爬虫 - 1 urllib模块与requests模块

目录

1 爬虫简介

（1）什么是爬虫

网路爬虫，是一种按照一定规则，自动抓取互联网信息的程序或者脚本，由于互联网数据的多样性和资源的有限性，根据用户需求定向抓取相关网页并分析已成为如今主流的爬取策略

本质：模型发送http请求，获取数据，清洗数据

（2）爬虫可以做什么

只要是你能通过浏览器访问的数据都可以通过爬虫获取

（3）爬虫的本质是什么

模拟浏览器打开网页，获取网页中我们想要的那部分数据

2 网络爬虫的原理图

image-20230117175239877

搜索引擎原理图

image-20230117181024676

搜索引擎其实就是一个爬虫程序，从各个网站上，爬取数据保存到自己的数据库中

在百度搜索框中搜索关键字，百度会在自己的数据库中查询关键字，然后返回给用户

SEO:搜索引擎优化，是指通过优化网站内容、结构和链接来提高在搜索引擎结果页面上的排名。主要包括网站内容的关键字优化，网站结构的优化和建立高质量的外部链接等方式。SEO需要一定的时间和努力，但是相对于SEM，SEO可以带来更长期和稳定的流量和收益。

SEM:搜索引擎营销，是指通过付费广告在搜索引擎结果页面上展示自己的网站。主要包括搜索引擎广告，付费搜索引擎排名和购买关键字等方式。SEM可以快速地提高网站的曝光度和流量，但是需要投入大量的广告预算。

3 基本流程

  • 准备工作

通过浏览器查看分析目标网页，学习编程基础规范

  • 获取数据

通过HTTP库向目标站点发起请求，请求可以包含额外的header等信息，如果服务器能正常响应，会得到一个Response，便是所要获得的页面的内容

  • 解析内容

得到的内容可能是HTML、json等格式，可以用页面解析库、正则表达式等解析解析

  • 保存数据

保存形式多样，可以存为文本，也可以保存到数据库，或者保存特定格式的文件

image-20230118184230181

1.网页network中的Headers

Headers是我们网页上发起请求里面给服务器发送的消息，服务器通过这些消息来鉴定我们的身份，无论是等候后的消息cookies、还是浏览器的消息User-Agent，

image-20230118182941252

  • cookie用户登录的信息

登录以后才能看到的一些信息，必须要学会操作cookie

image-20230118183101960

  • User-Agent浏览器的信息

image-20230118183153244

编码规范

coding=utf-8

4 Urllib

1.get请求获取request对象

request对象，是网页返回的信息封装的对象

import urllib.request

response = urllib.request.urlopen("http://www.baidu.com")
print(response)

request对象的read方法

response = urllib.request.urlopen("http://www.baidu.com")
print(response.read().decode('utf-8'))  # 对获取到的网页源码解析utf-8的解码

image-20230118193015917

保存在html文件中，打开后就是从百度网站上获取的数据

2.获取post请求

测试网站

http://httpbin.org/

通过post来发送请求，必须要按照post请求格式来发送

（1）直接发送

# 获取一个post请求
response = urllib.request.urlopen("http://httpbin.org/post")
print(response.read())

image-20230118193800443

（2）post需要有发送数据的要求

# 获取一个post请求
# 还需要解析器
import urllib.parse

# 需要发送二进制数据
data = bytes(urllib.parse.urlencode({"hello": "world"}), encoding="utf-8")

response = urllib.request.urlopen("http://httpbin.org/post",data=data)
print(response.read().decode('utf-8'))

{
  "args": {}, 
  "data": "", 
  "files": {}, 
  "form": {
    "hello": "world"
  }, 
  "headers": {
    "Accept-Encoding": "identity", 
    "Content-Length": "11", 
    "Content-Type": "application/x-www-form-urlencoded", 
    "Host": "httpbin.org", 
    "User-Agent": "Python-urllib/3.9", 
    "X-Amzn-Trace-Id": "Root=1-63c7dacb-42be5926756b41ad5eb9b06f"
  }, 
  "json": null, 
  "origin": "120.208.143.33", 
  "url": "http://httpbin.org/post"
}

image-20230118194501044

则通过urllib可以模拟浏览器来发送的请求，和测试网站发送的样例一致

3.超时异常处理

超时timeout

image-20230118194901180

当没有伪装的情况下，可以设置超时的时间

image-20230118195127734

try:
    response = urllib.request.urlopen("http://httpbin.org/get",timeout=0.01)
    print(response.read().decode('utf-8'))  # 对获取到的网页源码解析utf-8的解码
except urllib.error.URLError as e:
    print("time out!")

