsp;&nbsp;&nbsp;if&nbsp;not&nbsp;os.path.exists(path):
&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;r=&nbsp;requests.get(url)
&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;big&nbsp;=&nbsp;len(r.text)
&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;with&nbsp;open(path,&#39;wb&#39;)&nbsp;as&nbsp;f:
&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;f.write(r.content)
&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;f.close()
&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;print(&quot;文件保存成功&quot;)
&nbsp;&nbsp;&nbsp;&nbsp;else:
&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;print(&quot;文件已经存在&quot;)
except:
&nbsp;&nbsp;&nbsp;&nbsp;print(&quot;爬取失败&quot;)
end_time&nbsp;=&nbsp;time.time()
dur_time&nbsp;=&nbsp;end_time-start_time
print(&quot;保存图片用时{0:.3f}s，图片大小为{1}&quot;.format(dur_time,big))

import requests

import os

import time

root = "D://pics//"

url = "http://image.nationalgeographic.com.cn/2018/0327/20180327031900693.jpg"

path = root +url.split('/')[-1]

start_time = time.time()

try:

    if not os.path.exists(root):

        os.mkdir(root)

    if not os.path.exists(path):

        r= requests.get(url)

        big = len(r.text)

        with open(path,'wb') as f:

            f.write(r.content)

            f.close()

            print("文件保存成功")

    else:

        print("文件已经存在")

except:

    print("爬取失败")

end_time = time.time()

dur_time = end_time-start_time

print("保存图片用时{0:.3f}s，图片大小为{1}".format(dur_time,big))

结果：

图片得到保存，且输出：

文件保存成功

保存图片用时14.035s，图片大小为682413

实例5：IP地址归属地的自动查询

import&nbsp;requests
&nbsp;
url&nbsp;=&nbsp;&quot;http://m.ip138.com/ip.asp?ip=&quot;
try:
&nbsp;&nbsp;&nbsp;&nbsp;r=requests.get(url+&#39;113.133.219.95&#39;)
&nbsp;&nbsp;&nbsp;&nbsp;r.raise_for_status()
&nbsp;&nbsp;&nbsp;&nbsp;r.encoding&nbsp;=&nbsp;r.apparent_encoding
&nbsp;&nbsp;&nbsp;&nbsp;print(r.text[-500:])
except:
&nbsp;&nbsp;&nbsp;&nbsp;print(&quot;爬取失败&quot;)