爬虫基础模块
Posted 天行健风行云
tags:
篇首语：本文由小常识网(cha138.com)小编为大家整理，主要介绍了爬虫基础模块相关的知识，希望对你有一定的参考价值。
Python标准库中提供了：urllib、urllib2、httplib等模块以供Http请求，但是，它的 API 太渣了。它是为另一个时代、另一个互联网所创建的。它需要巨量的工作，甚至包括各种方法覆盖，来完成最简单的任务。
Requests 是使用 Apache2 Licensed 许可证的 基于Python开发的HTTP 库，其在Python内置模块的基础上进行了高度的封装，从而使得Pythoner进行网络请求时，变得美好了许多，使用Requests可以轻而易举的完成浏览器可有的任何操作。
# 1、无参数实例 import requests ret = requests.get(‘https://github.com/timeline.json‘) print ret.url print ret.text # 2、有参数实例 import requests payload = {‘key1‘: ‘value1‘, ‘key2‘: ‘value2‘} ret = requests.get("http://httpbin.org/get", params=payload) #get传值 print ret.url print ret.text
import requests payload = {‘key1‘: ‘value1‘, ‘key2‘: ‘value2‘} ret = requests.post("http://httpbin.org/post", data=payload) print ret.text # 2、发送请求头和数据实例 import requests import json url = ‘https://api.github.com/some/endpoint‘ payload = {‘some‘: ‘data‘} headers = {‘content-type‘: ‘application/json‘} ret = requests.post(url, data=json.dumps(payload), headers=headers) print ret.text print ret.cookies
requests.get(url, params=None, **kwargs) requests.post(url, data=None, json=None, **kwargs) requests.put(url, data=None, **kwargs) requests.head(url, **kwargs) requests.delete(url, **kwargs) requests.patch(url, data=None, **kwargs) requests.options(url, **kwargs) # 以上方法均是在此方法的基础上构建 requests.request(method, url, **kwargs) #所以使用方法基本一致
def param_method_url(): # requests.request(method=‘get‘, url=‘http://127.0.0.1:8000/test/‘) # requests.request(method=‘post‘, url=‘http://127.0.0.1:8000/test/‘) pass def param_param(): # - 可以是字典 # - 可以是字符串 # - 可以是字节（ascii编码以内） # requests.request(method=‘get‘, # url=‘http://127.0.0.1:8000/test/‘, # params={‘k1‘: ‘v1‘, ‘k2‘: ‘水电费‘}) # requests.request(method=‘get‘, # url=‘http://127.0.0.1:8000/test/‘, # params="k1=v1&k2=水电费&k3=v3&k3=vv3") # requests.request(method=‘get‘, # url=‘http://127.0.0.1:8000/test/‘, # params=bytes("k1=v1&k2=k2&k3=v3&k3=vv3", encoding=‘utf8‘)) # 错误 # requests.request(method=‘get‘, # url=‘http://127.0.0.1:8000/test/‘, # params=bytes("k1=v1&k2=水电费&k3=v3&k3=vv3", encoding=‘utf8‘)) pass def param_data(): # 可以是字典 # 可以是字符串 # 可以是字节 # 可以是文件对象 # requests.request(method=‘POST‘, # url=‘http://127.0.0.1:8000/test/‘, # data={‘k1‘: ‘v1‘, ‘k2‘: ‘水电费‘}) # requests.request(method=‘POST‘, # url=‘http://127.0.0.1:8000/test/‘, # data="k1=v1; k2=v2; k3=v3; k3=v4" # ) # requests.request(method=‘POST‘, # url=‘http://127.0.0.1:8000/test/‘, # data="k1=v1;k2=v2;k3=v3;k3=v4", # headers={‘Content-Type‘: ‘application/x-www-form-urlencoded‘} # ) # requests.request(method=‘POST‘, # url=‘http://127.0.0.1:8000/test/‘, # data=open(‘data_file.py‘, mode=‘r‘, encoding=‘utf-8‘), # 文件内容是：k1=v1;k2=v2;k3=v3;k3=v4 # headers={‘Content-Type‘: ‘application/x-www-form-urlencoded‘} # ) pass def param_json(): # 将json中对应的数据进行序列化成一个字符串，json.dumps(...) # 然后发送到服务器端的body中，并且Content-Type是 {‘Content-Type‘: ‘application/json‘} requests.request(method=‘POST‘, url=‘http://127.0.0.1:8000/test/‘, json={‘k1‘: ‘v1‘, ‘k2‘: ‘水电费‘}) def param_headers(): # 发送请求头到服务器端 requests.request(method=‘POST‘, url=‘http://127.0.0.1:8000/test/‘, json={‘k1‘: ‘v1‘, ‘k2‘: ‘水电费‘}, headers={‘Content-Type‘: ‘application/x-www-form-urlencoded‘} ) def param_cookies(): # 发送Cookie到服务器端 requests.request(method=‘POST‘, url=‘http://127.0.0.1:8000/test/‘, data={‘k1‘: ‘v1‘, ‘k2‘: ‘v2‘}, cookies={‘cook1‘: ‘value1‘}, ) # 也可以使用CookieJar（字典形式就是在此基础上封装） from