爬虫请求模块

Posted maplethefox

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了爬虫请求模块相关的知识,希望对你有一定的参考价值。

模块名及导入

1、模块名:urllib.request
2、导入方式:
   1、import urllib.request
   2、from urllib import request

常用方法详解

(一)urllib.request.urlopen()方法

1.作用

  向网站发起请求并获取响应对象

2.参数

1、URL:需要爬取的URL地址
2、timeout: 设置等待超时时间,指定时间内未得到响应抛出超时异常

3.第一个爬虫程序

  打开浏览器,输入百度地址(http://www.baidu.com/),得到百度的响应

# 导入请求模块(python标准库模块)
import urllib.request

url = http://www.baidu.com/

# 向百度发请求,得到响应对象
response = urllib.request.urlopen(url)
# 获取响应对象内容(网页源代码)
# read() -> bytes
# decode() -> string
print(response.read().decode(utf-8))

4.相应对象(response)方法

1、bytes = response.read()
    #read()结果为bytes
2、string = response.read().decode(utf-8)
    #read().decode()结果为string
3、url = response.geturl()
    #返回实际数据的url地址(重定向问题)
4、code = response.getcode()
    #返回http响应吗
# 补充
    5、string.encode()
    6、bytes.decode()

思考:网站如何来判定是人类正常访问还是爬虫程序访问???

# 向测试网站: http://httpbin.org/get 发请求,通过获取响应内容查看自己请求头
import urllib.request

url = http://httpbin.org/get
response = urllib.request.urlopen(url)
print(response.read().decode(utf-8))

# 结果中请求头中的User-Agent竟然是: "Python-urllib/3.7"!!!!!!!!!
# 我们需要重构User-Agent

(二)urllib.request.Request()

1.作用

  创建请求对象(包装请求,重构User-Agent,使程序更像正常人类请求)

2.参数

1、URL:请求的URL地址
2、headers:添加请求头(爬虫和反爬虫斗争的第一步)

3.使用流程

#1、构造请求对象(重构User-Agent)
  req = urllib.request.Reuqest(
    url=http://httpbin.org/get,
    headers=User-Agent:Mozilla/5.0
  )
#2、发请求获取响应对象(urlopen)
  res = urllib.request.urlopen(req)
#3、获取响应对象内容
  html = res.read().decode(utf-8)

4.示例

向测试网站(http://httpbin.org/get)发起请求,构造请求头并从响应中确认请求头信息

from urllib import request

# 定义常用变量
url = http://httpbin.org/get
headers = User-Agent:Mozilla/4.0 (compatible; MSIE 8.0; Windows NT 6.1; WOW64; Trident/4.0; SLCC2; .NET CLR 2.0.50727; .NET CLR 3.5.30729; .NET CLR 3.0.30729; Media Center PC 6.0; .NET4.0C; InfoPath.3)

# 1.构建请求对象
req = request.Request(url,headers=headers)
# 2.发请求获取响应对象
res = request.urlopen(req)
# 3.读取响应对象内容
html = res.read().decode(utf-8)
print(html)

URL地址编码模块

(一)模块名及导入

# 模块名
urllib.parse
# 导入
import urllib.parse
from urllib import parse

(二)作用

  给URL地址中查询参数进行编码

编码前:https://www.baidu.com/s?wd=美女
编码后:https://www.baidu.com/s?wd=%E7%BE%8E%E5%A5%B3

(三)常用方法

1.urllib.parse.urlencode(dict)

(1)URL地址中 ==一个== 查询参数

# 查询参数:‘wd‘ : ‘美女‘
# urlencode编码后:‘wd=%e7%be%8e%e5%a5%b3‘

# 示例代码
query_string = wd : 美女
result = parse.urlencode(query_string)
# result: ‘wd=%e7%be%8e%e5%a5%b3‘

(2)URL地址中 ==多个== 查询参数

from urllib import parse
query_string_dict = 
    wd : 美女,
    pn : 50

query_string = parse.urlencode(query_string_dict)
url = http://www.baidu.com/s?.format(query_string)
print(url)

拼接URL地址的3种方式

#1、字符串相加
    baseur1 = http://www.baidu.com/s?
    params = wd=%E7xxxx&pn=20
    url = baseur1+params
#2、字符串格式化(占位符)
    params =wd=%E7xxxx&pn=20
    url = http://www.baidu.com/s?%s%params
#3、format()方法
    url = http://www.baidu.com/s?
    params =wd=%E7xxxx&pn=20
    url = url.format(params)

