python爬虫入门request 经常使用库介绍

什么是爬虫？

网络爬虫（又被称为网页蜘蛛，网络机器人，在FOAF社区中间，更常常的称为网页追逐者），是一种按照必定的规则，自动地抓取万维网信息的程序或者脚本。另一些不常使用的名字还有蚂蚁、自动索引、模拟程序或者蠕虫。

其实通俗的讲就是经过程序去获取web页面上本身想要的数据，也就是自动抓取数据。

你能够爬去妹子的图片，爬取本身想看看的视频。。等等你想要爬取的数据，只要你能经过浏览器访问的数据均可以经过爬虫获取

爬虫的本质

模拟浏览器打开网页，获取网页中咱们想要的那部分数据

浏览器打开网页的过程：
当你在浏览器中输入地址后，通过DNS服务器找到服务器主机，向服务器发送一个请求，服务器通过解析后发送给用户浏览器结果，包括html,js,css等文件内容，浏览器解析出来最后呈现给用户在浏览器上看到的结果

因此用户看到的浏览器的结果就是由HTML代码构成的，咱们爬虫就是为了获取这些内容，经过分析和过滤html代码，从中获取咱们想要资源（文本，图片，视频.....）

爬虫的基本流程

发起请求
经过HTTP库向目标站点发起请求，也就是发送一个Request，请求能够包含额外的header等信息，等待服务器响应

获取响应内容
若是服务器能正常响应，会获得一个Response，Response的内容即是所要获取的页面内容，类型多是HTML,Json字符串，二进制数据（图片或者视频）等类型

解析内容
获得的内容多是HTML,能够用正则表达式，页面解析库进行解析，多是Json,能够直接转换为Json对象解析，多是二进制数据，能够作保存或者进一步的处理

保存数据
保存形式多样，能够存为文本，也能够保存到数据库，或者保存特定格式的文件

Request,Response

浏览器发送消息给网址所在的服务器，这个过程就叫作HTPP Request

服务器收到浏览器发送的消息后，可以根据浏览器发送消息的内容，作相应的处理，而后把消息回传给浏览器，这个过程就是HTTP Response

浏览器收到服务器的Response信息后，会对信息进行相应的处理，而后展现

Request中包含什么？

请求方式

主要有：GET/POST两种类型经常使用，另外还有HEAD/PUT/DELETE/OPTIONS
GET和POST的区别就是：请求的数据GET是在url中，POST则是存放在头部

GET:向指定的资源发出“显示”请求。使用GET方法应该只用在读取数据，而不该当被用于产生“反作用”的操做中，例如在Web Application中。其中一个缘由是GET可能会被网络蜘蛛等随意访问

POST:向指定资源提交数据，请求服务器进行处理（例如提交表单或者上传文件）。数据被包含在请求本文中。这个请求可能会建立新的资源或修改现有资源，或两者皆有。

HEAD：与GET方法同样，都是向服务器发出指定资源的请求。只不过服务器将不传回资源的本文部分。它的好处在于，使用这个方法能够在没必要传输所有内容的状况下，就能够获取其中“关于该资源的信息”（元信息或称元数据）。

PUT：向指定资源位置上传其最新内容。

OPTIONS：这个方法可以使服务器传回该资源所支持的全部HTTP请求方法。用'*'来代替资源名称，向Web服务器发送OPTIONS请求，能够测试服务器功能是否正常运做。

DELETE：请求服务器删除Request-URI所标识的资源。

请求URL

URL，即统一资源定位符，也就是咱们说的网址，统一资源定位符是对能够从互联网上获得的资源的位置和访问方法的一种简洁的表示，是互联网上标准资源的地址。互联网上的每一个文件都有一个惟一的URL，它包含的信息指出文件的位置以及浏览器应该怎么处理它。

URL的格式由三个部分组成：
第一部分是协议(或称为服务方式)。
第二部分是存有该资源的主机IP地址(有时也包括端口号)。
第三部分是主机资源的具体地址，如目录和文件名等。

