文章目录
Requests库介绍Requests库安装Requests库的简单用法实战爬虫协议Requests库介绍
Requests库官方的介绍有这么一句话:Requests,唯一的一个非转基因的 Python HTTP 库,人类可以安全享用。
这句话直接并霸气地宣示了Requests库是python最好的一个HTTP库。
想要深入学习Requests库,可以参考官方文档:http://cn.python-/zh_CN/latest/
Requests库安装
这里介绍两种常用的python安装第三方库的方法,建议首先使用第一种方法,如果使用第一种方法安装库的时候出现错误,或者使用第一种方法下载速度过慢,再使用第二种方法。
第一种方法:pip安装
打开cmd命令行,输入pip install requests
出现Successfully installed,即表示成功安装。
然后进入python,输入:
import requests
没有报错的话即表示可以使用requests库了。
第二种方法:下载包再安装
前往http://www.lfd.uci.edu/~gohlke/pythonlibs/,手动下载需要安装的第三方包(注意对应你的python版本是32位还是64位)。然后在下载下来的文件所在目录按住shift并点击鼠标右键,选择在此处打开Powershell窗口,在此命令行中使用“pip install + 下载下来文件全名”,即可完成安装。
注意:无论使用哪种方式,安装完成后,同样需要进入python并import一下,如果没有返回错误,才能确定可以正常使用。
Requests库的简单用法
Requests库的七个主要方法
这里只需要掌握最常用的requests.get()方法即可。
Requests.get的用法
import requests #导入Requests库r = requests.get(url) #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
通过这个方法,可以获得Response对象,进行接下来的操作。
Response对象的属性
r.status_code:http请求的返回状态,200表示连接成功(阅读HTTP状态码,了解各状态码含义)
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)
以知乎为例,展示上述代码的使用
>>> import requests>>> r = requests.get('/')>>> r.status_code500>>> r.text #省略>>> r.content #省略>>> r.encoding'ISO-8859-1'>>> r.apparent_encoding'ascii'
实战
分析豆瓣短评网页
首先通过浏览器工具来分析网页的加载方式,注意同步加载和异步加载的区别**: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。**
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。
使用Requests下载数据
导入Requests库输入url使用get方法打印返回文本抛出异常
import requests #导入Requests库url = ' ' #输入urlr = requests.get(url,timeout=20) #使用get方法print(r.text) #打印返回文本print(r.raise_for_status()) #抛出异常
爬取网页通用框架
定义函数设置超时异常处理调用函数
#定义函数def getHTMLText(url):try:r = requests.get(url,timeout=20) #设置超时r.raise_for_status()r.encoding = r.apparent_encodingreturn r.textexcept: #异常处理return "产生异常"if __name__ == '__main__':url = "/review/best/?start=60"print(getHTMLText(url)) #调用函数
爬虫协议
什么是爬虫协议
爬虫协议,也被叫做robots协议,是为了告诉网络蜘蛛哪些页面可以抓取,哪些页面不能抓取
如何查看爬虫协议
在访问网站域名后加上robots.txt即可,例如查看百度网站的爬虫协议:/robots.txt
爬虫协议属性:
拦截所有的机器人:
User-agent: * Disallow: /
允许所有的机器人:
User-agent: * Disallow:
爬虫建议
爬取互联网公开数据尽量放慢你的速度尽量遵循robots协议不要用于商业用途不要公布爬虫程序与数据
为何要遵循爬虫协议
即使不是爬虫工程师,关注互联网的人也很少不知道Robots协议的。百度和360从起展开的一场屏蔽与反屏蔽战把原本程序员才知道的Robots协议变成媒体热词。北京一中院8月7日对3B搜索不正当竞争纠纷案(3B案)作出的一审判决让Robots协议在新闻里又火了一把。Robots协议的法律地位或法律效力问题是3B案一系列法律问题中最大的争点。作为一个爬虫学习者必须从中吸取教训,不要让自己的爬虫违反了法律。