python第十五话之requests库及爬虫案例

Request库

使用 Requests 发送网络请求非常简单。

requests.get()

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

获取HTML网页的主要方法，对应于HTTP的GET.

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Response对象.

help(requests.get)

Sends a GET request.
:param url: URL for the new :class:Request object.
:param params: (optional) Dictionary or bytes to be sent in the query string for the :class:Request.
:param **kwargs: Optional arguments that request takes.
:return: :class:Response <Response> object
:rtype: requests.Response

发送GET请求。

url：拟获取页面的url链接

params：url中的额外参数，字典或字节流格式，可选

**kwargs：12个控制访问的参数

普通get

In [22]: import requests

In [23]: url
Out[23]: 'https://www.baidu.com'

In [24]: r = requests.get(url)
Out[24]: <Response [200]>

In [27]: r.url
Out[27]: 'https://www.baidu.com/'

带参get

In [41]: r = requests.get(url+'/s', params={'wd':'dog'})

In [42]: r.url
Out[42]: 'https://www.baidu.com/s?wd=dog'

requests.head()

获取HTML网页头信息的方法，对应于HTTP的HEAD

requests.head(url, **kwargs)

url：拟获取页面的url链接

**kwargs：13个控制访问的参数

requests.post()

向HTML网页提交POST请求的方法，对应于HTTP的POST

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

url：拟获取页面的url链接

data：字典、字节序列或文件，Request的内容

json：JSON格式的数据，Request的内容

**kwargs：11个控制访问参数

requests.put()

向HTML网页提交PUT请求的方法，对应于HTTP的PUT

requests.put(url, data=None, **kwargs)

url：拟更新页面的url链接

data：字典、字节序列或文件，Request的内容

**kwargs：12个控制访问参数

requests.patch()

向HTML网页提交局部修改请求，对应于HTTP的PATCH

requests.patch(url, data=None, **kwargs)

url：拟更新页面的url链接

data：字典、字节序列或文件，Request的内容

**kwargs：12个控制访问参数

requests.delete()

向HTML页面提交删除请求，对应于HTTP的DELETE

requests.delete(url, **kwargs)

url：拟删除页面的url链接

**kwargs：13个控制访问参数

response对象的属性

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.emcoding

从HTTPheader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编码方式（备选编码方式）.

r.content

HTTP响应内容的二进制形式.

理解Response的编码

r.encoding

从HTTP header中猜测的响应内容编码方式

注意：如果header中不存在charset，则认为编码为ISO-8859-1。

r.apparent_encoding

从内容中分析出的响应内容编码方式（备选编码方式）

注意：根据网页内容分析出的编码方式

理解Requests库的异常

requests.ConnectionError

网络连接错误异常，如DNS查询失败、拒绝连接等

requests.HTTPErrorHTTP

错误异常

requests.URLRequired

URL缺失异常

requests.TooMangRedirects

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

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))

HTTP协议对资源的操作

request.request()

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

method：请求方式

url：拟获取页面的url链接

r = requests.request('GET', url, **kwargs)
r = requests.request('HEAD', url, **kwargs)
r = requests.request('POST', url, **kwargs)
r = requests.request('PUT', url, **kwargs)
r = requests.request('PATCH', url, **kwargs)
r = requests.request('DELETE', url, **kwargs)
r = requests.request('OPTIONS', url, **kwargs)
**kwargs：控制访问的参数，均为可选项，共13个

超参数

`params`

字典或字节序列，作为参数增加到url中

kv = {'key1': 'value1', 'key2': 'value2'}
r = requests.request('GET', 'http://python123.io/ws',  params=kv)
print(r.url)

https://python123.io/ws?key1=value1&key2=value2

`data`

字典、字节序列或文件对象，作为Request的对象

body = '主体内容'.encode('utf-8')
r = requests.request('POST', 'http://python123.io/ws', data=body)
print(r.url)

http://python123.io/ws

`json`

JSON格式的数据，作为Request的内容

kv = {'key1': 'value1'}
r = requests.request('POST', 'http://python123.io/ws', json=kv)
print(r.url)

http://python123.io/ws

headers

字典，HTTP定制头

hd = {'user-agent': 'Chrome/10'}
r = requests.request('POST', 'http://python123.io/ws', headers=hd)
print(r.url)

http://python123.io/ws

`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

fs = {'file': open('data.xls','rb')}
r = requests.request('POST', 'http://python123.io/ws', files=fs)
print(r.url)