爬虫爬取数据时必需要有一个目标的URL才能够获取数据，所以，它是爬虫获取数据的基本依据。

请求头

包含请求时的头部信息，如User-Agent,Host,Cookies等信息，下图是请求请求百度时，全部的请求头部信息参数

请求体
请求是携带的数据，如提交表单数据时候的表单数据（POST）

Response中包含了什么

全部HTTP响应的第一行都是状态行，依次是当前HTTP版本号，3位数字组成的状态代码，以及描述状态的短语，彼此由空格分隔。

响应状态

有多种响应状态，如：200表明成功，301跳转，404找不到页面，502服务器错误

• 1xx消息——请求已被服务器接收，继续处理
• 2xx成功——请求已成功被服务器接收、理解、并接受
• 3xx重定向——须要后续操做才能完成这一请求
• 4xx请求错误——请求含有词法错误或者没法被执行
• 5xx服务器错误——服务器在处理某个正确请求时发生错误 常见代码： 200 OK 请求成功 400 Bad Request 客户端请求有语法错误，不能被服务器所理解 401 Unauthorized 请求未经受权，这个状态代码必须和WWW-Authenticate报头域一块儿使用 403 Forbidden 服务器收到请求，可是拒绝提供服务 404 Not Found 请求资源不存在，eg：输入了错误的URL 500 Internal Server Error 服务器发生不可预期的错误 503 Server Unavailable 服务器当前不能处理客户端的请求，一段时间后可能恢复正常 301 目标永久性转移 302 目标暂时性转移

响应头

如内容类型，类型的长度，服务器信息，设置Cookie,以下图

响应体

最主要的部分，包含请求资源的内容，如网页HTMl,图片，二进制数据等

能爬取什么样的数据

网页文本：如HTML文档，Json格式化文本等
图片：获取到的是二进制文件，保存为图片格式
视频:一样是二进制文件
其余：只要请求到的，均可以获取

如何解析数据

1. 直接处理
2. Json解析
3. 正则表达式处理
4. BeautifulSoup解析处理
5. PyQuery解析处理
6. XPath解析处理

关于抓取的页面数据和浏览器里看到的不同的问题

出现这种状况是由于，不少网站中的数据都是经过js，ajax动态加载的，因此直接经过get请求获取的页面和浏览器显示的不一样。

如何解决js渲染的问题？

分析ajax
Selenium/webdriver
Splash
PyV8,Ghost.py

怎样保存数据

文本：纯文本，Json,Xml等

关系型数据库：如mysql,oracle,sql server等结构化数据库

非关系型数据库：MongoDB,Redis等key-value形式存储

 

什么是Requests

Requests是用python语言基于urllib编写的，采用的是Apache2 Licensed开源协议的HTTP库
若是你看过上篇文章关于urllib库的使用，你会发现，其实urllib仍是很是不方便的，而Requests它会比urllib更加方便，能够节约咱们大量的工做。（用了requests以后，你基本都不肯意用urllib了）一句话，requests是python实现的最简单易用的HTTP库，建议爬虫使用requests库。

默认安装好python以后，是没有安装requests模块的，须要单独经过pip安装

requests功能详解

整体功能的一个演示

import requests

response  = requests.get("https://www.baidu.com")
print(type(response))
print(response.status_code)
print(type(response.text))
print(response.text)
print(response.cookies)
print(response.content)
print(response.content.decode("utf-8"))

View Code

咱们能够看出response使用起来确实很是方便，这里有个问题须要注意一下：
不少状况下的网站若是直接response.text会出现乱码的问题，因此这个使用response.content
这样返回的数据格式实际上是二进制格式，而后经过decode()转换为utf-8，这样就解决了经过response.text直接返回显示乱码的问题.

