Python网络爬虫（一）

网络爬虫之规则

requests库入门

requests的get方法

1. r = requests.get(url)
   构建一个request对象向服务器请求资源，返回一个包含服务器资源的response对象。

requests.get(url, parm, *kwags)
url：网页的url链接
parm：url中的额外参数，字典或字节流的格式，可选
kwags：12个控制访问的参数

2. Response对象
   Response对象的属性：

属性	说明
r.stauts_code	HTTP请求的返回状态200表示成功，其他数值则是失败
r.text	HTTP请求的相应内容，是字符串形式，也即url页面内容
t.encoding	从HTTPheader中猜测的编码方式
r.apparent_encoding	从返回内容中分析的编码方式
r.content	HTTP响应内容的二进制形式

r.encoding和r.apparent_encoding的区别：有的服务器对编码是有要求的则header中会有charset字段，如果没有则默认为ISO-8859-1，而apparent_encoding则是分析内容来解析信息。

爬取网页的通用代码框架

1. 理解request库的异常

异常	说明
requests.ConnectionError	网络连接错误，如DNS无效，域名无效等
requests.HTTPError	HTTP、异常
requests.URLError	URL异常
requests.ConnectTimeout	服务器连接超时
requests.Timeout	URL请求超时
r.raise_for_status()	若r.status_code返回不是200，则产生HTTPError

2. 常用框架

import requests
def getHTMLText(url):
	try:
		r = requests.get(url)
		r.raise_staus_code()
		r.encoding = r.apparent_encoding
		return r.text
	except:
		return "产生异常"

HTTP协议和requests库的主要方法

1. HTTP(Hypertext Transfer Protocol)：超文本传输协议，是基于请求与相应模式的、无状态（请求之间无关联）的应用层协议。
2. URL格式：http:// host[:port][path]
   host：Internet主机域名或IP地址
   port：端口号，默认为80
   path：请求资源的路径
   http://www.bit.edu.cn
   URL是一个在Internet上存储资源的路径。

HTTP协议方法	requests库	说明
GET	requests.get()	获取资源
HEAD	requests.head()	获取资源的头部信息
PUT	requests.put()	在URL对应的资源后添加资源
POST	requests.post()	对URL的资源进行覆盖
PATCH	requests.patch()	对URL的部分内容更新
DELETE	requests.delete()	删除URL的资源

patch和put的区别，patch是将部分资源进行局部更新，而put则是全覆盖，没有更新的自动做删除处理。

Requests 库主要方法解析

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

method：方法的参数即包含GET等等。而get等方法即已经得到封装的request方法。
url：URL链接
**kwags：12个参数，分别实现不同功能

12个参数

1. params：字典或字节序列，作为参数加到URL后面

kv = {'key1':'vaule1','key2':'vaule2'}
r = requests.request('GET',"https:/python123.io/ws", params = kv)
>>> "https:/python123.io/ws?key1=vaule1&key2=vaule2"

2. data：字典或字节序列或文件对象，作为request的内容传递给服务器

kv = {'key1':'vaule1','key2':'vaule2'}
r = requests.request('POST',"https:/python123.io", data = kv)

3. json：json格式的内容，作为数据传递给服务器

kv = {'key1':'value1'}
r = requests.request('POST',"https:/python123.io", json=kv)

4. headers：字典类型，属于HTTP协议的定制头

hd = {'user-agent':'chrome/10'}
r = requests.request('GET', 'https:/python123.io', headers=hd)

5. cookies：字典或CookieJAR，Requests中的Cookie
6. auth：元组，支持HTTP的认证功能
7. file：字典类型，传输文件

fi = {'file': open('data.txt','rb')}
r = requests.request('POST','https:/python123.io', files=fi)

8. timeout：设置超时时间，以秒为单位

r = requests.request('GET', 'https:/python123.io', timeout=10)

9. proxies：字典类型，设定代理服务器，可以增加登陆验证，可用于重定向访问IP以保护爬虫隐私

px = {'HTTP':'http://user@10.10.1.1234'\
	  'HTTPS':'https://1.0.1.0.4321'}
r = requests.request('GET', 'https:/python123.io', proxies = px)

10. allow_redirects：True/False，默认为True，设置是否允许重定向
11. stream：True/False，默认为True，设置是否获取内容立即下载开关
12. verify：True/False，默认为True，认证SSL证书开关
13. cert：本地SSL证书路径