练习: 在百度中输入要搜索的内容,把响应内容保存到本地文件

from urllib import request
from urllib import parse


def get_url(word):
    baseurl = http://www.baidu.com/s?
    params = parse.urlencode(wd:word)
    url = baseurl + params

    return url

def request_url(url,filename):
    headers = User-Agent: Mozilla/5.0
    req = request.Request(url, headers=headers)
    res = request.urlopen(req)
    html = res.read().decode(utf-8)
    # 保存到本地文件
    with open(filename, w) as f:
        f.write(html)

if __name__ == __main__:
    word = input(请输入搜索内容:)
    url = get_url(word)
    filename = .html.format(word)
    request_url(url,filename)

2.quote(string)编码

from urllib import parse

string = 美女
print(parse.quote(string))
# 结果: %E7%BE%8E%E5%A5%B3

改写之前urlencode()代码,使用quote()方法实现

from urllib import parse

url = http://www.baidu.com/s?wd=
word = input(请输入要搜索的内容:)
query_string = parse.quote(word)
print(url.format(query_string))

3.unquote(string)解码

from urllib import parse

string = %E7%BE%8E%E5%A5%B3
result = parse.unquote(string)
print(result)

总结:

#1.urllib.request
    1,req=urllib.request.Request(url,headers)
    2.res= urllib.request.urlopen(req)
    3.html=res.read().decode(utf-8)
#2.res方法
    res.read()
    res.getcode()
    res.geturl()
#3.urllib.parse
    urllib.parse.urlencode()
    urllib.parse.quote()
    urllib.parse.unquote()

案例:百度贴吧数据抓取

要求:

1、输入贴吧名称
2、输入起始页
3、输入终止页
4、保存到本地文件:
  例如:赵丽颖吧-第1页.html、赵丽颖吧-第2页.html ...

实现步骤:

(1)查看是否为静态页面

  通过右键-查看网页源代码-搜索数据关键字

(2)找url规律

  第一页:http://tieba.baidu.com/f?kw=??&pn=0

  第二页:http://tieba.baidu.com/f?kw=??&pn=0

  第n页:  http://tieba.baidu.com/f?kw=??&pn=(n-1)*50

(3)获取网页内容

(4)保存(本地文件,数据库)

(5)实现代码

技术图片
from urllib import request
from urllib import parse
import time
import random
from useragents import ua_list


class BaiduSpider(object):
  def __init__(self):
    self.url = http://tieba.baidu.com/f?kw=&pn=

  # 获取相应内容
  def get_html(self, url):
    headers = 
      User-Agent: random.choice(ua_list)
    
    req = request.Request(url=url, headers=headers)
    res = request.urlopen(req)
    html = res.read().decode(utf-8)
    print(headers)
    return html

  # 解析相应内容(提取所需数据)
  def parse_html(self):
    pass

  # 保存
  def write_html(self, filename, html):
    with open(filename, w, encoding=utf-8) as f:
      f.write(html)

  # 主函数
  def main(self):
    # 拼接每一页的地址
    # 接收用户的输入(例如贴吧名,第几页)
    name = input(请输入贴吧名:)
    begin = int(input(请输入起始页))
    end = int(input(请输入终止页))
    # url 缺两个数据: 贴名吧  pn
    params = parse.quote(name)
    for page in range(begin, end + 1):
      pn = (page - 1) * 50
      url = self.url.format(params, pn)
      filename = -第页.html.format(name, page)

      # 调用类内函数
      html = self.get_html(url)
      self.write_html(filename, html)
      # 每爬取1个页面随机休眠1-3秒钟
      time.sleep(random.randint(1, 3))
      print(第%d页爬取完成 % page)


if __name__ == __main__:
  start = time.time()
  spider = BaiduSpider()
  spider.main()
  end = time.time()
  print(执行时间:%.2f % (end-start))
实现代码
技术图片
ua_list = [
  Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/535.1 (KHTML, like Gecko) Chrome/14.0.835.163 Safari/535.1,
  Mozilla/5.0 (Windows NT 6.1; WOW64; rv:6.0) Gecko/20100101 Firefox/6.0,
  Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/534.50 (KHTML, like Gecko) Version/5.1 Safari/534.50,
  Opera/9.80 (Windows NT 6.1; U; zh-cn) Presto/2.9.168 Version/11.50,