5 request模块

requests模块其实就是封装了urllib模块

使用requests可以模拟浏览器的请求（http），比起之前用到的urllib，requests模块的api更加便捷（本质就是封装了urllib3)

5.1 发送get请求

使用requests.get函数发送GET请求

import requests

url = "https://www.baidu.com/
response = requests.get(url)

print(response.text)
#  res.text是转换成字符串模式

响应体

image-20230315152747490

5.2 发送post请求

使用requests.post函数发送POST请求

url = 'https://httpbin.org/post'
data = {'name': 'zak', 'age': '19'}
response = requests.post(url, data)
print(response.text)
image-20230315152609944

5.3 request携带参数

① 方式一：直接拼到路径中

response = requests.get('https://httpbin.org/get?name=duo&age=19')
print(response.text)

image-20230315153607603

② 方式二：使用params参数

response = requests.get('https://httpbin.org/get',params={'name': 'qiuqiu', 'pet':'dog'})
print(response.text)

image-20230315153619011

6 url编码解码

Python标准库中的urllib模块提供了编码和解码URL的功能。具体来说，urllib模块包含urlencode()和urldecode()函数，可以用于对URL进行编码和解码。

url：全球资源定位器（Uniform Resource Locator）

6.1 urlencode()函数、parse_qs()函数

① urlencode() - 编码

data = {'name': '陈星旭', 'age': 19}
res = urlencode(data)
print(res)
--------------
name=%E9%99%88%E6%98%9F%E6%97%AD&age=19

② parse_qs() - 解码

data = 'name=%E9%99%88%E6%98%9F%E6%97%AD&age=19'
res = parse_qs(data)
print(res)
--------------
{'name': ['陈星旭'], 'age': ['19']}

6.2 quote()和unquote()

① quote() - 编码

参数只能是字符串

strings = '玄商辣目'
res = quote(strings)
print(res)
--------------
%E7%8E%84%E5%95%86%E8%BE%A3%E7%9B%AE

② unquote() - 解码

参数只能是字符串

strings = '%E7%8E%84%E5%95%86%E8%BE%A3%E7%9B%AE'
res = unquote(strings)
print(res) 
--------------
玄商辣目

7 requests携带请求头

  • 反扒措施之一，就是请求头
  • http请求中，请求头中有一个很重要的参数 User-Agent表明了浏览器的信息，如果没有带这个请求头，后端就该禁止访问
  • http协议有版本：主流1.1、0.9、2.x
    • 1.1比之前增加了：keep-alive
    • 2.x比1.x增加了： 多路复用
import requests

headers = {
    'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_15_7) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/110.0.0.0 Safari/537.36'
}

response = requests.get('https://httpbin.org/get',headers=headers)
print(response.text)
response = requests.get('https://httpbin.org/get')
print(response.text)

image-20230315160555221

image-20230315160835283

8 自动登录，携带cookie的两种方式

（1）方式一：通过post请求-字典或CookieJar对象

import requests

data = {
    'username': username,
    'password': password,
    'captcha': 'aa',
    'remember': 1,
    'ref': 'http://www.aa7a.cn/',
    'act': 'act_login'
}

response = requests.post('http://www.aa7a.cn/user.php', data=data)
print(response.text)
print(response.cookies)  # RequestsCookieJar 对象


res = requests.get('http://www.aa7a.cn', cookies=response.cookies)

print(username in res.text)

（2）方式二：放到cookie参数中

image-20230315165758765

9 request.session的使用

为了方便cookies的使用，以后不需要携带cookie，将cookie放到requests的session方法中，得到session对象

通过session对象去发post登录请求，如果登录成功则会自动记录cookies

import requests

data = {
    'username': username,
    'password': password,
    'captcha': 'aa',
    'remember': 1,
    'ref': 'http://www.aa7a.cn/',
    'act': 'act_login'
}

session = requests.session()
# 发送post请求，之后通过session对象去访问，就会记录cookies
response = session.post('http://www.aa7a.cn/user.php', data=data)
print(response.text)
print(response.cookies)
res = session.get('http://www.aa7a.cn/')

print(username in res.text)

9 补充post请求携带数据编码格式

① 普通data对应字典 - urlencoded

通过data关键字携带字典

requests.post(url='xxxxxxxx',data={'xxx':'yyy'})

② json格式

通过json关键字携带json格式

requests.post(url='xxxxxxxx',json={'xxx':'yyy'})

③ json格式

在请求头中，携带content-type声明是json格式

requests.post(url='',
              data={'':''},
              headers={
                  'content-type':'application/json'
              })
posted @ 2023-03-15 17:23  Duosg  阅读(42)  评论(0)  编辑  收藏  举报