网络爬虫的“盗亦有道”

网络爬虫引发的问题

1. 爬取网页：使用requests库即可，小规模，数据量小
2. 爬取网站和系列网站：使用scrapy库，中规模，数据量较大
3. 爬取全网：即搜索引擎，只能定制开发
   某些爬虫会对服务器造成大量的资源开销。
   同时存在法律风险，数据是有所有者。
   可能给个人隐私带来很大的风险。

对网络爬虫进行限制：

1. 可以对协议头进行限制，只允许headers中的user_angent是浏览器和允许的友好爬虫进行访问。
2. 发布Robot协议，要求爬虫遵守相应的规定。

Robots协议

在网站的根目录下写一个叫Robots.txt的文件。
如果没有Robots.txt文件，则表示网站允许所有爬虫爬取所有的内容。

user_agent: #这里表示爬虫的名字，全部则为*
disallow: # 这里表示不允许爬取的目录，全部则为/ 表示根目录

Robots协议的遵守方式

网络的爬虫应该能自动识别并遵守Robots协议。如果不遵守，则存在法律风险。
对服务器的访问一天只存在几次访问，类似于人类的行为，则原则上可以不遵守Robots协议。

5个实例

1. 京东商品信息爬取

import requests
url = "https://item.jd.com/2967929.html"
try:
    r = requests.request('GET', url, headers = {'ueser-agent':'chrome/12'})
    r.raise_for_status()
    r.encoding = r.apparent_encoding
    print(r.text[:1000])
except:
    print("访问出错")

注意：京东商品被限制需要登陆才能爬取，所以这里应该是得不到结果的。
2. 亚马逊商品爬取

import requests
url = 'https://www.amazon.cn/dp/B0864LWWX9/ref=lp_665002051_1_2'
try:
    r = requests.request('GET', url, headers={'user-agent':'Nozilla/5.0'})
    r.raise_for_status()
    r.encoding = r.apparent_encoding
    print(r.text[:1000])
except:
    print('爬取错误')

注意：亚马逊商品的爬取因为有保护，必须要修改user-agent才能进行访问
3. 百度和360爬取

import requests
url1 = "http://www.baidu.com/s"
url2 = "http://www.so.com/s"
keyword1 = {'wd':'python'}
keyword2 = {'q':'python'}
try:
    r1 = requests.request('GET', url1, params = keyword1)
    r2 = requests.request('GET', url2, params = keyword2)
    print(r1.request.url)
    print(r2.request.url)
    r1.raise_for_status()
    r2.raise_for_status()
    r1.encoding = r1.apparent_encoding
    r2.encoding = r2.apparent_encoding
    print(r1.text[:1000])
    print(r2.text[:1000])
except:
    print("爬取失败")

注意：百度和360最后的格式分别是 "/s?wd = keyword"和"/s?q = keyword"，所以可以使用params进行直接在URL后的操作
4. 图片下载

import requests
import os
url = "https://w.wallhaven.cc/full/pk/wallhaven-pkkm6p.png"
root ="C://Users//ADM//Pictures//"#其实用的是默认图片路径涉及隐私所以改了一点
path = root + url.split('/')[-1]
try:
    if not os.path.exists(root):
        os.mkpath(root)
    if not os.path.exists(path):
        r = requests.request('GET', url)
        with open(path, 'wb') as f:
            f.write(r.content)
            f.close()
    else:
        print("file has already existed!")            
except:
    print("ERROR！")

需要注意：图片是二进制文件，必须要用r.content来返回。然后就是必须事先建立好文件，然后再进行写入操作。
5. IP地址的查询

import requests
IP = "202.204.80.112"
url = "https://m.ip138.com/iplookup.asp?ip="
try:
    r = requests.request('GET',url+IP, headers= {'user-agent':'chrome/10'})
    print(r.request.url)
    r.raise_for_status()
    r.encoding = r.apparent_encoding
    print(r.text[2400:2500])
except:
    print("爬取错误！")

这里要注意，也要对协议头中的user-agent字段进行修改，否则爬取不成功。

---

以上内容来自北京理工大学嵩天老师及其团队的《Python网络爬虫与信息提取》课程第一周的内容。
非常感谢嵩天老师及其团队给我们带来这样优质的课程。
课程链接