]
useragents.py配置文件

正则解析模块re

(一)re模块使用流程

方法一:

  r_list=re.findall(‘正则表达式‘,html,re.S)

方法二:

  创建正则编译对象
  pattern = re.compile(r‘正则表达式‘,re.S)
  r_list = pattern.findall(html)

(二)正则表达式元字符

元字符含义
. 任意一个字符(不包括\n)
\d 一个数字
\s 空白字符
\S 非空白字符
[] 包含[]内容
* 出现0次或多次
+ 出现1次或多次

思考:请写出匹配任意一个字符的正则表达式?

import re
# 方法一
pattern = re.compile(.,re.s)
# 方法二
pattern = re.compile([\s\S])

(三)贪婪匹配和非贪婪匹配

贪婪匹配(默认)

1、在整个表达式匹配成功的前提下,尽可能多的匹配 *
2、表示方式:.*  .+  .?

非贪婪匹配

1、在整个表达式匹配成功的前提下,尽可能少的匹配 *
2、表示方式:.*?  .+?  .??

示例:

import re

html = ‘‘‘
<html>
    <div><p>九霄龙吟惊天变</p></div>
    <div><p>风云际会浅水游</p></div>
</html>
‘‘‘
# 贪婪匹配
pattern = re.compile(<div><p>.*</p></div>,re.S)
r_list = pattern.findall(html)
  #[‘<div><p>九霄龙吟惊天变</p></div>\n    <div><p>风云际会浅水游</p>‘]
# 非贪婪匹配 pattern = re.compile(<div><p>.*?</p></div>,re.S) r_list = pattern.findall(html) print(r_list)
  #[‘<div><p>九霄龙吟惊天变</p>‘, ‘<div><p>风云际会浅水游</p>‘]
pattern = re.compile(‘<div><p>(.*?)</p></div>‘,re.S)
r_list = pattern.findall(html)
print(r_list)
  #[‘九霄龙吟惊天变‘, ‘风云际会浅水游‘]

(四)正则表达式分组

作用: 在完整的模式中定义子模式,将每个圆括号中子模式匹配出来的结果提取出来

示例:

import re

s = A B C D
p1 = re.compile(\w+\s+\w+)
print(p1.findall(s))
# 分析结果是什么???[‘A B‘,‘C D‘]

p2 = re.compile((\w+)\s+\w+)
print(p2.findall(s))
# 分析结果是什么???
#第一步:把()去掉,先匹配完整 [‘A B‘,‘C D‘]
#第二步:提取分组()中内容 [‘A‘,‘C‘]
p3 = re.compile((\w+)\s+(\w+)) print(p3.findall(s)) # 分析结果是什么???
# 第一步:把()去掉,先匹配完整 [‘A B‘,‘C D‘]
# 第二部:提取分组()中内容 [(‘A‘,‘B‘),(‘C‘,‘D‘)]

分组总结:

1、在网页中,想要什么内容,就加()

2、先按整体正则匹配,然后再提取分组()中的内容

  如果有2个及以上分组(),则结果中以元组形式显示 [(),(),()]

练习:页面结构如下

<div class="animal">
    <p class="name">
        <a title="Tiger"></a>
    </p>
    <p class="content">
        Two tigers two tigers run fast
    </p>
</div>

<div class="animal">
    <p class="name">
        <a title="Rabbit"></a>
    </p>

    <p class="content">
        Small white rabbit white and white
    </p>
</div>

从以上html代码结构中完成如下内容信息的提取:

问题1 :[(Tiger, Two...),(Rabbit,Small..)]
问题2 :
    动物名称 :Tiger
    动物描述 :Two tigers two tigers run fast
    **********************************************
    动物名称 :Rabbit
    动物描述 :Small white rabbit white and white

 

以上是关于爬虫请求模块的主要内容,如果未能解决你的问题,请参考以下文章

Python爬虫之request模块

爬虫-requests模块

小白必学的爬虫基础requests模块

爬虫之request模块

python网络爬虫——requests模块(第二章)

爬虫-requests模块