往期內容提要:
- [Python爬蟲] 一、爬蟲原理之HTTP和HTTPS的請求與響應
- [Python爬蟲] 二、爬蟲原理之定義、分類、流程與編碼格式
一、urllib 模塊
所謂網頁抓取,就是把URL地址中指定的網絡資源從網絡流中讀取出來,保存到本地。 在Python中有很多庫可以用來抓取網頁,其中最常見的就是Python中內置的HTTP請求庫——urllib模塊。
在 python2 中,urllib 被分爲urllib,urllib2等
urllib模塊是Python內置的HTTP請求庫,它不需要我們額外安裝,可以直接引入urllib模塊進行使用。urllib模塊主要包含四大塊內容:
- request,它是urllib模塊中最核心的部分,是最基本的HTTP請求模塊。request可以模擬發送請求,就像我們在瀏覽器裏輸入網址然後敲擊回車一樣。
- error,它是urllib的異常處理模塊,當模擬的請求發生錯誤時,比如網絡連接失敗、禁止訪問等,我們就可以使用error模塊來捕獲這些異常,然後進行重試或其他操作來保證程序不會意外終止。
- parse,它是urllib的一個工具模塊,提供了許多對URL的處理方法,比如拆分、解析、合併等。
- robotparser,它的功能主要用於識別網站下的robots.txt文件,通過robots.txt文件可以幫助我們判斷當前網站是否可以爬,從而遠離不必要的法律糾紛。
二、Requests:發送網絡請求,返回響應數據
雖然Python的標準庫中 urllib 模塊已經包含了平常我們使用的大多數功能,但是它的 API 使用起來讓人感覺不太好,而 Requests 自稱 "HTTP for Humans",說明使用更簡潔方便。
Requests 唯一的一個非轉基因的 Python HTTP 庫,人類可以安全享用;requests在python2 和python3中通用,方法完全一樣;能夠自動幫助我們解壓(gzip壓縮的等)網頁內容。
Requests 繼承了urllib的所有特性。Requests支持HTTP連接保持和連接池,支持使用cookie保持會話,支持文件上傳,支持自動確定響應內容的編碼,支持國際化的 URL 和 POST 數據自動編碼。
requests 的底層實現其實就是 urllib
Requests的文檔非常完備,中文文檔也相當不錯。Requests能完全滿足當前網絡的需求,支持Python 2.6--3.5,而且能在PyPy下完美運行。
開源地址:https://github.com/kennethreitz/requests
中文文檔 API: http://docs.python-requests.org/zh_CN/latest/index.html
(1)安裝方式:
利用 pip 安裝 或者利用 easy_install 都可以完成安裝:
$ pip install requests
$ easy_install requests
(2)response的常用方法:
- response.text
- respones.content
- response.status_code
- response.request.headers
- response.headers
- response.text
類型:str
解碼類型: 根據HTTP 頭部對響應的編碼作出有根據的推測,推測的文本編碼
如何修改編碼方式:response.encoding=”gbk” - response.content
類型:bytes
解碼類型: 沒有指定
如何修改編碼方式:response.content.deocde(“utf8”)
更推薦使用response.content.deocde()的方式獲取響應的html頁面。
(1) 基本GET請求(headers參數 和 parmas參數)
GET請求一般用於我們向服務器獲取數據,以 http://www.baidu.com/s? 爲例,我們可以看到在請求部分之後出現一個長長的字符串,其中就包含我們要查詢的關鍵詞,於是我們可以嘗試用默認的Get方式來發送請求。
1. 最基本的GET請求可以直接用get方法
response = requests.get("http://www.baidu.com/")
# 也可以這麼寫
# response = requests.request("get", "http://www.baidu.com/")
2. 添加 headers 和 查詢參數
如果想添加 headers,可以傳入headers
參數來增加請求頭中的headers信息。如果要將參數放在url中傳遞,可以利用 params
參數。
import requests
kw = {'wd':'長城'}
headers = {"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/54.0.2840.99 Safari/537.36"}
# params 接收一個字典或者字符串的查詢參數,字典類型自動轉換爲url編碼,不需要urlencode()
response = requests.get("http://www.baidu.com/s?", params = kw, headers = headers)
# 查看響應內容,response.text 返回的是Unicode格式的數據
print (response.text)
# 查看響應內容,response.content返回的字節流數據
print (respones.content)
# 查看完整url地址
print (response.url)
# 查看響應頭部字符編碼
print (response.encoding)
# 查看響應碼
print (response.status_code)
運行結果
......
......
