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 timeimport 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 requestskeyword = '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 requestsimport osimport timeroot = "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_timeprint("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")