python网络爬虫的基本步骤-Python网络爬虫与信息提取(一)(入门篇)
#没有谁天生喜欢学习,只是不愿输#
(初学爬虫,会持续更新)
①爬取工具:MySQL数据库
Navicat for mysql
编程语言python3
集成开发环境pycharm(community)
Python包管理器Anaconda3
②基本知识:(1)request库:
requests库的七个主要方法
requests.request() ==> 构造一个请求,支撑以下各方法的基础方法
requests.get() ==> 获取HTML网页的主要方法,对应于HTTP的GET
requests.head() ==> 获取HTML网页头信息的方法,对应于HTTP的HEAD
requests.post() ==> 向HTML网页提交POST请求的方法,对应于HTTP的POST
requests.put() ==> 向HTML网页提交PUT请求的方法,对应于HTTP的PUT
requests.patch() ==> 向HTML网页提交局部修改请求,对应于HTTP的PATCH
requests.delete() ==> 向HTML页面提交删除请求,对应于HTTP的DELETE
Requests库的两个重要对象分别是Response和Request
其中Response对象包含爬虫返回的全部信息
Response对象的属性
r.status_code ==> HTTP请求的返回状态,200表示连接成功,404表示连接失败
r.text ==> HTTP响应内容的字符串形式,即,url对应的页面内容
r.encoding ==> 从HTTP header中猜测的响应内容编码方式
r.apparent_encoding ==> 从内容中分析出的响应内容编码方式(备选编码方式)
r.content ==> HTTP响应内容的二进制形式
Response的编码
Requests库的异常
requests.ConnectionError ==> 网络连接错误异常,如DNS查询失败、拒绝连接等
requests.HTTPError ==> HTTP错误异常
requests.URLRequired ==> URL缺失异常
requests.TooManyRedirects ==> 超过最大重定向次数,产生重定向异常
requests.ConnectTimeout ==> 连接远程服务器超时异常
requests.Timeout ==> 请求URL超时,产生超时异常
爬取网页的通用代码框架
importrequestsdefgetHTMLText(url):try:
r=requests.get(url,timeout=30)
r.raise_for_status() #如果状态不是200,引发HTTPError异常
r.encoding=r.apparent_encodinngreturnr.textexcept:return "产生异常"
if _name_ == "_main_":
url="http://www.baidu.com"
print(getHTMLText(url))
Requests函数包括十三个访问控制参数
requests.request(method,url,**kwargs)
**kwargs: 控制访问的参数,均为可选项
①params: 字典或字节序列,作为参数增加到url中
>>>kv={'key1':'value1','key2':'value2'}>>>r=requests.request('GET','http://python123.io/ws',params=kv)>>>print(r,url)
http://python123.io/ws?key1=value1&key2=value2
②data: 字典、字节序列或文件对象,作为Request的内容
>>>kv=('key1':'value1','key2':'value2')>>>r=requests.request('POST','http://python123.io/ws',data=kv)>>>body='主体内容'
>>>r=requests.request('POST','http://python123.io/ws',data=body)
③json: JSON格式的数据,作为Request的内容
>>>kv={'key1':'value1'}>>>r=requests.request('POST','http://python123.io/ws',json=kv)
④headers: 字典,HTTP定制头
>>>hd={'user-agent';'Chrome/10'}>>>r=requests.request('POST','http://python123.io/ws',headers=hd)
⑤cookies(是request库的高级功能): 字典或Cookie.Jar , Request中的cookie
⑥auth(是request库的高级功能): 元组, 支持HTTP认证功能
⑦files: 字典类型,传输文件
>>>fs={'file': open('data.xls','rb')}>>>r=requests.request('POST','http://python123.io/ws',files=fs)
⑧timeout: 设定超时时间,秒为单位
>>>r=requests.request('GET','http://www.baidu.com',timeout=10)
⑨proxies: 字典类型,设定访问代理服务器,可以增加登录认证
>>>pxs={'http':'http://user:pass@10.10.1:1234'
'https':'https://10.10.10.1:4321'}>>>r=requests.request('GET','http://www.baidu.com',proxies=pxs)
⑩allow_redirects: True/False,默认为True,重定向开关
⑪stream: True/False,默认为True,获取内容立即下载开关
⑫verify: True/False,默认为True,认证SSL证书开关
⑬cert: 本地SSL证书路径
Requests库网络爬取简单实例
①百度360搜索关键词提交:
搜索引擎关键词提交接口:
百度搜索全代码:
importrequests
keyword="Python"
try:
kv={'wd':keyword}
r=requests.get("http://www.baidu.com/s" , params=kv)print(r.request.url)
r.raise_for_status()print(len(r.text))except:print("爬取失败")
360搜索全代码:
importrequests
keyword="Python"
try:
kv={'q':keyword}
r=requests.get(kv)print(r.request.url)
r.raise_for_status()print(len(r.text))except:print("爬取失败")
②网络图片的爬取和存储:
网络图片链接的格式:
图片爬取全代码:
importrequestsimportos
url="http://image.ngchina.com.cn/2019/0707/20190707123014213.jpg"root="D://pictures//"path=root+url.split('/')[-1]try:if notos.path.exists(root):
os.mkdir(root)if notos.path.exists(path):
r=requests.get(url)
with open(path,'wb') as f:
f.write(r.content)
f.close()print("文件保存成功")else:print("文件已存在")except:print("爬取失败")
③IP地址归属地的自动查询:
IP地址查询的全代码:
importrequests
url="http://m.ip138.com/ip.asp?ip="
try:
r=requests.get(url+'202.204.80.112')
r.raise_for_status()
r.encoding=r.apparent_encodingprint(r.text[-500:])except:print("爬取失败")
④添加headers:
和前面我们将urllib模块的时候一样,我们同样可以定制headers的信息,如当我们直接通过requests请求知乎网站的时候,默认是无法访问的,会得到如下错误:
因为访问知乎需要头部信息,这个时候我们在谷歌浏览器里输入chrome://version,就可以看到用户代理,将用户代理添加到头部信息
importrequests
headers={"User-Agent":"Mozilla/5.0 (Macintosh; Intel Mac OS X 10_12_4) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/58.0.3029.110 Safari/537.36"}
response=requests.get("https://www.zhihu.com",headers=headers)print(response.text)
python网络爬虫的基本步骤-Python网络爬虫与信息提取(一)(入门篇)相关推荐
- python网络爬虫的基本步骤-python爬虫入门需要哪些基础/python 网络爬虫教程
如何入门 Python 爬虫 入门个吊,放弃 python爬虫入门需要哪些基础 现在之所以有多的小伙伴热衷于爬虫技术,无外乎是因为爬我们做很多事情,比如搜索引擎.采集数据.广告过滤等,以Python为 ...
