爬虫开发python工具包介绍

Posted 2021-01-09 zyfd

本文来自网易云社区

作者：王涛

可选参数我们一一介绍一下：

参数	释义	示例
params	生成url中?号后面的查询Key=value	示例1： >>>payload = {‘key1‘: ‘value1‘, ‘key2‘: ‘value2‘} >>>r = requests.get("http://httpbin.org/get", params=payload) 查看结果: >>> print(r.url)http://httpbin.org/get?key2=value2&key1=value1 示例2： >>> param = ‘httpparams‘ >>> r = requests.get("http://httpbin.org/get",params=param) >>> print r.urlhttp://httpbin.org/get?httpparams
data	支持字典、列表、字符串。 post方法中常用，模拟html中的form表单	示例1： >>> payload = {‘key1‘: ‘value1‘, ‘key2‘: ‘value2‘} >>> r = requests.post("http://httpbin.org/post", data=payload) >>> print(r.text) { ...     "form": {     "key2": "value2",     "key1": "value1"     }, ... } 示例2： >>> payload = ((‘key1‘, ‘value1‘), (‘key1‘, ‘value2‘)) >>> r = requests.post(‘http://httpbin.org/post‘, data=payload) >>> print(r.text) { ...     "form": {         "key1": [             "value1",             "value2"             ]     },     ... }
json	post时使用，传递json数据到服务端， 很多ajax请求是传递的json	示例1： r = requests.post(url, json={"key":"value"}}) 抓取的报文头如下，content-type：application/json
headers	自定义http头，它会和request自己的缺省头进行合并之后作为请求的header. 注意: 所有的 header 值必须是 string、bytestring 或者 unicode。	示例1： r = requests.post(url,headers={"user-agent":"test"})
cookies	可以通过cookies访问应答里的cookie, 也可以向服务器发送自定义的cookie. 通过自定义的cookie对象,还可以指定有效域等属性	示例1：获取应答中的cookie >>> url =‘http://example.com/some/cookie/setting/url‘ >>> r = requests.get(url) >>>r.cookies[‘example_cookie_name‘] 示例2: 向服务端发送cookie >>> jar = requests.cookies.RequestsCookieJar() >>> jar.set(‘tasty_cookie‘, ‘yum‘, domain=‘httpbin.org‘, path=‘/cookies‘) >>> url = ‘‘ >>> r = requests.get(url, cookies=jar) >>> r.text ‘{"cookies": {"tasty_cookie": "yum"}}‘
files	上传多部分编码（multipart-encoded）文件	示例1 ：上传一个文件 >>> url = ‘http://httpbin.org/post‘ >>> files = {‘file‘: open(‘report.xls‘, ‘rb‘)} >>> r = requests.post(url, files=files) 示例2 ： 显示地设置文件名，文件类型和请求头 >>> url = ‘http://httpbin.org/post‘ >>> files = {‘file‘: (‘report.xls‘, open(‘report.xls‘, ‘rb‘),            ‘application/vnd.ms-excel‘, {‘Expires‘: ‘0‘})} >>> r = requests.post(url, files=files)
auth	支持多 HTTPBasicAuth/HTTPDigestAuth/HTTPProxyAuth 种认证	示例1 >>>url = ‘http://httpbin.org/digest-auth/auth/user/pass‘ >>>requests.get(url, auth=HTTPDigestAuth(‘user‘, ‘pass‘)) 抓包后，http头如下： GET http://httpbin.org/digest-auth/auth/user/pass HTTP/1.1 Host:httpbin.org Connection: keep-alive Accept-Encoding: gzip, deflate Accept: /User-Agent: python-requests/2.12.4Authorization: Basic dXNlcjpwYXNz
timeout	1 float:连接等待时间，只针对socket连接过程有效。 2 tuple:(connect timeout, read timeout)	示例1：   >>> requests.get(‘http://github.com‘, timeout=0.001) Traceback (most recent call last):     File "", line 1, inrequests.exceptions.Timeout:      HTTPConnectionPool(host=‘github.com‘, port=80):          Request timed out. (timeout=0.001)
allow_redirects	如果你使用的是GET、OPTIONS、POST、PUT、PATCH 或者 DELETE， 那么你可以通过 allow_redirects 参数禁用重定向处理. 注：在爬虫过程中，我们有些场景需要禁用跳转,置为False, 默认True	示例1 收到3xx时，会主动跳转访问： >>>r = requests.get(‘http://github.com‘, allow_redirects=False) >>> r.status_code      301  >>> r.history     []
proxies	配置代理信息，没啥好讲的.根据实际情况配置http,https代理	示例1： >>>proxies = {     "http": "http://127.0.0.1:8888",     "https": "https://127.0.0.1:8888", } >>>r=requests.get(url, headers=headers,proxies=proxies)
stream	如果应答是流式的时候，需要把stream设置成true.注：需要调用主动关闭，否则连接不会释放	示例 1：下载百度图片:  import requests from contextlib import closing def download_image_improve():     url = (‘‘     ‘image&quality=80&size=b9999_10000‘     ‘&sec=1504068152047&di=8b53bf6b8e5deb64c8ac726e260091aa&imgtype=0‘     ‘&src=http%3A%2F%2Fpic.baike.soso.com%2Fp%2F‘     ‘20140415%2Fbki-20140415104220-671149140.jpg‘)     with closing(requests.get(url, stream=True,verify=False)) as response:     # 这里打开一个空的png文件，相当于创建一个空的txt文件,     # wb表示写文件          with open(‘selenium1.png‘, ‘wb‘) as file:         #文件，这个文件最后写入完成就是，selenium.png             file.write(data)
verify	默认值为True，即校验服务端证书。 如果是字符串，则为CA_BUNDLE的路径，即证书路径。如果找不到证书， 可以用示例2中的Fiddler中的PEM替代，也可以安装certifi包（自带了一套requests信任的根证书） 个人理解：即浏览器访问Https网站有时会提示需要信任证书的功能一样。	示例1：关闭证书验证（推荐） r=requests.get(url, verify=False) 示例2 :借用Fiddler转换之后的PEM证书去访问 中亚.  FiddlerRoot.zip 下载地址： http://nos.netease.com/knowledge/ 2b99aacb-e9bf-42f7-8edf-0f8ca0326533?download=FiddlerRoot.zip 注: 证书中包含cer和pem两种格式，建议先安装信息cer证书。 当然你也可以自己安装Fiddler，把Fiddler证书信任后， 导出cer格式，再使用   openssl x509 -inform der -in FiddlerRoot.cer -out FiddlerRoot.pem 转换证书格式 headers = {     "Host": "www.amazon.com",     "Connection": "keep-alive",     "Cache-Control": "max-age=0",     "Upgrade-Insecure-Requests": "1",     "User-Agent": ("Mozilla/5.0 (Windows NT 10.0; Win64; x64) "                    "AppleWebKit/537.36 (KHTML, like Gecko) "                    "Chrome/68.0.3440.106 Safari/537.36"),     "Accept": ("text/html,application/xhtml+xml,"                "application/xml;q=0.9,image/webp,image/apng,/;q=0.8"),     "Accept-Encoding": "gzip, deflate, br",     "Accept-Language": "zh-CN,zh;q=0.9,en;q=0.8" } print requests.get(‘https://www.amazon.com/‘,  verify=r"FiddlerRoot.pem", headers=headers).content
cert	类型： 字符串：代表ssl客户端的cert文件（.pem）文件路径 元组:(‘cert‘,‘key‘),verify给定的服务端证书， cert给定的是客户端的证书（对于https双向认证的情况）	暂未测试过，暂未遇到过需要用这个字段的情况。感兴趣的可以研究一下

