【Python爬虫】01：网络爬虫--规则

Python网络爬虫与信息提取

目标：掌握定向网络数据爬取和网页解析的基本能力。

the website is the API

课程分为以下部分：

1、requsets库（自动爬取HTML页面、自动网络请求提交）

2、robots.txt规则（网络爬虫排除标准）（合理合法的使用爬虫）

3、beautiful soup库（解析HTML页面）（提取相关项目）

4、projects项目（实战项目A/B）

5、re正则表达式库（正则表达式详解、提取页面关键信息）

6、专业网络爬虫框架scrapy*（网络爬虫原理介绍、专业爬虫框架介绍）

IDE：集成开发环境，编写、调试、发布Python程序的工具。

常用的Python IDE工具有2大类：

一、文本工具类IDE

二、集成工具类IDE

IDLE：自带、默认、常用、入门级。包含交互式和文件式两种方式。

使用：Python入门、功能简单直接、300+代码以内

sublime text：专为程序员开发的第三方专用编程工具、专业编程体验（专业程序员都用这个）、多种编程风格、工具非注册免费试用。

Wing：公司维护，工具收费；调试功能丰富；版本控制，版本同步；适合多人共同开发

Visual Studio & PTVS：微软公司维护；win环境为主；调试功能丰富。

PyCharm：社区版免费；简单，集成度高；适合较复杂工程。

专门针对科学计算、数据分析的IDE

Canopy：公司维护，工具收费；支持近500个第三方库；适合科学计算领域应用开发。

Anaconda：开源免费；支持近800个第三方库。

Requests库入门

requests库安装：

1、打开“cmd”；2、输入：pip install requests；3、安装完成

requests库测试：在IDLE操作

>>> import requests

>>> r = requests.get("http://www.baidu.com")

>>> r.status_code   # 查看r的状态码

200                 # 状态码为200表示爬取成功，不是200则访问失败

>>> r.encoding = "utf-8"

>>> r.text   # 下面内容表示成功爬取百度首页内容

'<!DOCTYPE html>\r\n<!--STATUS OK--><html> <head><meta http-equiv=content-type content=text/html;charset=utf-8><meta http-equiv=X-UA-Compatible content=IE=Edge><meta content=always name=referrer><link rel=stylesheet type=text/css href=https://ss1.bdstatic.com/5eN1bjq8AAUYm2zgoY3K/r/www/cache/bdorz/baidu.min.css><title>百度一下，你就知道</title></head> <body link=#0000cc> <div id=wrapper> <div id=head> <div class=head_wrapper> <div class=s_form> <div class=s_form_wrapper> <div id=lg> <img hidefocus=true src=//www.baidu.com/img/bd_logo1.png width=270 height=129> </div> <form id=form name=f action=//www.baidu.com/s class=fm> <input type=hidden name=bdorz_come value=1> <input type=hidden name=ie value=utf-8> <input type=hidden name=f value=8> <input type=hidden name=rsv_bp value=1> <input type=hidden name=rsv_idx value=1> <input type=hidden name=tn value=baidu><span class="bg s_ipt_wr"><input id=kw name=wd class=s_ipt value maxlength=255 autocomplete=off autofocus=autofocus></span><span class="bg s_btn_wr"><input type=submit id=su value=百度一下 class="bg s_btn" autofocus></span> </form> </div> </div> <div id=u1> <a href=http://news.baidu.com name=tj_trnews class=mnav>新闻</a> <a href=https://www.hao123.com name=tj_trhao123 class=mnav>hao123</a> <a href=http://map.baidu.com name=tj_trmap class=mnav>地图</a> <a href=http://v.baidu.com name=tj_trvideo class=mnav>视频</a> <a href=http://tieba.baidu.com name=tj_trtieba class=mnav>贴吧</a> <noscript> <a href=http://www.baidu.com/bdorz/login.gif?login&amp;tpl=mn&amp;u=http%3A%2F%2Fwww.baidu.com%2f%3fbdorz_come%3d1 name=tj_login class=lb>登录</a> </noscript> <script>document.write(\'<a href="http://www.baidu.com/bdorz/login.gif?login&tpl=mn&u=\'+ encodeURIComponent(window.location.href+ (window.location.search === "" ? "?" : "&")+ "bdorz_come=1")+ \'" name="tj_login" class="lb">登录</a>\');\r\n                </script> <a href=//www.baidu.com/more/ name=tj_briicon class=bri style="display: block;">更多产品</a> </div> </div> </div> <div id=ftCon> <div id=ftConw> <p id=lh> <a href=http://home.baidu.com>关于百度</a> <a href=http://ir.baidu.com>About Baidu</a> </p> <p id=cp>&copy;2017&nbsp;Baidu&nbsp;<a href=http://www.baidu.com/duty/>使用百度前必读</a>&nbsp; <a href=http://jianyi.baidu.com/ class=cp-feedback>意见反馈</a>&nbsp;京ICP证030173号&nbsp; <img src=//www.baidu.com/img/gs.gif> </p> </div> </div> </div> </body> </html>\r\n'

requests库的7个主要方法

方法	说明
requests.request()	构造一个请求，是支撑一下各种方法的基础方法
requests.get()	获取HTML网页的主要方法，对应于HTTP的GET
requsets.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网页提交删除请求，对应于HTTP的DELETE

requests.get()方法介绍：

r = requests.get(url) # 获得一个网页

Response对象返回所有网页内容

 requests.get(url, params=None, **kwargs)