- python网络爬虫的基本步骤-Python网络爬虫学习手记(1)——爬虫基础
1.爬虫基本概念 网络爬虫(又被称为网页蜘蛛,网络机器人,在FOAF社区中间,更经常的称为网页追逐者),是一种按照一定的规则,自动地抓取万维网信息的程序或者脚本.--------百度百科 简单的说,爬 ...
- python图像分析_python分析问题步骤Python比较两个图片相似度的方法
本文实例讲述了Python比较两个图片相似度的方法.分享给大家供大家参考.具体分析如下: 这段代码实用pil模块比较两个图片的相似度,根据实际实用,代码虽短但效果不错,还是非常靠谱的,前提是图片要大一 ...
- python中国大学排名爬虫写明详细步骤-python网络爬虫入门实例:中国大学排名定向爬虫...
中国大学排名定向爬虫的 设计和实现 一.环境安装: 1.选择一个适合自己的IDE(以下代码用Jupyter Notebook编写) 2.打开cmd,安装requests库和beautifulsoup4 ...
- python中国大学排名爬虫写明详细步骤-python中国大学排名爬虫
python 中国大学排名爬虫 首先,给一个最好大学网URL:http://www.zuihaodaxue.cn/zuihaodaxuepaiming2016.html, 点击这里进入 . 功能描述 ...
- python中国大学排名爬虫写明详细步骤-Python爬虫——定向爬取“中国大学排名网”...
内容整理自中国大学MOOC--北京理工大学-蒿天-Python网络爬虫与信息提取 相关实战章节 我们预爬取的url如下 网页节选 在浏览器中读取网页源代码 可以 发现表格数据信息是直接写入HTML页面 ...
- 用python爬虫的基本步骤-Python爬虫入门:爬虫基础了解
1.什么是爬虫 爬虫,即网络爬虫,大家可以理解为在网络上爬行的一直蜘蛛,互联网就比作一张大网,而爬虫便是在这张网上爬来爬去的蜘蛛咯,如果它遇到资源,那么它就会抓取下来.想抓取什么?这个由你来控制它咯. ...
- python中国大学排名爬虫写明详细步骤-Python爬虫--2019大学排名数据抓取
Python爬虫--2019大学排名数据抓取 准备工作 输入:大学排名URL连接 输出:大学排名信息屏幕输出 所需要用到的库:requests,bs4 思路 获取网页信息 提取网页中的内容并放到数据结 ...
- python中国大学排名爬虫写明详细步骤-Python之爬虫-中国大学排名
#!/usr/bin/env python # coding: utf-8 import bs4 import requests from bs4 import BeautifulSoup # 通过传 ...
最新文章
- C#未来新特性:静态委托和函数指针
- static_cast函数
- linux查看所有磁盘信息fdisk,Linux下添加新硬盘,分区及挂载 挂载好新硬盘后输入fdisk -l命令看当前磁盘信息 可以看...
- shell输出没有换行符
- Dom对象、JavaScript对象、jQuery对象区别
- i12蓝牙耳机使用说明书图片_配置强悍、适用于开车、运动的蓝牙耳机Xisem西圣 Ares使用体验...
- error C2143: syntax error : missing ‘;’ before ‘type’
- 面试精讲之面试考点及大厂真题 - 分布式专栏 15 如何解决消息重复,保证消息顺序问题
- Redis登陆服务器和批量删除指定的key
- ROS学习笔记(一)——软件版本的选择
- Shell脚本中date的用法小结
- 常用Linux命令--CPU和GPU查看
- n−皇后问题 (dfs)
- Mandriva linux 资源列表
- Word分栏出现空白怎么解决
- 首行缩进,文字之间的间距
- V2X测试系列——V2X应用场景仿真及开发流程
- scratch躲避球
- 设计模式7-适配器模式
- 也不能在你喝醉的时候假装很生气的臭骂一顿