亚洲免费在线-亚洲免费在线播放-亚洲免费在线观看-亚洲免费在线观看视频-亚洲免费在线看-亚洲免费在线视频

Python網絡爬蟲與信息提取——requests庫

系統 2141 0

這是北京理工大學的課程,附上視頻link:https://www.bilibili.com/video/av9784617/?p=1

?

Requests庫

Requests庫主要方法

Requests庫的7個主要方法
方法 說明
requests.request() 構造一個請求,支撐以下各方法的基礎方法
requests.get() 獲取HTML網頁的主要方法,對應于HTTP的GET
requests.head() 獲取HTML網頁頭信息的方法,對應于HTTP的HEAD
requests.post() 向HTML網頁提交POST請求的方法,對應于HTTP的POST
requests.put()

向HTML網頁提交PUT請求的方法,對應于HTTP的PUT

requests.patch() 向HTML網頁提交局部修改請求,對應于HTTP的PATCH
requests.delete() 向HTML頁面提交刪除請求,對應于HTTP的DELETE

?

Response對象的屬性

屬性

說明

r.status_code

HTTP請求的返回狀態,200表示連接成功,404表示失敗

r.text

HTTP響應內容的字符串形式,即url對應的頁面內容

r.encoding

從HTTP header中猜測的響應內容編碼方式,如果header中不存在charset,則認為編碼為ISO-8859-1

r.apparent_encoding

從內容中分析出的響應內容編碼方式(備選編碼方式)

r.content

HTTP響應內容的二進制形式

?

理解Requests庫的異常

異常 說明
requests.Connection Error 網絡連接錯誤異常,如DNS查詢失敗、拒絕連接等
requests.HTTPError HTTP錯誤異常
requests.URLRequired

URL缺失異常

requests.TooManyRedirects 超過最大重定向次數, 產生重定向異常
requests.ConeetTimeout 連接遠程服 務器超時異常
requests.Timeout 請求URL超時,產生超時異常
r.raise_for_status()

如果不是200,產生異常requests.HTTPError

使用r.raise_for_status()檢查異常,使代碼更健壯

?

爬取網頁的通用代碼框架

            
              #通用代碼框架框架
def getHTMLText(url):
    try:
        r = requests.get(url, timeout=30)
        r.raise_for_status()
        r.encoding = r.apparent_encoding
        return r.text
    except:
        return "error"

if __name__ == "__main__":
    url = "http://www.baidu.com"
    print getHTMLText(url)
            
          
            ?
          

HTTP協議

HTTP, Hypertext Transfer Protocol,超文本傳輸協議。HTTP是一個基于“請求與響應”模式的、無狀態的應用層協議。

URL格式htp://host[:port][path]

host:合法的Internet主機域名或P地址

port:端口號,缺省端口為80

path:請求資源的路徑

HTTP URL的理解:

url是通過http協議存取資源的internet路徑,一個url對應一個數據資源。

?

?

網絡爬蟲的限制

◆來源審查:判斷User-Agent進行限制

檢查來訪HTTP協議頭的User-Agent域, 只響應瀏覽器或友好爬蟲的訪問。

◆發布公告: Robots協議

告知所有爬蟲網站的爬取策略,要求爬蟲遵守。

?

?

Robots協議

Robots Exclusion Standard網絡爬蟲排除標準

作用:網站告知網絡爬蟲哪些頁面可以抓取,哪些不行。

形式:在網站根目錄下的robots.txt文件。

在爬取某一個網站時,可以“網站”+“robots.txt”查看是否限制爬蟲

?

案例:京東的Robots協議

https://www.jd.com/robots.txt

Python網絡爬蟲與信息提取——requests庫_第1張圖片

*代表所有? ? ?

user-agent:HuihuiSpider? ? ?Disallow:/? ? ?-->表明針對user-agent是HuihuiSpider,整個網站都不可以爬取

?

實例1:京東商品頁面的爬取

            
              try:
    r = requests.get("https://item.jd.com/100000177760.html")
    r.raise_for_status()
    r.encoding = r.apparent_encoding
    print r.text[:1000]
except:
    print "error"
            
          

?

