Python网络爬虫 学习笔记（1）requests库爬虫

Requests库网络爬虫

Requests库概述：Requests库是最简单和最基础的Python网络爬虫库，该库提供了七种主要方法。这七种方法中，request方法是最基础的，其他方法都是通过调用request方法来实现的。

requests.get()的基本使用框架

基本语法：r=requests.get(url)

语法解释：构造一个向服务器请求资源的Request对象，返回值是一个包含服务器资源的Response对象。

完整形式语法：requests.get(url,params=None,**kwargs)

• params：在url中增加的额外参数，是可选的参数。
• **kwargs：12个控制访问的参数。

Response对象的属性：

• status_code：状态码。是200表示访问成功，不是200表示访问失败。
• header：网页的头部
• List item

信息。

• text：HTTP响应的字符串形式，也就是url对应的页面内容。
• encoding：从HTTP的头部所猜测的网页编码方式。如果header中不存在charset字段，则默认编码方式为ISO-8859-1。
• apparent_encoding：从HTTP响应的内容中分析出的编码方式。往往需要用apparent_encoding来替代encoding。
• content：HTTP响应内容的二进制形式。

使用get方法的基本流程：检查网页状态码，如果是200则继续，否则产生异常；

get方法使用的完整例子（爬取百度主页）：

# 首先需要导入requests库
import requests
# 使用get方法爬取百度主页的内容
r=requests.get("https://www.baidu.com")
# 判断网页访问是否成功
if r.status_code==200: # 网页访问成功# 如果header中不存在charset字段，则encoding采用默认编码方式，很可能解析错误if r.encoding=="ISO-8859-1":# 将网页内容编码方式修改成从内容分析出的编码方式r.encoding=r.apparent_encoding# 输出网页信息print(r.text)
# 网页访问失败
else:print("网页访问失败！")

运行效果：

requests.get()的带异常处理使用框架（重点）

上面的内容中我们通过if语句来判断状态码从而进行后续的步骤，但是状态码的判断本身应该属于异常处理的范畴，通过if语句判断会破坏程序的主体框架，因此有必要使用异常处理的方法来判定状态码。

Requests库的六种常用异常：

• ConnectionError：网络连接错误异常，如DNS查询失败和拒接连接等。
• HTTPError：HTTP错误异常。
• URLRequired：URL缺失异常。
• TooManyRedirects：由于超过最大重定向次数导致的重定向异常。
• ConnectTimeOut：连接远程服务器超时异常。
• TimeOut：请求URL超时产生的超时异常。

raise_for_status方法：如果Response对象的状态码不是200，则产生HTTPError异常。

经过改进的get方法使用例子：

# 首先需要导入requests库
import requests
# 使用get方法爬取百度主页的内容
r=requests.get("https://www.baidu.com")
# 对可能抛出异常的部分放入try块中
try:# 检测Response对象的状态码，判断是否抛出异常r.raise_for_status()# 如果header中不存在charset字段，则encoding采用默认编码方式，很可能解析错误if r.encoding=="ISO-8859-1":# 将网页内容编码方式修改成从内容分析出的编码方式r.encoding=r.apparent_encoding# 输出网页信息print(r.text)
# 检测到异常后执行的语句
except:print("网页访问失败！")

requests库的其他方法和HTTP协议（非重点）

HTTP概述：

• 定义：超文本传输协议，是一个基于请求和响应模式的、无状态的应用层协议。
• URL：HTTP协议采用URL作为定位网络资源的标识，也就是一个URL就对应一个数据资源。

URL格式：https://host[:port][path]

• host：合法的Internet主机域名或IP地址；
• port：端口号，默认端口号为80。
• path：请求资源的路径。

Reuquests库的其他方法：

• request()：构造一个请求，是支撑以下各个方法的基础方法。
• get()：获取HTML网页的主要方法。
• head()：获取HTML网页头部信息的方法。在一些网页资源很大时可以采用此方法以节约带宽。
• post()：向HTML网页提交POST请求的方法。可以在URL位置的资源后增加新的数据。
• put()：向HTML网页提交PUT请求的方法。向URL位置存储一个资源，覆盖原先URL位置的资源。
• patch()：向HTML网页提交局部修改请求的方法。修改该处资源的部分内容。
• delete()：向HTML网页提交删除请求的方法。请求删除URL位置存储的资源。

requests.get()的可选参数

params：

• 内容：字典或字节序列，作为参数增加到URL中。
• 作用：将一些键值对增加到URL中，使得访问URL时能够对资源进行筛选。

data：字典、字节序列或文件对象，主要用于向服务器提交内容。

json：

• 内容：json格式的数据（也是HTTP协议最常使用的数据格式）
• 作用：可以作为内容部分向服务器提交。

head：

• 定制访问某个URL的HTTP协议的协议头。
• 可以模拟任何浏览器的任何版本对网站进行访问。

timeout：

• 内容：设置超时时间，以秒为单位。
• 作用：如果超过指定时间内还没有访问成功，将产生TimeOut异常。

proxies：

• 内容：字典类型，设置访问的代理服务器；
• 作用：使用该字段可以有效隐藏用户爬取网页的源IP地址信息。

网络爬虫引发的问题（非重点）

网络爬虫的分类：

• 小规模爬虫：以爬取网页为目的，数据量小，对爬取速度不敏感。类型代表：Requests库。
• 中规模爬虫：用于爬取系列网站，数据量较大，对爬取速度敏感。典型代表：Scrapy库。
• 大规模爬虫：爬取速度非常关键，对于所有网络信息进行爬取，只能定制开发而不能借助第三方库。典型代表：搜索引擎。

网络爬虫带来的问题：

• 资源开销：受限于编写水平和目的，网络爬虫会给Web服务器带来巨大的资源开销。
• 法律风险：服务器上的数据可能有产权归属，因此使用网络爬虫获取数据可能带来法律风险。
• 隐私泄露：网络爬虫可以突破简单的访问控制，从而获得个人被保护的数据。

网络爬虫的限制：

• 来源审查：检查来访HTTP协议头的User-Agent域，只响应浏览器或友好爬虫的访问。
• 发布Robots协议：告知所有爬虫网站的爬取策略，要求爬虫遵守。

Robots协议：

• 全称：网络爬虫排除标准；
• 作用：告知网络爬虫哪些界面可以抓取，哪些不行；
• 形式：在网站根目录下的robots.txt文件。
• 举例（百度的Robots协议）：www.baidu.com/robots.txt
  

备注：Robots协议是建议而非约束性的，也就是说网络爬虫可以不遵守Robots协议，但是这样可能带来法律风险。如果一个网络爬虫的访问次数和人类访问类似，那么从原则上可以不遵守Robots协议。

常见问题：网页禁止Python爬虫访问

解决方法：设置get函数的header参数，将爬虫伪装成浏览器来访问网页。

方法举例：

1. 直接使用Requests爬虫访问亚马逊商城的官网主页，访问失败。
   

2. 在get方法中设置headers参数的内容，模拟使用版本号为5的Mozilla浏览器进行访问（其他内容都不用修改）。

r=requests.get("https://www.amazon.cn/",headers={"user-agent":"Mozilla/5.0"})

3. 网页爬取成功（只截取了部分爬取内容）。