http.cookiejar import CookieJar from http.cookiejar import Cookie obj = CookieJar() obj.set_cookie(Cookie(version=0, name=‘c1‘, value=‘v1‘, port=None, domain=‘‘, path=‘/‘, secure=False, expires=None, discard=True, comment=None, comment_url=None, rest={‘HttpOnly‘: None}, rfc2109=False, port_specified=False, domain_specified=False, domain_initial_dot=False, path_specified=False) ) requests.request(method=‘POST‘, url=‘http://127.0.0.1:8000/test/‘, data={‘k1‘: ‘v1‘, ‘k2‘: ‘v2‘}, cookies=obj) def param_files(): # 发送文件 # file_dict = { # ‘f1‘: open(‘readme‘, ‘rb‘) # } # requests.request(method=‘POST‘, # url=‘http://127.0.0.1:8000/test/‘, # files=file_dict) # 发送文件，定制文件名 # file_dict = { # ‘f1‘: (‘test.txt‘, open(‘readme‘, ‘rb‘)) # } # requests.request(method=‘POST‘, # url=‘http://127.0.0.1:8000/test/‘, # files=file_dict) # 发送文件，定制文件名 # file_dict = { # ‘f1‘: (‘test.txt‘, "hahsfaksfa9kasdjflaksdjf") # } # requests.request(method=‘POST‘, # url=‘http://127.0.0.1:8000/test/‘, # files=file_dict) # 发送文件，定制文件名 # file_dict = { # ‘f1‘: (‘test.txt‘, "hahsfaksfa9kasdjflaksdjf", ‘application/text‘, {‘k1‘: ‘0‘}) # } # requests.request(method=‘POST‘, # url=‘http://127.0.0.1:8000/test/‘, # files=file_dict) pass def param_auth(): from requests.auth import HTTPBasicAuth, HTTPDigestAuth ret = requests.get(‘https://api.github.com/user‘, auth=HTTPBasicAuth(‘wupeiqi‘, ‘sdfasdfasdf‘)) print(ret.text) # ret = requests.get(‘http://192.168.1.1‘, # auth=HTTPBasicAuth(‘admin‘, ‘admin‘)) # ret.encoding = ‘gbk‘ # print(ret.text) # ret = requests.get(‘http://httpbin.org/digest-auth/auth/user/pass‘, auth=HTTPDigestAuth(‘user‘, ‘pass‘)) # print(ret) # def param_timeout(): # ret = requests.get(‘http://google.com/‘, timeout=1) # print(ret) # ret = requests.get(‘http://google.com/‘, timeout=(5, 1)) # print(ret) pass def param_allow_redirects(): ret = requests.get(‘http://127.0.0.1:8000/test/‘, allow_redirects=False) print(ret.text) def param_proxies(): # proxies = { # "http": "61.172.249.96:80", # "https": "http://61.185.219.126:3128", # } # proxies = {‘http://10.20.1.128‘: ‘http://10.10.1.10:5323‘} # ret = requests.get("http://www.proxy360.cn/Proxy", proxies=proxies) # print(ret.headers) # from requests.auth import HTTPProxyAuth # # proxyDict = { # ‘http‘: ‘77.75.105.165‘, # ‘https‘: ‘77.75.105.165‘ # } # auth = HTTPProxyAuth(‘username‘, ‘mypassword‘) # # r = requests.get("http://www.google.com", proxies=proxyDict, auth=auth) # print(r.text) pass def param_stream(): ret = requests.get(‘http://127.0.0.1:8000/test/‘, stream=True) print(ret.content) ret.close() # from contextlib import closing # with closing(requests.get(‘http://httpbin.org/get‘, stream=True)) as r: # # 在此处理响应。 # for i in r.iter_content(): # print(i) def requests_session(): import requests session = requests.Session() ### 1、首先登陆任何页面，获取cookie i1 = session.get(url="http://dig.chouti.com/help/service") ### 2、用户登陆，携带上一次的cookie，后台对cookie中的 gpsd 进行授权 i2 = session.post( url="http://dig.chouti.com/login", data={ ‘phone‘: "8615131255089", ‘password‘: "xxxxxx", ‘oneMonth‘: "" } ) i3 = session.post( url="http://dig.chouti.com/link/vote?linksId=8589623", ) print(i3.text)
BeautifulSoup是一个模块，该模块用于接收一个html或XML字符串，然后将其进行格式化，之后遍可以使用他提供的方法进行快速查找指定元素，从而使得在HTML或XML中查找指定元素变得简单。
以上是关于爬虫基础模块的主要内容，如果未能解决你的问题，请参考以下文章
Python练习册 第 0013 题： 用 Python 写一个爬图片的程序，爬 这个链接里的日本妹子图片 :-)，(http://tieba.baidu.com/p/2166231880)(代码片段