投稿    登录
  《Python3网络爬虫开发实战》赠书活动正在进行中!详情请戳赠书活动!欢迎参与!非常感谢!

[Python3网络爬虫开发实战] 3.2.1-基本用法

Python 崔庆才 14726浏览 149评论

1. 准备工作

在开始之前,请确保已经正确安装好了requests库。如果没有安装,可以参考1.2.1节安装。

2. 实例引入

urllib库中的urlopen()方法实际上是以GET方式请求网页,而requests中相应的方法就是get()方法,是不是感觉表达更明确一些?下面通过实例来看一下:

运行结果如下:

这里我们调用get()方法实现与urlopen()相同的操作,得到一个Response对象,然后分别输出了Response的类型、状态码、响应体的类型、内容以及Cookies。

通过运行结果可以发现,它的返回类型是requests.models.Response,响应体的类型是字符串str,Cookies的类型是RequestsCookieJar

使用get()方法成功实现一个GET请求,这倒不算什么,更方便之处在于其他的请求类型依然可以用一句话来完成,示例如下:

这里分别用post()put()delete()等方法实现了POST、PUT、DELETE等请求。是不是比urllib简单太多了?

其实这只是冰山一角,更多的还在后面。

3. GET请求

HTTP中最常见的请求之一就是GET请求,下面首先来详细了解一下利用requests构建GET请求的方法。

基本实例

首先,构建一个最简单的GET请求,请求的链接为http://httpbin.org/get,该网站会判断如果客户端发起的是GET请求的话,它返回相应的请求信息:

运行结果如下:

可以发现,我们成功发起了GET请求,返回结果中包含请求头、URL、IP等信息。

那么,对于GET请求,如果要附加额外的信息,一般怎样添加呢?比如现在想添加两个参数,其中namegermeyage是22。要构造这个请求链接,是不是要直接写成:

这样也可以,但是是不是有点不人性化呢?一般情况下,这种信息数据会用字典来存储。那么,怎样来构造这个链接呢?

这同样很简单,利用params这个参数就好了,示例如下:

运行结果如下:

通过运行结果可以判断,请求的链接自动被构造成了:http://httpbin.org/get?age=22&name=germey

另外,网页的返回类型实际上是str类型,但是它很特殊,是JSON格式的。所以,如果想直接解析返回结果,得到一个字典格式的话,可以直接调用json()方法。示例如下:

运行结果如下:

可以发现,调用json()方法,就可以将返回结果是JSON格式的字符串转化为字典。

但需要注意的书,如果返回结果不是JSON格式,便会出现解析错误,抛出json.decoder.JSONDecodeError异常。

抓取网页

上面的请求链接返回的是JSON形式的字符串,那么如果请求普通的网页,则肯定能获得相应的内容了。下面以“知乎”→“发现”页面为例来看一下:

这里我们加入了headers信息,其中包含了User-Agent字段信息,也就是浏览器标识信息。如果不加这个,知乎会禁止抓取。

接下来我们用到了最基础的正则表达式来匹配出所有的问题内容。关于正则表达式的相关内容,我们会在3.3节中详细介绍,这里作为实例来配合讲解。

运行结果如下:

我们发现,这里成功提取出了所有的问题内容。

抓取二进制数据

在上面的例子中,我们抓取的是知乎的一个页面,实际上它返回的是一个HTML文档。如果想抓去图片、音频、视频等文件,应该怎么办呢?

图片、音频、视频这些文件本质上都是由二进制码组成的,由于有特定的保存格式和对应的解析方式,我们才可以看到这些形形色色的多媒体。所以,想要抓取它们,就要拿到它们的二进制码。

下面以GitHub的站点图标为例来看一下:

这里抓取的内容是站点图标,也就是在浏览器每一个标签上显示的小图标,如图3-3所示。

图3-3 站点图标

这里打印了Response对象的两个属性,一个是text,另一个是content

运行结果如图3-4所示,其中前两行是r.text的结果,最后一行是r.content的结果。

图3-4 运行结果

可以注意到,前者出现了乱码,后者结果前带有一个b,这代表是bytes类型的数据。由于图片是二进制数据,所以前者在打印时转化为str类型,也就是图片直接转化为字符串,这理所当然会出现乱码。

接着,我们将刚才提取到的图片保存下来:

这里用了open()方法,它的第一个参数是文件名称,第二个参数代表以二进制写的形式打开,可以向文件里写入二进制数据。

运行结束之后,可以发现在文件夹中出现了名为favicon.ico的图标,如图3-5所示。

图3-5 图标

同样地,音频和视频文件也可以用这种方法获取。

添加headers

urllib.request一样,我们也可以通过headers参数来传递头信息。

比如,在上面“知乎”的例子中,如果不传递headers,就不能正常请求:

运行结果如下:

但如果加上headers并加上User-Agent信息,那就没问题了:

当然,我们可以在headers这个参数中任意添加其他的字段信息。

4. POST请求

前面我们了解了最基本的GET请求,另外一种比较常见的请求方式是POST。使用requests实现POST请求同样非常简单,示例如下:

这里还是请求http://httpbin.org/post,该网站可以判断如果请求是POST方式,就把相关请求信息返回。

运行结果如下:

可以发现,我们成功获得了返回结果,其中form部分就是提交的数据,这就证明POST请求成功发送了。

5. 响应

发送请求后,得到的自然就是响应。在上面的实例中,我们使用textcontent获取了响应的内容。此外,还有很多属性和方法可以用来获取其他信息,比如状态码、响应头、Cookies等。示例如下:

这里分别打印输出status_code属性得到状态码,输出headers属性得到响应头,输出cookies属性得到Cookies,输出url属性得到URL,输出history属性得到请求历史。

运行结果如下:

因为session_id过长,在此简写。可以看到,headerscookies这两个属性得到的结果分别是CaseInsensitiveDictRequestsCookieJar类型。

状态码常用来判断请求是否成功,而requests还提供了一个内置的状态码查询对象requests.codes,示例如下:

这里通过比较返回码和内置的成功的返回码,来保证请求得到了正常响应,输出成功请求的消息,否则程序终止,这里我们用requests.codes.ok得到的是成功的状态码200。

那么,肯定不能只有ok这个条件码。下面列出了返回码和相应的查询条件:

比如,如果想判断结果是不是404状态,可以用requests.codes.not_found来比对。

转载请注明:静觅 » [Python3网络爬虫开发实战] 3.2.1-基本用法

喜欢 (37)or分享 (0)

我的个人微信公众号,联系我请直接在公众号留言即可~

扫码或搜索:进击的Coder

进击的Coder

微信公众号 扫一扫关注

想结交更多的朋友吗?

来进击的Coder瞧瞧吧

进击的Coder

QQ群号 99350970 立即加入

进击的Coder灌水太多?

这里是纯粹的技术领地

激进的Coder

QQ群号 627725766 立即加入

您的支持是博主写作最大的动力,如果您喜欢我的文章,感觉我的文章对您有帮助,请狠狠点击下面的

发表我的评论
取消评论
表情

Hi,您需要填写昵称和邮箱!

  • 昵称 (必填)
  • 邮箱 (必填)
  • 网址
(149)个小伙伴在吐槽
  1. always a significant fan of linking to bloggers that I appreciate but dont get quite a bit of link appreciate from
    Hot webcam2019-01-16 18:53 (2小时前)回复
  2. check beneath, are some absolutely unrelated internet sites to ours, however, they may be most trustworthy sources that we use
    Hot webcam2019-01-16 18:53 (2小时前)回复
  3. just beneath, are quite a few totally not connected sites to ours, having said that, they're surely really worth going over
    Sexy chat2019-01-16 18:22 (2小时前)回复
  4. here are some links to web sites that we link to because we feel they're really worth visiting
    Sexy chat2019-01-16 16:30 (4小时前)回复
  5. The data mentioned in the post are a few of the most effective accessible
    gucci handbags2019-01-16 11:40 (9小时前)回复
  6. one of our visitors a short while ago proposed the following website
    gucci bags2019-01-16 11:13 (9小时前)回复
  7. that may be the finish of this post. Here you will uncover some sites that we feel you will enjoy, just click the hyperlinks over
    Tory Burch2019-01-16 09:35 (11小时前)回复
  8. we like to honor many other world-wide-web internet sites on the internet, even when they arent linked to us, by linking to them. Below are some webpages really worth checking out
    Tory Burch2019-01-16 08:26 (12小时前)回复
  9. we prefer to honor numerous other world wide web internet sites around the internet, even if they arent linked to us, by linking to them. Under are some webpages really worth checking out
  10. we like to honor a lot of other web internet sites on the internet, even though they arent linked to us, by linking to them. Beneath are some webpages worth checking out
  11. Sites of interest we've a link to
  12. below you will discover the link to some websites that we feel you ought to visit
    sexy Melody webcam2019-01-15 08:59 (1天前)回复
  13. just beneath, are quite a few completely not connected sites to ours, having said that, they may be surely worth going over
    sexy Melody webcam2019-01-15 04:38 (2天前)回复
  14. one of our guests not too long ago proposed the following website
    sweet Sofia cam2019-01-15 01:30 (2天前)回复
1 8 9 10