`timeout`

设定超时时间，秒为单位

r = requests.request('GET', 'http://www.baidu.com', timeout=10)

`proxies`

字典类型，设置访问代理服务器，可以增加登录认证

pxs = {'http': 'http://user:pass@10.10.10.1:1234'
                'https': 'https://10.10.10.1:4321'}
r = requests.request('GET', 'http://www.baidu.com', proxies=pxs)

`allow_redirects`

True/False，默认为Ture，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

爬虫案例

网站

实例网站：百度图片搜索

分析网页

搜索关键字：猫

https://image.baidu.com/search/index?tn=baiduimage&ipn=r&ct=201326592&cl=2&lm=-1&st=-1&sf=1&fmq=&pv=&ic=0&nc=1&z=&se=1&showtab=0&fb=0&width=&height=&face=0&istype=2&ie=utf-8&fm=index&pos=history&word=%E7%8C%AB

搜索关键字：狗

https://image.baidu.com/search/index?tn=baiduimage&ipn=r&ct=201326592&cl=2&lm=-1&st=-1&sf=1&fmq=&pv=&ic=0&nc=1&z=&se=1&showtab=0&fb=0&width=&height=&face=0&istype=2&ie=utf-8&fm=index&pos=history&word=%E7%8B%97

对比get的网址，发现只有搜索关键字不一样。

获得网页数据

我们就才有前面提到的通用的代码框架

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__":
    key_word = '小狗'
    url = 'https://image.baidu.com/search/index?tn=baiduimage&ipn=r&ct=201326592&cl=2&lm=-1&st=-1&sf=1&fmq=&pv=&ic=0' \
          '&nc=1&z=&se=1&showtab=0&fb=0&width=&height=&face=0&istype=2&ie=utf-8&fm=index&pos=history&word='
    html = getHTMLText(url+key_word)
    print(html)

通用代码框架加上我们刚刚分析网址get的请求网址，就可以获取到网页的数据。

处理数据

接下来就是处理数据，把我们所需要的图片网址匹配出来

通过F12找到图片的网址–这个不是原图地址

F12

右键查看网页源代码，分析JSON数据可知，其中的字段objURL，即表示了原图的下载地址。

通过正则在代码里匹配出图片的网址

pic_urls = re.findall('"objURL":"(.*?)",', html, re.S)
print(pic_urls)

展示结果

def down(urls):
    for i, url in enumerate(urls):
        try:
            pic = requests.get(url, timeout=15)
            string = str(i + 1) + '.jpg'
            with open(string, 'wb') as f:
                f.write(pic.content)
                print('成功下载第%s张图片: %s' % (str(i + 1), str(url)))
        except Exception as e:
            print('下载第%s张图片时失败: %s' % (str(i + 1), str(url)))
            print(e)
            continue

通过访问我们获取到的图片网址，对图片进行保存。

完整代码

import requests
import re


def getHTMLText(url):
    """
    获取网页数据
    :param url: 访问网址
    :return: 
    """
    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"


def down(urls):
    """
    下载图片
    :param urls: 图片网址列表
    :return: 
    """
    for i, url in enumerate(urls):
        try:
            pic = requests.get(url, timeout=15)
            string = str(i + 1) + '.jpg'
            with open(string, 'wb') as f:
                f.write(pic.content)
                print('成功下载第%s张图片: %s' % (str(i + 1), str(url)))
        except Exception as e:
            print('下载第%s张图片时失败: %s' % (str(i + 1), str(url)))
            print(e)
            continue


if __name__ == "__main__":
    key_word = '小狗'
    url = 'https://image.baidu.com/search/index?tn=baiduimage&ipn=r&ct=201326592&cl=2&lm=-1&st=-1&sf=1&fmq=&pv=&ic=0' \
          '&nc=1&z=&se=1&showtab=0&fb=0&width=&height=&face=0&istype=2&ie=utf-8&fm=index&pos=history&word='
    html = getHTMLText(url+key_word)
    urls = re.findall('"objURL":"(.*?)",', html, re.S)  # 匹配原图地址
    print(len(urls))
    down(urls)