爬虫-Requests 使用入门

requests 的底层实现其实就是 urllib

json在线解析工具

----------------------------------------------

Linux alias命令用于设置指令的别名。     

home目录中~/.bashrc 这个文件主要保存我的的一些个性化设置，如命令别名、路径等。

注意：1，写绝对路径

　　　2，有空格

改好后使用source ~/.bashrc 使用文件生效

------------------------------------------------

assert response.status_code==200

assert response.status_code==200

raise异常

raise 引起一个异常

例子：若是输入的数据不是整数，则引起一个ValueError

inputValue=input("please input a int data :")
if type(inputValue)!=type(1):
    raise ValueError
else:
    print inputValue
假设输入1.2，运行结果为：

please input a int data :1.2
Traceback (most recent call last):
File "C:/Users/lirong/PycharmProjects/untitled/openfile.py", line 3, in <module>
raise ValueError
ValueError

若是输入1，运行结果为：

please input a int data :1

url编码

https://www.baidu.com/s?wd=%E4%BC%A0%E6%99%BA%E6%92%AD%E5%AE%A2

字符串格式化的另外一种方式

"传{}智播客".format(1)

使用代理ip

　　代理IP百度有不少，推荐使用高匿IP

用法：requests.get("http://www.baidu.com", proxies = proxies)
proxies的形式：字典
proxies = { 
    "http": "http://12.34.56.79:9527", 
    "https": "https://12.34.56.79:9527", 
    }

 

问题：为何爬虫须要使用代理？

　　让服务器觉得不是同一个客户端在请求

　　防止咱们的真实地址被泄露，防止被追究

• 准备一堆的ip地址，组成ip池，随机选择一个ip来时用

• 如何随机选择代理ip，让使用次数较少的ip地址有更大的可能性被用到

  • {"ip":ip,"times":0}

  • [{},{},{},{},{}],对这个ip的列表进行排序，按照使用次数进行排序

  • 选择使用次数较少的10个ip，从中随机选择一个

• 检查ip的可用性

  • 可使用requests添加超时参数，判断ip地址的质量

  • 在线代理ip质量检测的网站

携带cookie请求

• 携带一堆cookie进行请求，把cookie组成cookie池

使用requests提供的session类来请求登录以后的网站的思路

requests 提供了一个叫作session类，来实现客户端和服务端的会话保持

         使用方法：
1    实例化一个session对象
2    让session发送get或者post请求

    session = requests.session()
    response = session.get(url,headers)

 

• 实例化session

• 先使用session发送请求，登陆对网站，把cookie保存在session中

• 再使用session请求登录以后才能访问的网站，session可以自动的携带登陆成功时保存在其中的cookie，进行请求

不发送post请求，使用cookie获取登陆后的页面

• cookie过时时间很长的网站

• 在cookie过时以前可以拿到全部的数据，比较麻烦

• 配合其余程序一块儿使用，其余程序专门获取cookie，当前程序专门请求页面

字典推导式，列表推导式

cookies="anonymid=j3jxk555-nrn0wh; _r01_=1; _ga=GA1.2.1274811859.1497951251; 
_de=BF09EE3A28DED52E6B65F6A4705D973F1383380866D39FF5; ln_uact=mr_mao_hacker@163.com; depovince=BJ; 
jebecookies=54f5d0fd-9299-4bb4-801c-eefa4fd3012b|||||; JSESSIONID=abcI6TfWH4N4t_aWJnvdw; 
ick_login=4be198ce-1f9c-4eab-971d-48abfda70a50; p=0cbee3304bce1ede82a56e901916d0949; first_login_flag=1; 
ln_hurl=http://hdn.xnimg.cn/photos/hdn421/20171230/1635/main_JQzq_ae7b0000a8791986.jpg; 
t=79bdd322e760beae79c0b511b8c92a6b9; societyguester=79bdd322e760beae79c0b511b8c92a6b9; 
id=327550029; xnsid=2ac9a5d8; loginfrom=syshome; ch_id=10016; wp_fold=0"
cookies = {i.split("=")[0]:i.split("=")[1] for i in cookies.split("; ")}

[self.url_temp.format(i * 50) for i in range(1000)]

获取登陆后的页面的三种方式

• 实例化session，使用session发送post请求，在使用他获取登录后的页面

import requests

session = request.session()
post_url = ""
post_data = {"email":"xx@163.com","password":"xxx"}
headers = {
    ...}
# 使用session发送post请求，cookie保存在其中
session.post(post_url,data=post_data,headers=headers)
#在使用session进行请求登录以后才能访问的地址
r = session.get("http://www.renren.com/327550029/profile",headers=headers)

#保存页面
with open("renren1.html","w",encoding="utf-8") as f:
    f.write(r.content.decode())

 

• headers中添加cookie键，值为cookie字符串

headers = {
    "User-Agent": "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_13_2) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/63.0.3239.84 Safari/537.36",
    "Cookie":...
}
r = requests.get("http://www.renren.com/327550029/profile",headers=headers)

#保存页面
with open("renren2.html","w",encoding="utf-8") as f:
    f.write(r.content.decode())

 

• 在请求方法中添加cookies参数，接收字典形式的cookie。字典形式的cookie中的键是cookie的name对应的值，值是cookie的value对应的值

 

# coding=utf-8
import requests

headers = {...,}

cookies="anonymid=j3jxk555-nrn0wh; ..."
cookies = {i.split("=")[0]:i.split("=")[1] for i in cookies.split("; ")}
print(cookies)

r=requests.get("http://...",headers=headers,cookies=cookies)

#保存页面
with open("renren3.html","w",encoding="utf-8") as f:
    f.write(r.content.decode())

-------------------------------------------

response = requests.url(...)

response.encoding  # 查看编码

response.encoding = 'utf-8' # 指定编码

response.content.decode() # 将二进制的获取网页数据返回到本地进行解码 另两种方法 response.content.decode('gbk')  response.text