爬虫简介、requests 基础用法、urlretrieve()

1. 爬虫简介

2. requests 基础用法

3. urlretrieve()

 

 

1. 爬虫简介

爬虫的定义

网络爬虫（又被称为网页蜘蛛、网络机器人），是一种按照一定的规则，自动地抓取万维网信息的程序或者脚本。

爬虫有什么用

• 市场分析：电商分析、商圈分析、一二级市场分析等
• 市场监控：电商、新闻、房源监控等
• 商机发现：招投标情报发现、客户资料发掘、企业客户发现等

认识网址的构成

一个网站的网址一般由域名 + 自己编写的页面所构成。我们在访问同一网站的网页时，域名一般是不会改变的，因此我们爬虫所需要解析的就是网站自己所编写的不同页面的入口 url，只有解析出来各个页面的入口，才能开始我们的爬虫。

了解网页的两种加载方法

只有同步加载的数据才能直接在网页源代码中直接查看到，异步加载的数据直接查看网页源代码是看不到的。

• 同步加载：改变网址上的某些参数会导致网页发生改变，例如：www.itjuzi.com/company?page=1（改变 page= 后面的数字，网页会发生改变）。
• 异步加载：改变网址上的参数不会使网页发生改变，例如：www.lagou.com/gongsi/（翻页后网址不会发生变化）。
  • 同步任务：在主线程上排队执行的任务，只有前一个任务执行完毕，才能执行后一个任务。
  • 异步任务：不进入主线程，而进入"任务队列"（task queue）的任务。有等主线程任务执行完毕，"任务队列"开始通知主线程，请求执行任务，该任务才会进入主线程执行（如回调函数）。

验证网页是同步还是异步加载的方法：把 JavaScript 由“允许”改为“阻止”，重新刷新页面。若网页正常加载，说明该网页的加载方式是同步加载；若网页没有正常加载，说明该网页的加载方式是异步加载。

认识网页源码的构成

在网页中右键点击查看网页源码，可以查看到网页的源代码信息。

源代码一般由三个部分组成，分别是：

• html：描述网页的内容结构。
• css：描述网页的样式排版布局。
• JavaScript：描述网页的事件处理，即鼠标或键盘在网页元素上的动作后的程序。

查看网页请求

以 chrome 浏览器为例，在网页上点击鼠标右键，选择“检查”（或者直接 F12），选择“network”，刷新页面，选择 ALL 下面的第一个链接，这样就可以看到网页的各种请求信息。

请求头（Request Headers）：

• Accept: text/html,image/*  (浏览器可以接收的类型)
• Accept-Charset: ISO-8859-1  (浏览器可以接收的编码类型)
• Accept-Encoding: gzip,compress  (浏览器可以接收压缩编码类型)
• Accept-Language: en-us,zh-cn  (浏览器可以接收的语言和国家类型)
• Host: www.it315.org:80  (浏览器请求的主机和端口)
• If-Modified-Since: Tue, 11 Jul 2000 18:23:51 GMT  (某个页面缓存时间)
• Referer: http://www.it315.org/index.jsp  (请求来自于哪个页面)
• User-Agent: Mozilla/4.0 (compatible; MSIE 5.5; Windows NT 5.0)  (浏览器相关信息)
• Cookie：  (浏览器暂存服务器发送的信息)
• Connection: close(1.0)/Keep-Alive(1.1)  (HTTP请求的版本的特点)
• Date: Tue, 11 Jul 2000 18:23:51 GMT  (请求网站的时间)

