Python 从零开始爬虫(零)——爬虫思路&requests模块使用

2023年2月26日 223次阅读 来源: python

前言

  • python 3.6 ！！
  • 本爬虫系列是面对有Python语法基础的读者写的，如果你没学过python，emmmm…..也没关系，你或许能从每篇文章中学到一些爬虫的思路；如果你的python基础语法已经应用自如，那是极好的。
  • 本系列的教程和实例均总结于笔者的自学经历，如有不足欢迎指正和讨论，问题我会尽量回复，也希望大家能有所收获。
  • 爬虫真好玩.jpg

废话不多说，赶紧开始这条不归路吧

爬虫思路

无思路不成器，如果你怎么想都想不出爬虫的原理，不妨来看下我们平时是如何上网的，大概就是这样：
   ①点开目标网址→→[可选：登录/回复]→→②浏览全页筛选出价值内容→→③如果很喜欢，还会拷贝下载回来

所以爬虫归结起来也就这几步：

  1. 构造目标网址（重点）
  2. 发起请求（request），相当于点开网页。
  3. 获取网页内容（坑）。
  4. 定制筛选器，对内容进行筛选（重点）。
  5. 把爬取结果保存到容器里。

本节学习的requests模块将会实现二，三步，其他步骤和注意事项将会在后续文章中展示出来。

F12审查元素

这是浏览器自带的工具，提供抓包和检查网页源码的功能，供使用者分析网页。也是学爬虫必须要学会的工具，一个优秀的虫爸/虫妈应该花更多的时间在网页分析和debug上。

使用非常简单，打开任一浏览器（笔者的是google chrome），按F12或鼠标右键检查。

  • 选择Element是查看网页源码，是树结构的html文档，里面有要爬取的内容。
  • 选择Network是查看本地和服务器端交互的包，可以从中获取目标网址和headers。

requests模块

为什么选择requests，因为它能完全胜任python自带的urllib模块，简化了不必要的功能的同时让使用更加简单。

安装

非常简单，打开cmd，直接pip安装

pip install requests

或pycharm中搜索requests安装

简单使用

首先呈上官方文档，有中文版，欢迎来啃。
下面主要介绍两种方法：get和post

  • get，就是本地向服务器索取的意思，服务器检查请求头（request headers）后，如果觉得没问题，就会返回信息给本地。
r = requests.get(url,**args)#返回一个Response对象，我们可以从这个对象中获取所有我们想要的信息
  • post，就是本地要向服务器提交一些数据的意思，服务器还是会检查请求头，如果提交的数据和请求头都没问题，就会返回信息给本地。
r = requests.post(url,**args)#也是返回Response对象

参数详解

get和post方法中有许多参数可以使用，部分参数后面会详解。

  • url：就是目标网址，接收完整（带http）的地址字符串。
  • headers：请求头，存储本地信息如浏览器版本，是一个字典。
  • data：要提交的数据，字典。
  • cookies：cookies，字典。
  • timeout：超时设置，如果服务器在指定秒数内没有应答，抛出异常，用于避免无响应连接，整形或浮点数。
  • params：为网址添加条件数据，字典。
payload = {'key1': 'value1', 'key2': 'value2'}
r = requests.get("http://httpbin.org/get", params=payload)
#相当于目标网址变成了http://httpbin.org/get?key2=value2&key1=value1
  • proxies：ip代理时使用，字典。

Response对象使用

从这个对象中获取所有我们想要的信息非常简单，毕竟爬虫要的数据主要就三种，html源码，图片二进制数据，json数据，Response对象一次性满足你三个愿望。

r.encoding = 'ISO-8859-1'    #指定r.text返回的数据类型，写在r.text之前。
r.text    #默认以unicode形式返回网页内容，也就是网页源码的字符串。

r.content    #以二进制形式返回网页内容，下载图片时专用。
r.json()    #把网页中的json数据转成字典并将其返回。

#还有一些很少用到的方法。
r.headers    #返回服务器端的headers，字典。
r.status_code    #返回连接状态，200正常。

小实例

requests 学完后就可以到处试试了，如果红了（抛出异常），那大概是服务器拒绝你了，毕竟伪装什么的还没提到，服务器知道你是虫子就把你踢掉了。

import requests
r = requets.get('http://cn.python-requests.org/zh_CN/latest/')
with open('test.txt','w',encoding = 'utf-8') as file:#编码要对应
    file.write(r.text)
    #然后打开看看吧，是不是和F12看到的源码一样，只不过是把分支全展开了而已。

小提示：并不是所有网站的F12源码和爬取源码是一致的，网站有动态的，也有静态的；有防爬虫的，也有敞开大门任意爬的。关于对策之后会讲到。

第一次写文章，挺累的，我需要做(wan)几(ji)道(pan)数(you)学(xi)题放松一下自己才行。

    原文作者：python
    原文地址: https://segmentfault.com/a/1190000014383966
    本文转自网络文章，转载此文章仅为分享知识，如有侵权，请联系博主进行删除。
点赞