请求发出后，Requests 会基于 HTTP 头部对响应的编码做出有根据的推测。当你访问 response.text 之时，Requests 会使用其推测的文本编码。你能够找出 Requests 使用了什么编码，而且可以使用 response.encoding 属性来改变它.如：

response =requests.get("http://www.baidu.com")
response.encoding="utf-8"
print(response.text)

不论是经过response.content.decode("utf-8)的方式仍是经过response.encoding="utf-8"的方式均可以免乱码的问题发生

各类请求方式

requests里提供个各类请求方式

import requests
requests.post("http://httpbin.org/post")
requests.put("http://httpbin.org/put")
requests.delete("http://httpbin.org/delete")
requests.head("http://httpbin.org/get")
requests.options("http://httpbin.org/get")

请求

基本GET请求

import requests

response = requests.get('http://httpbin.org/get')
print(response.text)

带参数的GET请求，例子1

import requests

response = requests.get("http://httpbin.org/get?name=zhaofan&age=23")
print(response.text)

若是咱们想要在URL查询字符串传递数据，一般咱们会经过httpbin.org/get?key=val方式传递。Requests模块容许使用params关键字传递参数，以一个字典来传递这些参数，例子以下：

import requests
data = {
    "name":"zhaofan",
    "age":22
}
response = requests.get("http://httpbin.org/get",params=data)
print(response.url)
print(response.text)

上述两种的结果是相同的，经过params参数传递一个字典内容，从而直接构造url
注意：第二种方式经过字典的方式的时候，若是字典中的参数为None则不会添加到url上

解析json

import requests
import json

response = requests.get("http://httpbin.org/get")
print(type(response.text))
print(response.json())
print(json.loads(response.text))
print(type(response.json()))

从结果能够看出requests里面集成的json其实就是执行了json.loads()方法，二者的结果是同样的

获取二进制数据

在上面提到了response.content，这样获取的数据是二进制数据，一样的这个方法也能够用于下载图片以及
视频资源

添加headers
和前面咱们将urllib模块的时候同样，咱们一样能够定制headers的信息，如当咱们直接经过requests请求知乎网站的时候，默认是没法访问的

import requests
response =requests.get("https://www.zhihu.com")
print(response.text)

这样会获得以下的错误

由于访问知乎须要头部信息，这个时候咱们在谷歌浏览器里输入chrome://version,就能够看到用户代理，将用户代理添加到头部信息

 

 

import requests
headers = {

    "User-Agent":"Mozilla/5.0 (Macintosh; Intel Mac OS X 10_12_4) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/58.0.3029.110 Safari/537.36"
}
response =requests.get("https://www.zhihu.com",headers=headers)

print(response.text)

这样就能够正常的访问知乎了

基本POST请求

经过在发送post请求时添加一个data参数，这个data参数能够经过字典构形成，这样
对于发送post请求就很是方便

import requests

data = {
    "name":"zhaofan",
    "age":23
}
response = requests.post("http://httpbin.org/post",data=data)
print(response.text)

一样的在发送post请求的时候也能够和发送get请求同样经过headers参数传递一个字典类型的数据

响应

咱们能够经过response得到不少属性，例子以下

import requests

response = requests.get("http://www.baidu.com")
print(type(response.status_code),response.status_code)
print(type(response.headers),response.headers)
print(type(response.cookies),response.cookies)
print(type(response.url),response.url)
print(type(response.history),response.history)

结果以下：

状态码判断
Requests还附带了一个内置的状态码查询对象
主要有以下内容：

100: ('continue',),
101: ('switching_protocols',),
102: ('processing',),
103: ('checkpoint',),
122: ('uri_too_long', 'request_uri_too_long'),
200: ('ok', 'okay', 'all_ok', 'all_okay', 'all_good', '\o/', '✓'),
201: ('created',),
202: ('accepted',),
203: ('non_authoritative_info', 'non_authoritative_information'),
204: ('no_content',),
205: ('reset_content', 'reset'),
206: ('partial_content', 'partial'),
207: ('multi_status', 'multiple_status', 'multi_stati', 'multiple_stati'),
208: ('already_reported',),
226: ('im_used',),