'http://www.baidu.com/s?wd=%E9%95%BF%E5%9F%8E'
'utf-8'
200
使用response.text 時,Requests 會基於 HTTP 響應的文本編碼自動解碼響應內容,大多數 Unicode 字符集都能被無縫地解碼。
使用response.content 時,返回的是服務器響應數據的原始二進制字節流,可以用來保存圖片等二進制文件。
1.1 GET請求之實戰1:通過requests獲取新浪首頁爲例
#coding=utf-8
import requests
response = requests.get("http://www.sina.com")
print(response.request.headers)
print(response.content.decode())
結果
{'User-Agent': 'python-requests/2.12.4', 'Accept-Encoding': 'gzip, deflate', 'Accept': '*/*', 'Connection': 'keep-alive'}
<!DOCTYPE html>
<!-- [ published at 2017-06-09 15:15:23 ] -->
<html>
<head>
<meta http-equiv="Content-type" content="text/html; charset=utf-8" />
<meta http-equiv="X-UA-Compatible" content="IE=edge" />
<title>新浪首頁</title>
<meta name="keywords" content="新浪,新浪網,SINA,sina,sina.com.cn,新浪首頁,門戶,資訊" />
...
#coding=utf-8
import requests
response = requests.get("http://www.sina.com")
print(response.request.headers)
print(response.text)
結果
{'User-Agent': 'python-requests/2.12.4', 'Accept-Encoding': 'gzip, deflate', 'Accept': '*/*', 'Connection': 'keep-alive'}
<!DOCTYPE html>
<!-- [ published at 2017-06-09 15:18:10 ] -->
<html>
<head>
<meta http-equiv="Content-type" content="text/html; charset=utf-8" />
<meta http-equiv="X-UA-Compatible" content="IE=edge" />
<title>新浪首页</title>
<meta name="keywords" content="新浪,新浪网,SINA,sina,sina.com.cn,新浪首页,门户,资讯" />
<meta name="description" content="新浪网为全çƒç”¨æˆ·24å°æ—¶æ供全é¢åŠæ—¶çš„ä¸æ–‡èµ„讯,内容覆盖国内外çªå‘新闻事件ã€ä½“å›èµ›äº‹ã€å¨±ä¹æ—¶å°šã€äº§ä¸šèµ„讯ã€å®žç”¨ä¿¡æ¯ç‰ï¼Œè®¾æœ‰æ–°é—»ã€ä½“育ã€å¨±ä¹ã€è´¢ç»ã€ç§‘技ã€æˆ¿äº§ã€æ±½è½¦ç‰30多个内容频é“,åŒæ—¶å¼€è®¾åšå®¢ã€è§†é¢‘ã€è®ºå›ç‰è‡ªç”±äº’动交æµç©ºé—´ã€‚" />
<link rel="mask-icon" sizes="any" href="//www.sina.com.cn/favicon.svg" color="red">
產生問題的原因分析
- requests默認自帶的Accept-Encoding導致或者新浪默認發送的就是壓縮之後的網頁;
- 但是爲什麼content.read()沒有問題,因爲requests,自帶解壓壓縮網頁的功能;
- 當收到一個響應時,Requests 會猜測響應的編碼方式,用於在你調用response.text 方法時對響應進行解碼。Requests 首先在 HTTP 頭部檢測是否存在指定的編碼方式,如果不存在,則會使用 chardet.detect來嘗試猜測編碼方式(存在誤差);
- 更推薦使用
response.content.deocde()
1.2 GET請求之實戰2:通過requests獲取網絡上圖片的大小
from io import BytesIO,StringIO
import requests
from PIL import Image
img_url = "http://imglf1.ph.126.net/pWRxzh6FRrG2qVL3JBvrDg==/6630172763234505196.png"
response = requests.get(img_url)
f = BytesIO(response.content)
img = Image.open(f)
print(img.size)
輸出結果:
(500, 262)
理解一下 BytesIO 和StringIO
很多時候,數據讀寫不一定是文件,也可以在內存中讀寫。
StringIO顧名思義就是在內存中讀寫str。
BytesIO 就是在內存中讀寫bytes類型的二進制數據
例子中如果使用StringIO 即f = StringIO(response.text)
會產生“cannot identify image file”
的錯誤
當然上述例子也可以把圖片存到本地之後再使用Image打開來獲取圖片大小
(2) 基本post請求(data參數)
1. 最基本post方法
response = requests.post("http://www.baidu.com/", data = data)
2. 傳入data數據
對於 POST 請求來說,我們一般需要爲它增加一些參數。那麼最基本的傳參方法可以利用 data
這個參數。data是一個字典,裏面要匹配鍵值對。
import requests
formdata = {
"type":"AUTO",
"i":"i love python",
"doctype":"json",
"xmlVersion":"1.8",
"keyfrom":"fanyi.web",
"ue":"UTF-8",
"action":"FY_BY_ENTER",
"typoResult":"true"
}
url = "http://fanyi.youdao.com/translate?smartresult=dict&smartresult=rule&smartresult=ugc&sessionFrom=null"
headers={ "User-Agent": "Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/51.0.2704.103 Safari/537.36"}
response = requests.post(url, data = formdata, headers = headers)
print (response.text)
# 如果是json文件可以直接顯示
print (response.json())
運行結果
{"type":"EN2ZH_CN","errorCode":0,"elapsedTime":3,"translateResult":[[{"src":"i love python","tgt":"我喜歡python"}]],"smartResult":{"type":1,"entries":["","肆文","","","高德納","",""]}}
{'type': 'EN2ZH_CN', 'errorCode': 0, 'elapsedTime': 3, 'translateResult': [[{'src': 'i love python', 'tgt': '我喜歡python'}]], 'smartResult': {'type': 1, 'entries': ['', '肆文', '', '', '高德納', '', '']}}
(3) 代理(proxies參數)
爲什麼爬蟲需要使用代理?
