Python爬虫----Requests库

Python爬虫----Requests库

---

目录：

一、Requests库的7个主要的方法 二、Response对象的属性 三、爬取网页通用代码（异常） 四、Resquests库的常见异常 五、Robots协议展示 六、案例展示

---

Requests库

一、Requests库的7个主要的方法：

1.request（）构造请求，支撑以下的基础方法2.get（）获取HTML页面的主要方法，对应于http的get3.head（）获取HTML页面的头部信息的主要方法，对应于http的head-以很少的流量获取索要信息的概要内容4.post（）向HTML提交post请求的方法，对应于http的post-向URLpost一个字典将自动编码为form（表单）-向URLpost一个字符串自动编码为data5.put（）向HTML提交put请求的方法，对应于http的put6.patch（）向HTML提交局部修改的请求，对应于http的patch7.delete（）向HTML提交删除请求，对应于http的delete

以下代码是描述的request方法中的13个控制访问参数：

import requests # **kwargs:控制访问的参数，均为可选项，不仅仅是针对request，其他六中方法依旧适用 # params：字典或字节序列，作为参数增加到URL中，可以通过该参数筛选数据 kv = {"key1":"value1","key2":"value2"} r = requests.request('GET','http://python123.io/ws',params=kv) print(r.url) # https://python123.io//ws?key1=value1&key2=value2 # data：字典、字节序列或文件对象，作为Request的内容;提交时，作为数据内容添加到当前的连接下 kv = {"key1":"value1","key2":"value2"} r = requests.request('POST','http://python123.io/ws',params=kv) body = '主体内容' r = requests.request('POST','http://python123.io/ws',params=body) # json：JSON格式的数据，作为Request的内容 kv = {"key1":"value1"} r = requests.request('POST','http://python123.io/ws',json=kv) # headers：字典，HTTP定制头,模拟需要的浏览器来进行访问 hd = {"user-agent":"Chrome/10"} r = requests.request('POST','http://python123.io/ws',headers=hd) # cookies：字典或CookieJar，Request中的cookie # auth：元组，支持HTTP认证功能 # files：字典类型，传输文件;将某个文件提交到连接上 fs = {"file":open('data.xls','rb')} r = requests.request('POST','http://python123.io/ws',file=fs) # timeout：设定超时时间，秒为单位;在规定的时间内没有接收到响应将会显示timeout异常 r = requests.request('POST','http://www.baidu.com',timeout=10) # proxies：字典类型，设定访问代理服务器，可以增加登录认证 pxs = {'http':'http://user:pass@10.10.10.1:1234', #当我们进入HTTP协议的网站时增加登录认证 'https':'https://10.10.10.1.4321' } #当我们进入HTTPS协议的网站时，直接使用代理服务器的IP地址；可以有效掩盖爬虫的原IP地址 r = requests.request('GET','http://python123.io/ws',proxies=pxs) # allow_redirects：True/False，默认为True，重定向开关 # stream：True/False，默认为True，获取内容立刻下载的开关 # verify：True/False，默认为True，认证SSL证书开关 # cert：本地SSL证书路径

返回顶部

---

二、Response对象的属性：

status_codeHTTP请求的返回状态码，200表示成功，400表示失败textHTTP响应内容的字符串形式，即URL对应的页面内容encoding从HTTPheader中猜测的响应内容编码方式-如果header中不存在charset，则认为编码是ISO-8859-1apparent_encoding从内容中分析出的响应内容编码方式（备选编码方式）-从内容中分析出可能的编码形式contentHTTP响应内容的二进制形式

---

import requests #构造一个向服务器请求资源的Response对象 r = requests.get(url="http://www.baidu.com") print(r.status_code) #打印请求状态码 #200 print(type(r)) #打印请求对象类型 #<class 'requests.models.Response'> print(r.headers) #打印请求对象的头部信息 #{'Cache-Control': 'private, no-cache, no-store, proxy-revalidate, no-transform', 'Connection': 'keep-alive', 'Content-Encoding': 'gzip', 'Content-Type': 'text/html', 'Date': 'Sat, 27 Jun 2020 09:03:41 GMT', 'Last-Modified': 'Mon, 23 Jan 2017 13:27:32 GMT', 'Pragma': 'no-cache', 'Server': 'bfe/1.0.8.18', 'Set-Cookie': 'BDORZ=27315; max-age=86400; domain=.baidu.com; path=/', 'Transfer-Encoding': 'chunked'} print(r.text) print(r.encoding) #ISO-8859-1 print(r.apparent_encoding) #备用编码utf-8 r.encoding = "utf-8" print(r.text)

直接解析会出现乱码，将字符设为apparent_encoding时会结局问题。 返回顶部

---

三、爬取网页通用代码

try: r = requests.get(url,timeout=30) r.raise_for_status() r.encoding = r.apparent_encoding return r.text except: return "产生异常！"

作用：r.raise_for_status()函数判断当前请求返回状态码，当返回状态码不为200时，产生异常并能够被except捕获

import requests # （定义方法）封装函数 def getHTMLText(url): try: r = requests.get(url,timeout=30) r.raise_for_status() r.encoding = r.apparent_encoding return r.text except: return "代码错误，产生异常！" if __name__ =="__main__": url = "http://www.baidu.com" print(getHTMLText(url)) #正常显示爬取的页面信息 if __name__ =="__main__": url = "www.baidu.com" #缺失了 print(getHTMLText(url)) #代码错误，产生异常！

返回顶部

---

四、Resquests库的常见异常

requests.ConnectionError网络连接错误异常，如DNS查询失败、拒绝连接等requests.HTTPErrorHTTP错误异常requests.URLRequiredURL缺失异常requests.TooManyRedirects超过最大重定向次数，产生重定向异常requests.ConnectTimeout连接远程服务器超时异常requests.Timeout请求URL超时，产生超时异常

返回顶部

---

五、Robots协议展示

import requests # （定义方法）封装函数 def getHTMLText(url): try: r = requests.get(url,timeout=30) r.raise_for_status() r.encoding = r.apparent_encoding return r.text except: return "代码错误，产生异常！" if __name__ =="__main__": url = "http://www.baidu.com/robots.txt" print(getHTMLText(url)) #正常显示爬取的页面信息,显示出robots协议对于不同类型爬虫的限制

六、案例展示

1.爬取京东商品信息 在爬取后，我们发现在控制台中返回了带有login？的一个href，并没有具体的信息内容。但是在爬取主页时，可以直接获取主页具体信息。个人认为是由于无法识别是否已经登陆而导致的，后续学习中会跟进知识点及解决方法。（若有大佬会的，感谢评论！） 2.爬取网上图片并保存

import requests import os url = "http://image.ngchina.com.cn/2019/0523/20190523103156143.jpg" root = "F:/图片/" #根目录 path = root + url.split('/')[-1] #以最后一个/后的文字命名 try: if not os.path.exists(root): #如果不存在根目录文件，则创建根目录文件夹 os.mkdir(root) #该方法只能创建一级目录，如要创建多层，可以遍历循环创建 if not os.path.exists(path): r = requests.get(url) with open(path,'wb') as f: f.write(r.content) #r.content返回的是2进制编码，将其写入 f.close() print("文件已成功保存！") else: print("文件已存在~") except: print("爬取失败！！！")