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

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

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

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

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

（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")