讓服務器以爲不是同一個客戶端在請求
防止我們的真實地址被泄露,防止被追究
如果需要使用代理,你可以通過爲任意請求方法提供 proxies
參數來配置單個請求:
import requests
# 根據協議類型,選擇不同的代理
proxies = {
"http": "http://12.34.56.79:9527",
"https": "http://12.34.56.79:9527",
}
response = requests.get("http://www.baidu.com", proxies = proxies)
print response.text
也可以通過本地環境變量 HTTP_PROXY
和 HTTPS_PROXY
來配置代理:
export HTTP_PROXY="http://12.34.56.79:9527"
export HTTPS_PROXY="https://12.34.56.79:9527"
(4) 私密代理驗證(特定格式) 和 Web客戶端驗證(auth 參數)
1. 私密代理
import requests
# 如果代理需要使用HTTP Basic Auth,可以使用下面這種格式:
proxy = { "http": "mr_mao_hacker:[email protected]:16816" }
response = requests.get("http://www.baidu.com", proxies = proxy)
print (response.text)
2.web客戶端驗證
如果是Web客戶端驗證,需要添加 auth = (賬戶名, 密碼)
import requests
auth=('test', '123456')
response = requests.get('http://192.168.199.107', auth = auth)
print (response.text)
(5) Cookies 和 Sission
兩者區別:
- cookie數據存放在客戶的瀏覽器上,session數據放在服務器上。
- cookie不是很安全,別人可以分析存放在本地的cookie並進行cookie欺騙。
- session會在一定時間內保存在服務器上。當訪問增多,會比較佔用你服務器的性能。
- 單個cookie保存的數據不能超過4K,很多瀏覽器都限制一個站點最多保存20個cookie。
- 帶上cookie、session的好處:能夠請求到登錄之後的頁面
- 帶上cookie、session的弊端:一套cookie和session往往和一個用戶對應,請求太快,請求次數太多,容易被服務器識別爲爬蟲
- 因此,不需要cookie的時候儘量不去使用cookie。但是爲了獲取登錄之後的頁面,我們必須發送帶有cookies的請求
1. Cookies
如果一個響應中包含了cookie,那麼我們可以利用 cookies參數拿到:
import requests
response = requests.get("http://www.baidu.com/")
# 7\. 返回CookieJar對象:
cookiejar = response.cookies
# 8\. 將CookieJar轉爲字典:
cookiedict = requests.utils.dict_from_cookiejar(cookiejar)
print (cookiejar)
print (cookiedict)
運行結果:
<RequestsCookieJar[<Cookie BDORZ=27315 for .baidu.com/>]>
{'BDORZ': '27315'}
2. session
在 requests 裏,session對象是一個非常常用的對象,這個對象代表一次用戶會話:從客戶端瀏覽器連接服務器開始,到客戶端瀏覽器與服務器斷開。
會話能讓我們在跨請求時候保持某些參數,比如在同一個 Session 實例發出的所有請求之間保持 cookie 。
(6)處理HTTPS請求 SSL證書驗證
Requests也可以爲HTTPS請求驗證SSL證書:
- 要想檢查某個主機的SSL證書,你可以使用 verify 參數(也可以不寫)
import requests
response = requests.get("https://www.baidu.com/", verify=True)
# 也可以省略不寫
# response = requests.get("https://www.baidu.com/")
print (r.text)
運行結果:
<!DOCTYPE html>
<!--STATUS OK--><html> <head><meta http-equiv=content-type
content=text/html;charset=utf-8><meta http-equiv=X-UA-Compatible
content=IE=Edge>百度一下,你就知道 ....
- 如果SSL證書驗證不通過,或者不信任服務器的安全證書,則會報出SSLError,據說 12306 證書是自己做的:
來測試一下:
import requests
response = requests.get("https://www.12306.cn/mormhweb/")
print (response.text)
結果:
SSLError: ("bad handshake: Error([('SSL routines', 'ssl3_get_server_certificate', 'certificate verify failed')],)",)
如果我們想跳過 12306 的證書驗證,把 verify 設置爲 False 就可以正常請求了。
r = requests.get("https://www.12306.cn/mormhweb/", verify = False)
後期內容提要:
- [Python爬蟲] 四、數據抓取之HTTP/HTTPS抓包工具Fiddler
- [Python爬蟲] 五、數據提取之正則表達式re模塊
- [Python爬蟲] 六、數據提取之XPath與lxml類庫
- [Python爬蟲] 七、結構化數據提取之JSON與JsonPATH
- [Python爬蟲] 八、動態HTML處理之Selenium與PhantomJS
- [Python爬蟲] 九、機器視覺與機器圖像識別之Tesseract
- [Python爬蟲] 十、Scrapy 框架
如果您有任何疑問或者好的建議,期待你的留言與評論!