三、tornado中的关键函数及参数

1 tornado 非阻塞的httpclient

tornado有两种非阻塞的httpclient的实现,一个是SimpleAsyncHTTPClient，一个是CurlAsyncHTTPClient. 你可以调用它们的基类AsyncHTTPClient，通过AsyncHTTPClient.configure方法来选择使用上面的哪一个实现，或者直接实例化上面的任意一个子类。缺省的是SimpleAsyncHTTPClient,虽然它已经能满足绝大多数用户的需求，但是我们选择有更多优点的 CurlAsyncHTTPClient .

• CurlAsyncHTTPClient 有更多特性支持，例如 代理设置，指定网络出接口等

• 对于那些与HTTP兼容不太好的网站，CurlAsyncHTTPClient也能兼容访问，

• CurlAsyncHTTPClient 更快

• Tornado 2.0 版本之前，CurlAsyncHTTPClient是默认的。

2 tornado 关键函数、参数介绍

示例代码(与前面类似）：

@gen.coroutinedef fetch_url(url):
    """抓取url"""
    try:
        c = CurlAsyncHTTPClient()  # 定义一个httpclient
        req = HTTPRequest(url=url)  # 定义一个请求
        response = yield c.fetch(req)  # 发起请求
        print response.body
        IOLoop.current().stop()  # 停止ioloop线程
    except:        print traceback.format_exc()

可以看到，这个httpclient，使用起来也很方便。先创建一个HTTPRequest,然后调用HTTPClient的fetch方法来发起这个请求。
此处我们就看一下HTTPRequest的定义，看看有哪些关键参数是我们需要了解的。

class HTTPRequest(object):
    """HTTP client request object."""

    # Default values for HTTPRequest parameters.
    # Merged with the values on the request object by AsyncHTTPClient
    # implementations.
    _DEFAULTS = dict(
        connect_timeout=20.0,
        request_timeout=20.0,
        follow_redirects=True,
        max_redirects=5,
        decompress_response=True,
        proxy_password=‘‘,
        allow_nonstandard_methods=False,
        validate_cert=True)

    def __init__(self, url, method="GET", headers=None, body=None,
                 auth_username=None, auth_password=None, auth_mode=None,
                 connect_timeout=None, request_timeout=None,
                 if_modified_since=None, follow_redirects=None,
                 max_redirects=None, user_agent=None, use_gzip=None,
                 network_interface=None, streaming_callback=None,
                 header_callback=None, prepare_curl_callback=None,
                 proxy_host=None, proxy_port=None, proxy_username=None,
                 proxy_password=None, proxy_auth_mode=None,
                 allow_nonstandard_methods=None, validate_cert=None,
                 ca_certs=None, allow_ipv6=None, client_key=None,
                 client_cert=None, body_producer=None,
                 expect_100_continue=False, decompress_response=None,
                 ssl_options=None):
        r"""All parameters except ``url`` are optional.

网易云免费体验馆，0成本体验20+款云产品！ 

更多网易研发、产品、运营经验分享请访问网易云社区。

相关文章：
【推荐】 云计算交互设计师的正确出装姿势
【推荐】 从细节处谈Android冷启动优化