實例2:亞馬遜商品頁面的爬取

            
              try:
    r = requests.get("https://www.amazon.cn/dp/B01NAS120J/ref=cngwdyfloorv2_recs_0/462-8269923-3092529?pf_rd_m=A1AJ19PSB66TGU&pf_rd_s=desktop-2&pf_rd_r=2RAT2AKB28AT2ZBSCDBE&pf_rd_r=2RAT2AKB28AT2ZBSCDBE&pf_rd_t=36701&pf_rd_p=d2aa3428-dc2b-4cfe-bca6-5e3a33f2342e&pf_rd_p=d2aa3428-dc2b-4cfe-bca6-5e3a33f2342e&pf_rd_i=desktop")
    r.raise_for_status()
    r.encoding = r.apparent_encoding
    print r.text[:1000]
except:
    print "error"

#對比傳入headers和不傳入headers的區別,在第二種可以發現user-agent改變了
r = requests.get("https://www.amazon.cn/gp/product/B01M8L5Z3Y")
print r.status_code
print r.request.headers

kv = {'user-agent':'Mozilla/5.0'}
r = requests.get("https://www.amazon.cn/gp/product/B01M8L5Z3Y", headers=kv)
print r.request.headers
            
          

?

實例3:百度360搜索關鍵字提交

            
              #百度關鍵詞接口
kv = {'wd':'python'}
r = requests.get("http://www.baidu.com/s", params=kv)
print r.request.url
print len(r.text)

#360關鍵詞接口
kv = {'q':'python'}
r = requests.get("http://www.so.com/s", params=kv)
print r.request.url
print len(r.text)
            
          

?

實例4:網絡圖片的爬取和存儲

            
              url = "https://www.nationalgeographic.com/animals/2019/04/polar-bears-algae-sea-ice-warming/#/01-polar-bears-algae-nationalgeographic_675501.jpg"
root = './pics/'
path = root + url.split('/')[-1]
try:
    if not os.path.exists(root):
        os.mkdir(root)
    if not os.path.exists(path):
        r = requests.get(url)
        with open(path, 'wb') as f:
            f.write(r.content)
            f.close()
            print '文件保存成功'
    else:
        print '文件已存在'
except:
    print '爬取失敗'
            
          

?

實例5:ip地址歸屬地的自動查詢

            
              url = 'http://m.ip138.com/ip.asp?ip='
try:
    r = requests.get(url + '202.204.80.112')
    r.raise_for_status()
    r.encoding = r.apparent_encoding
    print r.text[-500:]
except:
    print '爬取失敗'
            
          

?


更多文章、技術交流、商務合作、聯系博主

微信掃碼或搜索:z360901061

微信掃一掃加我為好友

QQ號聯系: 360901061

您的支持是博主寫作最大的動力,如果您喜歡我的文章,感覺我的文章對您有幫助,請用微信掃描下面二維碼支持博主2元、5元、10元、20元等您想捐的金額吧,狠狠點擊下面給點支持吧,站長非常感激您!手機微信長按不能支付解決辦法:請將微信支付二維碼保存到相冊,切換到微信,然后點擊微信右上角掃一掃功能,選擇支付二維碼完成支付。

【本文對您有幫助就好】

您的支持是博主寫作最大的動力,如果您喜歡我的文章,感覺我的文章對您有幫助,請用微信掃描上面二維碼支持博主2元、5元、10元、自定義金額等您想捐的金額吧,站長會非常 感謝您的哦!!!

發表我的評論
最新評論 總共0條評論
主站蜘蛛池模板: 青青青视频精品中文字幕 | 狠狠色伊人亚洲综合成人 | 久久久91 | 日韩亚射| 成年女人在线观看 | 久青草视频免费视频播放线路1 | 欧美视频在线观看一区二区 | 国内亚州视频在线观看 | 91在线精品亚洲一区二区 | 日本午夜www高清视频 | 波多野结衣绝顶大高潮 | 日本免费人做人一区在线观看 | 97视频网站| 久久综合视频网 | 国产露脸系列magnet | 日韩美在线 | 国产精品久久久亚洲第一牛牛 | 久久精品影院一区二区三区 | 毛片视频播放 | 国产日产精品久久久久快鸭 | 操黄色| 玖玖在线资源站 | 四虎永久成人免费 | 中文字幕亚洲专区 | 欧美激情(一区二区三区) | 国产毛片久久国产 | www.午夜视频 | 天上人间影院久久国产 | 国产高清视频在线 | 狠狠色丁香六月色 | 毛片视频免费观看 | 毛片在线看网站 | 国产精品亚洲专区在线观看 | 久久99久久99精品免观看麻豆 | 九九在线免费视频 | 97视频在线观看免费 | 日本一区二区三区高清在线观看 | 日本高清一道本 | 婷婷99精品国产97久久综合 | 天天综合久久久网 | 草草伊人 |