Redirection.
300: ('multiple_choices',),
301: ('moved_permanently', 'moved', '\o-'),
302: ('found',),
303: ('see_other', 'other'),
304: ('not_modified',),
305: ('use_proxy',),
306: ('switch_proxy',),
307: ('temporary_redirect', 'temporary_moved', 'temporary'),
308: ('permanent_redirect',
'resume_incomplete', 'resume',), # These 2 to be removed in 3.0

Client Error.
400: ('bad_request', 'bad'),
401: ('unauthorized',),
402: ('payment_required', 'payment'),
403: ('forbidden',),
404: ('not_found', '-o-'),
405: ('method_not_allowed', 'not_allowed'),
406: ('not_acceptable',),
407: ('proxy_authentication_required', 'proxy_auth', 'proxy_authentication'),
408: ('request_timeout', 'timeout'),
409: ('conflict',),
410: ('gone',),
411: ('length_required',),
412: ('precondition_failed', 'precondition'),
413: ('request_entity_too_large',),
414: ('request_uri_too_large',),
415: ('unsupported_media_type', 'unsupported_media', 'media_type'),
416: ('requested_range_not_satisfiable', 'requested_range', 'range_not_satisfiable'),
417: ('expectation_failed',),
418: ('im_a_teapot', 'teapot', 'i_am_a_teapot'),
421: ('misdirected_request',),
422: ('unprocessable_entity', 'unprocessable'),
423: ('locked',),
424: ('failed_dependency', 'dependency'),
425: ('unordered_collection', 'unordered'),
426: ('upgrade_required', 'upgrade'),
428: ('precondition_required', 'precondition'),
429: ('too_many_requests', 'too_many'),
431: ('header_fields_too_large', 'fields_too_large'),
444: ('no_response', 'none'),
449: ('retry_with', 'retry'),
450: ('blocked_by_windows_parental_controls', 'parental_controls'),
451: ('unavailable_for_legal_reasons', 'legal_reasons'),
499: ('client_closed_request',),

Server Error.
500: ('internal_server_error', 'server_error', '/o\', '✗'),
501: ('not_implemented',),
502: ('bad_gateway',),
503: ('service_unavailable', 'unavailable'),
504: ('gateway_timeout',),
505: ('http_version_not_supported', 'http_version'),
506: ('variant_also_negotiates',),
507: ('insufficient_storage',),
509: ('bandwidth_limit_exceeded', 'bandwidth'),
510: ('not_extended',),
511: ('network_authentication_required', 'network_auth', 'network_authentication'),

经过下面例子测试：（不过一般仍是经过状态码判断更方便）

import requests

response= requests.get("http://www.baidu.com")
if response.status_code == requests.codes.ok:
    print("访问成功")

requests高级用法

文件上传

实现方法和其余参数相似，也是构造一个字典而后经过files参数传递

import requests
files= {"files":open("git.jpeg","rb")}
response = requests.post("http://httpbin.org/post",files=files)
print(response.text)

结果以下：

获取cookie

import requests

response = requests.get("http://www.baidu.com")
print(response.cookies)

for key,value in response.cookies.items():
    print(key+"="+value)

会话维持

cookie的一个做用就是能够用于模拟登录，作会话维持

import requests
s = requests.Session()
s.get("http://httpbin.org/cookies/set/number/123456")
response = s.get("http://httpbin.org/cookies")
print(response.text)

这是正确的写法，而下面的写法则是错误的

import requests

requests.get("http://httpbin.org/cookies/set/number/123456")
response = requests.get("http://httpbin.org/cookies")
print(response.text)

 心得体会

request是最基本的爬虫库了， 建议新手把测试案例都运行一下，体会一下爬虫的过程。

体会一下模拟浏览器访问各个阶段、数据是如何交互的、如何处理的。