 # url: 拟获取页面的url链接

 # params:url中的额外参数，字典或字节流格式，可选

 # **kwargs:12个控制访问的参数

Response对象的属性

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（只要不是200就是失败）
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）（更准确）推荐
r.content	HTTP响应内容的二进制形式

r.encoding：根据HTTP中header中charset分析编码方式，如果header中不存在charset，则认为编码为ISO-8859-1

r.apparent_encoding：跟准确，根据HTTP内容分析可能的编码方式，

requests.get()方法获取网上资源的流程

1、用r.status_code方法检查返回的Response对象的状态。

爬取网页的通用代码框架

网络爬取有风险，异常处理很重要

理解requests库的异常

异常	说明
requests.ConnectionError	网络连接错误异常，如DNS查询失败、防火墙拒绝连接等
requests.HTTPError	HTTP错误异常
requests.URLReuired	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（仅指与远程服务器连接过程超时）
requests.Timeout	请求URL超时，产生超时异常（发出URL请求到收到内容整个过程超时）

异常	说明
r.raise_for_status()	如果是200，则表示正确；如果不是200，则产生异常requests.HTTPError

爬取网页的通用代码框架

 import requests

 def getHTMLText(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_encoding

         return r.text

       except:

         return "产生异常"

 if __name__ == "__main__":

     url = "http://www.baidu.com"

     print(getHTTPText(url))

网络爬虫的盗亦有道--robots协议介绍

HTTP协议

HTTP，hypertext transfer protocol，超文本传输协议。

HTTP是一个基于“请求与响应”模式的、无状态的应用层协议

请求与响应模式：用户发出请求，服务器做出响应。
无状态：第一次请求和第二次请求之间没有相关关联

HTTP协议采用URL作为定位网络资源的标识

URL格式： http://host[:port][path]

host：合法的Internet主机域名或IP地址

port：端口号，缺省端口为80（默认80）

path：请求资源的路径

HTTP URL的理解：URL是通过HTTP协议存取资源的Internet路径，一个URL对应一个数据资源

HTTP协议对资源的操作

方法	说明
GET	请求获取URL位置的资源
HEAD	请求获取URL位置资源的响应信息报告，即获得该资源的头部信息
POST	请求向URL位置的资源后附加新的资源
PUT	请求向URL位置存储一个资源，即覆盖原URL位置的资源
PATCH	请求局部更新URL位置的资源，即改变该处资源的部分内容
DELETE	请求删除URL位置存储的资源

理解PATCH和PUT的区别

假设URL位置有一组数据UserInfo，包括UserID、 UserName等20个字段

需求：用户修改了UserName，其他不变
• 采用PATCH，仅向URL提交UserName的局部更新请求
• 采用PUT，必须将所有20个字段一并提交到URL，未提交字段被删除
PATCH的最主要好处：节省网络带宽

HTTP协议与Requests库

Requests库的head（）方法：可以通过很少的流量，获得资源的概要信息

Requests库的post（）方法：向服务器提交新增数据

Requests库的post（）方法：与post方法类似，只是会将原有的数据覆盖

Requests库主要方法解析：

Requests库的7个主要方法

 requests.request(method,url,**kwargs)

 method: 请求方式，对应get/put/post等7种

 url: 拟获取页面的url连接

 **kwargs: 控制访问的参数，共13个

method : 请求方式
r = requests.request('GET', url, **kwargs)
r = requests.request('HEAD', url, **kwargs)
r = requests.request('POST', url, **kwargs)
r = requests.request('PUT', url, **kwargs)
r = requests.request('PATCH', url, **kwargs)
r = requests.request('delete', url, **kwargs)
r = requests.request('OPTIONS', url, **kwargs)

requests.request(method, url, **kwargs) **kwargs参数介绍

---**kwargs：控制访问的参数，均为可选项

1、params：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)

 https://python123.io/ws?key1=value1&key2=value2

2、data：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 = '主题内容'

 >>> r = requests.request('POST','http://pyhton123.io/ws',data=body)

3、json：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)

4、headers：字典，HTTP定制头（模拟任何浏览器，向浏览器发起访问）

>>> hd = {'user-agent':'Chrome/10'}   # Chrome/10  Chrome浏览器第10个版本

>>> r = requests.request('POST','http://python123.io/ws',headers=hd)

Requests库爬取实例

学习资料：中国大学MOOC-Python网络爬虫与信息提取