一、爬虫的基本知识:
1、爬虫的理解:
(1)网络爬虫,即Web Spider,网络蜘蛛是通过网页的链接地址来寻找网页的。
2、爬虫的设计过程:
根据网页的三大特征(框架、样式、行为), 发送请求获取数据,筛选数据保存,数据有url地址,继续(发送请求获取数 据)。
3、爬虫的分类:
通用爬虫:目标、流程(爬取网页 - 存储数据 - 内容处理 - 提供检索/排名服务)、遵循Robots协议。
聚焦爬虫:与通用搜索引擎爬虫的区别在于: 聚焦爬虫在实施网页抓取时会对内容进行处理筛选, 尽量保证只抓取与需求相关的网页信息。
二、发送请求获取数据(requests包):
requests.get(url,params=None,**kwargs) 、reguests.post(url,date=None,json=None,**kwargs)
帮助发送请求,这个作为入门的工具还是不错的,对了解一些爬虫的基本理念,掌握爬虫爬取的流程有所帮助。
1、requests安装:
cmd安装:
anacanda安装:
2、基本请求get/post:
注意:(1)url是必须的参数,且http协议必须要写。
(2). text 得到的是 str 类型。
import requests
url2 = 'http://httpbin.org/get'
url3 = 'http://httpbin.org/post'
r = requests.get(url2)
print(r.text)
print(type(r.text)) <class 'str'> .text是字符串类型。
r1 = requests.post(url2)
print(r1.text)
import requests
url2 = 'http://www.ibeifeng.com'
#
r = requests.get(url2)
print(r) # <Response [200]> 得到响应对象, 200表示成功
print(type(r)) # <class 'requests.models.Response'> 查看返回类型
print(r.status_code) # 查看响应码 200
#1. 正在请求
#2. 请求成功
#3. 重定向
#4. 客户端有问题
#5. 服务器的问题
print(r.encoding) # gbk 查看编码方式
print(r.cookies)
print(r.text) #编码是gbk没有乱码,以字符串形式显示,如果是json文件,需要loads后才可以使用字典。
.text 乱码时的处理方法。
url3 = 'https://www.woyaogexing.com/'
r2 = requests.get(url3)
print(r2.text) #乱码。
print(r2.content.decode('utf-8')) # 以字节形式展示并用utf-8解码得到正常结果。
3、基本请求get传递参数:
get传递参数用 params ,post 传递参数用 data
import requests
url = 'http://httpbin.org/get'
pay = {'name':'yangmi','age':'30'} # 用字典的格式。相当于将两个键值对传到args对应的value中。
r = requests.get(url,params=pay) # 传递参数
print(r.text)
print(r.url) #结果: http://httpbin.org/get?name=yangmi&age=30
4、基本请求get伪装浏览器:
import requests
url = 'https://www.zhihu.com'
r = requests.get(url)
print(r.text) # 被阻拦
dict1 = {
'name':'zhangsan',
'age':'20'
}
headers = {
'User-Agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/69.0.3497.100 Safari/537.36'
} # get 访问添加头文件仿照 浏览器。
r1 = requests.get(url,params=dict1,headers=headers) # params 添加参数,headers 设置头文件。
print(r1.text) # 访问成功
print(r1.url) # 结果:https://www.zhihu.com/signup?next=%2F%3Fname%3Dzhangsan%26age%3D20
5、get请求解析json数据(附加模块json的用法):
import json
data = {
'name' : 'ACME',
'shares' : 100,
'price' : 542.23
}
json_str = json.dumps(data) 将python字典对象转化为json字符串。
data = json.loads(json_str) 将json字符串转化为python字典对象
方法一:
import requests
url = 'https://github.com/time.json'
r = requests.get(url)
print(r.text)
print(r.text['message']) # 报错
print(r.json()) # requests 内部有一个json解码器,可以将 json 字符串格式转化为 python的对象。
print(r.json()['message']) # 可以获取字典的values
方法二:
利用插入json模块的方法:
import requests
import json # 插入json模块
url = 'https://github.com/time.json'
r = requests.get(url)
dict1 = json.loads(r) # 错误,因为 r 是响应对象,而不是json字符串。
dict2 = json.loads(r.text) # 将json字符串转化为python字典对象。
print(dict2['message'])
6、利用get下载 音频、图片:
爬取图片
import requests
url = 'http://wx4.sinaimg.cn/large/67b2eab9ly1flwuchb5vlj20dw0dwdi1.jpg'
headers = {
'User-Agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/69.0.3497.100 Safari/537.36'
}
text = requests.get(url,headers=headers,stream=True)
with open('1.jpg','wb') as file:
for i in text.iter_content(1024):
file.write(i)
爬取音频
import requests
url = 'https://m10.music.126.net/20181112201426/6a0a71e1afe74bf40d48a2598c4cead9/ymusic/3020/0523/bdb1/9b15432eb04a5b4ba66c64409da4b27d.mp3'
headers = {
'User-Agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/69.0.3497.100 Safari/537.36'
}
text = requests.get(url,headers=headers,stream=True)
with open('1.mp3','wb') as file:
for i in text.iter_content(1024):
file.write(i)
7、获取网页的cookie:
获取 cookie
import requests
url= 'http://www.ibeifeng.com'
a = requests.get(url)
print(a.cookies)
向网站发送cookie
import requests
url= 'http://httpbin.org/get'
a = requests.get(url)
print(a.text)
第一种
a1 = requests.get(url,cookies={'name':'yangmi'})
print(a1.text)
第二种 cookies可以放在hearders中。
a1 = requests.get(url,cookies={'name':'yangmi'})
headers = {
'User-Agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/69.0.3497.100 Safari/537.36',
'cookies':"{'name':'yangmi'}" # 注意,headers是 str 类型,因此 {'name':'yangmi'} 要加 “”。
}
print(a1.text)
三、post请求:
1、post请求添加参数(data =):
post访问添加参数为data,get是params
2、post请求发送cookie(cookies =):
3、post请求,发送文件(files =)到服务器中:
with open('post_111.txt','wb') as file:
pass
import requests
url= 'http://httpbin.org/post'
files = {'file': open('post_111.txt','rb')}
a = requests.post(url,files=files)
print(a.text)
4、post请求,发送json数据:
5、请求超时与异常处理:
(1)超时设定timeout:
你可以告诉 requests 在经过以 timeout 参数设定的秒数时间之后停止等待响应。基本上所有的生产代码都应该使用 这一参数。如果不使用,你的程序可能会永远失去响应:
r = requests.get('http://github.com', timeout=0.1) # 超时设置
print(r.text)
(2)异常处理:
异常处理:
list1=[1,5]
list1[3] = 10
try:
print(list2)
print(list1)
except IndexError as e: # 索引错误 跳过
print(e)
except NameError as e: # 变量未定义错误 跳过
print(e)
except BaseException as e: # try代码块错误跳过。
print(e)
print('a')
print('a')
print('a')