爬虫—— 爬虫常见操作

Posted 2021-02-05 linagcheng

目录

• 爬虫中常见操作
  • 一、requests的用法
    • 1、常见方法
    • 2、session方法
    • 3、其他方法
  • 二、指定响应体编码
  • 三、分段获取数据
  • 四、SSL Cert Verification
  • 五、使用代理
  • 六、超时设置
  • 七、捕获异常
  • 八、上传文件

爬虫中常见操作

一、requests的用法

1、常见方法

（1）params

直接将参数放在 params中 会自动进行url编码

response =  requests.get(url,headers=headers,params={"wd":kwd})

# 添加数据到请求头中
 response =  requests.get(url,headers={
     # 把数据加在这里
 },params={"wd":kwd})

（2）post方法

其他参数与get一致,请求体放在data中

 # 返回值的处理
 response =  requests.get(url,headers=headers,params={"wd":kwd})
 print(response.status_code) # 状态码
 print(response.text) # 将结果以文本的形式返回
 response.content # 将结果以二进制的方式返回
 response.json() # 将数据直接反序列化得到字典或是列表

2、session方法

该方法自动保存和提交 cookie

import requests
# 创建session对象
session = requests.session()
res = session.get("https://github.com/login",headers={
    "Referer": "https://github.com/",
    "User-Agent": user_agent
})

token = re.search(‘name="authenticity_token" value="(.*?)"‘,res.text).group(1)

res2 = session.post("https://github.com/session",
                     headers = {
                         "Referer": "https://github.com/login",
                         "User-Agent": user_agent},
                     data={
                         "commit": "Sign in",
                         "utf8": "?",
                         "authenticity_token": token,
                         "login": "xxxxxx",
                         "password": "xxxxxxxxx"},
                     allow_redirects = False
                     )

3、其他方法

response = requests.get(‘https://www.baidu.com‘)
print(response.text)   # 返回文本内容
print(response.content)   # 返回二进制数据
print(response.json())    # 反序列化，只能在返回数据为json格式时使用
print(response.history)  # 获取 重定向的所有连接历史
print(respone.status_code)
print(respone.headers)
print(respone.cookies)
print(respone.cookies.get_dict())
print(respone.url)
print(respone.history) # 重定向历史
print(respone.encoding) # 响应体编码方式

二、指定响应体编码

import requests
response=requests.get(‘http://www.autohome.com/news‘)
response.encoding = "GBK"
print(response.text)
print(response.encoding)

三、分段获取数据

# 当响应体数据太大的时候一次性获取所有可能造成内存溢出
# 可以使用iter_content 分段获取数据，
# chunk_size指定每次获取的长度，
# decode_unicode 是否进行解码 通常为false

from contextlib import closing
with closing(requests.get(‘xxx‘,stream=True)) as response:
    for line in response.iter_content(chunk_size=1024,decode_unicode=False):
        print(line)

四、SSL Cert Verification

# 证书验证(大部分网站都是https)
import requests
respone=requests.get(‘https://www.12306.cn‘) # 如果是ssl请求,首先检查证书是否合法,不合法则报错,程序终端


# 改进1:去掉报错,但是会报警告
import requests
respone=requests.get(‘https://www.12306.cn‘,verify=False) #不验证证书,报警告,返回200
print(respone.status_code)


# 改进2:去掉报错,并且去掉警报信息
import requests
from requests.packages import urllib3
urllib3.disable_warnings() #关闭警告
respone=requests.get(‘https://www.12306.cn‘,verify=False)
print(respone.status_code)

# 改进3:加上证书
# 很多网站都是https,但是不用证书也可以访问,大多数情况都是可以携带也可以不携带证书
# 知乎百度等都是可带可不带
# 有硬性要求的,则必须带，比如对于定向的用户,拿到证书后才有权限访问某个特定网站
import requests
respone=requests.get(‘https://www.12306.cn‘,
                     cert=(‘/path/server.crt‘,
                           ‘/path/key‘))
print(respone.status_code)

五、使用代理

# 官网链接: http://docs.python-requests.org/en/master/user/advanced/#proxies

# 代理设置:先发送请求给代理,然后由代理帮忙发送(封ip是常见的事情)
import requests
proxies={
    ‘http‘:‘http://112.98.126.100:8118‘,#带用户名密码的代理,@符号前是用户名与密码
    ‘https‘:‘https://124.42.68.152:90‘,
}
respone=requests.get(‘https://www.baidu.com‘,proxies=proxies)

print(respone.status_code)



# 支持socks代理,安装:pip install requests[socks]
import requests
proxies = {
    ‘http‘: ‘socks5://user:[email protected]:port‘,
    ‘https‘: ‘socks5://user:[email protected]:port‘
}
respone=requests.get(‘https://www.12306.cn‘,
                     proxies=proxies)

print(respone.status_code)

六、超时设置

# 超时设置
# 两种超时:float or tuple
# timeout=0.1 #代表接收数据的超时时间
# timeout=(0.1,0.2)#0.1代表链接超时  0.2代表接收数据的超时时间

import requests
respone=requests.get(‘https://www.baidu.com‘,timeout=0.0001)

七、捕获异常

#异常处理
import requests
from requests.exceptions import * #可以查看requests.exceptions获取异常类型

try:
    r=requests.get(‘http://www.baidu.com‘,timeout=0.00001)
except ReadTimeout:
    print(‘===:‘)
# except ConnectionError: # 链接失败
#     print(‘-----‘)
# except Timeout: # 超时
#     print(‘aaaaa‘)

except RequestException: # 其他异常
    print(‘Error‘)

八、上传文件

import requests
files={‘file‘:open(‘a.jpg‘,‘rb‘)} # value为文件对象
respone=requests.post(‘http://httpbin.org/post‘,files=files)
print(respone.status_code)