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= 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)
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 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 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 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：
<bound method Response.raise_for_status of <Response [200]>>
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 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 requests
url = "http://m.ip138.com/ip.asp?ip="
try:
r=requests.get(url+'113.133.219.95')
r.raise_for_status()
r.encoding = r.apparent_encoding
print(r.text[-500:])
except:
print("爬取失败")