响应头（Response Headers）：

• Location: http://www.it315.org/index.jsp  (控制浏览器显示哪个页面)
• Server: apache tomcat  (服务器的类型)
• Content-Encoding: gzip  (服务器发送的压缩编码方式)
• Content-Length: 80  (服务器发送显示的字节码长度)
• Content-Language: zh-cn  (服务器发送内容的语言和国家名)
• Content-Type: image/jpeg; charset=UTF-8  (服务器发送内容的类型和编码类型)
• Last-Modified: Tue, 11 Jul 2000 18:23:51 GMT  (服务器最后一次修改的时间)
• Refresh: 1;url=http://www.it315.org  (控制浏览器1秒钟后转发URL所指向的页面)
• Content-Disposition: attachment; filename=aaa.jpg  (服务器控制浏览器下载方式打开文件)
• Transfer-Encoding: chunked  (服务器分块传递数据到客户端）
• Set-Cookie: SS=Q0=5Lb_nQ; path=/search  (服务器发送Cookie相关的信息)
• Expires: -1  (服务器控制浏览器不要缓存网页，默认是缓存)
• Cache-Control: no-cache  (服务器控制浏览器不要缓存网页)
• Pragma: no-cache  (服务器控制浏览器不要缓存网页)  
• Connection: close/Keep-Alive  (HTTP请求的版本的特点)  
• Date: Tue, 11 Jul 2000 18:23:51 GMT  (响应网站的时间)

 通用的网络爬虫框架

1. 挑选种子 URL；
2. 将这些 URL 放入待抓取的 URL 队列；
3. 取出待抓取的 URL，下载并存储进已下载网页库中。此外，将这些 URL 放入已抓取 URL 队列；
4. 分析已抓取队列中的 URL，并且将 URL 放入待抓取 URL 队列，从而进入下一循环。

 

2. requests 基础用法

详解：requests 库

Requests 库的主要方法

requests.get 方法

# 使用get方法发送请求，返回包含网页数据的Response并存储到Response对象r中
r = requests.get(url)

Response 对象的属性

• r.status_code：http 请求的返回状态，200 表示连接成功（HTTP 状态码）
• r.text：返回对象的文本内容
• r.content：猜测返回对象的二进制形式
• r.encoding：分析返回对象的编码方式
• r.apparent_encoding：响应内容编码方式（备选编码方式）

示例：分析豆瓣短评网页

import requests

url = ' https://book.douban.com/subject/27147922/?icn=index-editionrecommend'
r = requests.get(url, timeout=20)  # 设置超时时间为20秒
# #print(r.text) # 打印返回文本
# 抛出异常
print(r.raise_for_status())  # None

 

3. urlretrieve()

用于直接将远程数据下载到本地。

urlretrieve(url, filename=None, reporthook=None, data=None)

• filename：指定了保存本地路径（如果参数未指定，urllib 会生成一个临时文件保存数据）。
• reporthook：是一个回调函数，当连接上服务器、以及相应的数据块传输完毕时会触发该回调，我们可以利用这个回调函数来显示当前的下载进度。 
• data：指post导服务器的数据，该方法返回一个包含两个元素的（filename, headers）元组，filename 表示保存到本地的路径，header 表示服务器的响应头。

示例 1：下载图片

使用 urlretrieve()：

from urllib.request import urlretrieve

urlretrieve("http://pic1.win4000.com/pic/b/20/b42b4ca4c5_250_350.jpg", "e:\\1.jpg")

使用 requests：

import requests

url = "http://pic1.win4000.com/pic/b/20/b42b4ca4c5_250_350.jpg"
r = requests.get(url)
with open("e:\\1.jpg", "wb") as fp:
    fp.write(r.content)

示例 2：下载文件并显示下载进度

import os
from urllib.request import urlretrieve

def cbk(a, b, c):  
    '''回调函数 
    @a:已经下载的数据块 
    @b:数据块的大小 
    @c:远程文件的大小 
    '''  
    per = 100*a*b/c  
    if per > 100:  
        per = 100  
    print('%.2f%%' % per)  
  
url = 'http://www.python.org/ftp/python/2.7.5/Python-2.7.5.tar.bz2'  
dir = os.path.abspath('.')  
work_path = os.path.join(dir, 'Python-2.7.5.tar.bz2')  
urlretrieve(url, work_path, cbk)  

执行效果：