Python网络爬虫学习基础笔记

本次学习的python爬虫所使用的是requests库
下面就是requests库的7种主要方法

基础访问流程

st=>start: 创建requests对象
op1=>operation: 检查r.status_code
cond=>condition: r.status_code==200?
op2=>operation: 进行后续操作
sub=>subroutine: 访问失败
e=>end

st->op1->cond
cond(yes)->op2->e
cond(no)->sub

get()方法简介
部分语法r=requests.get(url)
表示构造一个向服务器请求资源的Request对象，返回一个包含服务器资源的Respon对象
完整语法requests.get(url,params=None,**kwargs)

get()方法参数 说明
url 拟获取页面的URL链接
params url中的额外参数，控制字典或字节流格式(可选)
**kwargs 12个控制访问参数
Response对象属性 说明
r.status_code HTTP请求的返回状态，200表示链接成功404表示失败
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 从内容分析出的响应内容的编码方式(备选编码方式)
r.content HTTP响应内容的二进制形式
基本示例

#在python shell中进行逐行输入
import requests
r=requests.get("http://www.baidu.com")
r.status_code#返回了200表示访问成功
r.text#输出访问内容--发现有部分中文乱码
r.encoding#发现编码为ISO-8859-1
r.apparent_encoding#发现内容编码为UTF-8
r.encoding = 'utf-8'#将读取编码改为utf-8
r.text#此时发现输出内容正常
r.encoding：如果header中不存在charset,则认为默认编码为ISO-8859-1
r.apparent_encoding：根据网页内容分析出的编码方式
11

Requests库异常
异常 说明
requests.ConnectionError 网络连接错误异常，如DNS查python基础教程询失败、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c#教程向异常
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
Response异常

异常 说明
r.raise_for_status() 如果不是200，产生异常 requests.HTTPError
爬取网页通用代码框架

import requests
def getHtmlText(url):
    try:
        r = requests.get(url, timeout=30)
        r.raise_for_status()#状态码不是200时,引发HTTPError异常
        r.encoding = r.apparent_encoding#设置读取编码为页面内容编码，防止乱码
        return r.text
    except:
        return "发生异常"
if __name__ == "__main__":
    url="http://www.baidu.com"
    print(getHtmlText(url))
11
12

通过r.raise_for_status()以及try–except捕捉访问异常

requests.requests控制访问的参数
参数名 说明
params 字典或字节序列，作为参数增加到url中
data 字典，字节序列或文件对象，作为Request的内容
json JSON格式的数据，作为Request的内容
headers 字典，HTTP定制头（模拟浏览器进行访问）
cokies 字典或CpplieJar,Request中的cookie
auth 元祖，支持HTTP认证功能
files 字典类型，传输文件
timeout 设定超时时间，秒为单位
proxies 字典类型，设定访问代理服务器，可以增vb.net教程
加登陆认证,防止爬虫反追踪
allow_redirects True//False，默认为True，重定向开关
stream True/False,默认为True,获取内容立即下载开关
verify True/False,默认为True，认证SSL证书开关
cert 本地SSL证书路径"""
params参数的例子:
例：

kv={'key1':'value','key2':'value2'} r=requests.request('GET','http://python123.io/ws',params=kv) print(r.url)
1

输出为:http://python.io/ws?key1=value1&key2=value2

各方法语法以及需要的控制参数
语法 可选额外控制参数

requests.get(url, params=None, **kwargs)	12
requests.head(url, **kwargs)	12
requests.post(url, data=None, json=None, **kwargs)	12
requests.put(url, data=None, **kwargs)	12
requests.patch(url, data=None, **kwargs)	12
requests.delete(url, **kwargs)	12
1
2
3
4
5
6