Python网络爬虫与信息提取（一）

　　　　　　　　　　　　　　学习 北京理工大学 嵩天 课程笔记

课程体系结构：

　　1、Requests框架：自动爬取HTML页面与自动网络请求提交
　　2、robots.txt:网络爬虫排除标准
　　3、BeautifulSoup框架：解析HTML页面
　　4、Re框架：正则框架，提取页面关键信息
　　5、Scrapy框架：网络爬虫原理介绍，专业爬虫框架介绍

　　理念：The Website is the API ...

Python语言常用的IDE工具

　　文本工具类IDE：
　　　　IDLE、Notepad++、Sublime Text、Vim & Emacs、Atom、Komodo Edit

　　集成工具IDE：
　　　　PyCharm、Wing、PyDev & Eclipse、Visual Studio、Anaconda & Spyder、Canopy

　　·IDLE是Python自带的默认的常用的入门级编写工具，它包含交互式文件式两种方式。适用于较短的程序。
　　·Sublime Text是专为程序员开发的第三方专用编程工具，可以提高编程体验，具有多种编程风格。
　　·Wing是Wingware公司提供的收费IDE，调试功能丰富，具有版本控制，版本同步功能，适合于多人共同开发。适用于编写大型程序。
　　·Visual Studio是微软公司维护的，可以通过配置PTVS编写Python，主要以Windows环境为主，调试功能丰富。
　　·Eclipse是一款开源的IDE开发工具，可以通过配置PyDev来编写Python，但是配置过程复杂，需要有一定的开发经验。
　　·PyCharm分为社区版和专业版，社区版免费，具有简单、集成度高的特点，适用于编写较复杂的工程。

　　适用于科学计算、数据分析的IDE：
　　·Canopy是由Enthought公司维护的收费工具，支持近500个第三方库，适合科学计算领域应用开发。
　　·Anaconda是开源免费的，支持近800个第三方库。

Requests库入门

Requests的安装：

　　Requests库是目前公认的爬取网页最好的Python第三方库，具有简单、简捷的特点。

　　官方网站：http://www.python-requests.org

　　在"C:\Windows\System32"中找到"cmd.exe"，使用管理员身份运行，在命令行中输入：“pip install requests”运行。

　　使用IDLE测试Requests库：

>>> import requests
>>> r = requests.get("http://www.baidu.com")#抓取百度页面
>>> r.status_code
200
>>> r.encoding = 'utf-8'
>>> r.text

Requests库的7个主要方法

方法	说明
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DELET

详细信息参考 Requests库 API文档：http://www.python-requests.org/en/master/api/

　　get()方法
　　　　r = requests.get(url)

　　　　　　get()方法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Response对象。

　　　　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个控制访问参数

Requests库的2个重要对象
　　　· Request

　　　· Response:Response对象包含爬虫返回的内容

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中猜测的相应内容编码方式　

　　r.apparent_encoding ： 从内容中分析出的相应内容编码方式（备选编码方式）

　　r.content ： HTTP响应内容的二进制形式

　　r.encoding ：如果header中不存在charset，则认为编码为ISO-8859-1 。

　　r.apparent_encoding ：根据网页内容分析出的编码方式可以 看作是r.encoding的备选。

Response的编码：

　　r.encoding : 从HTTP header中猜测的响应内容的编码方式；如果header中不存在charset，则认为编码为ISO-8859-1，r.text根据r.encoding显示网页内容
　　r.apparent_encoding : 根据网页内容分析出的编码方式，可以看作r.encoding的备选

爬取网页的通用代码框架

Requests库的异常

异常	说明
requests.ConnectionError	网络连接错误异常，如DNS查询失败拒绝连接等
requests.HTTPError	HTTP错误异常
requests.URLRequired	URL缺失异常
requests.ToolManyRedirects	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，尝试超时异常

Response的异常

　　r.raise_for_status() : 如果不是200，产生异常requests.HTTPError；

　　在方法内部判断r.status_code是否等于200，不需要增加额外的if语句，该语句便于利用try-except进行异常处理

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(getHTMLText(url))

　　通用代码框架，可以使用户爬取网页变得更有效，更稳定、可靠。

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。

　　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，缺省端口号为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位置资源的响应消息报告，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数据
PUT	请求向URL位置存储一个资源，覆盖原URL位置资源
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的主要好处：节省网络带宽

Requests库主要方法解析

　　requests.request(method, url, **kwargs)
　　　　· method：请求方式，对应get/put/post等7种
　　　　　　例： r = requests.request('OPTIONS', url, **kwargs)
　　　　· url：拟获取页面的url链接
　　　　· **kwargs：控制访问的参数，共13个，均为可选项
　　　　　　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)
'''
http://python123.io/ws?key1=value1&key2=value2
'''

　　　　　　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；

hd = {'user-agent':'Chrome/10'}
r = requests.request('POST','http://www.yanlei.shop',headers=hd)

　　　　　　cookies：字典或CookieJar，Request中的cookie；

　　　　　　auth：元组，支持HTTP认证功能；
　　　　　　files：字典类型，传输文件；

fs = {'file':open('data.xls', 'rb')}
r = requests.request('POST','http://python123.io/ws',files=fs)

　　　　　　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，可以增加登录认证
　　　　　　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

#方法及参数
requests.get(url, params=None, **kwargs)
requests.head(url, **kwargs)
requests.post(url, data=None, json=None, **kwargs)
requests.put(url, data=None, **kwargs)
requests.patch(url, data=None, **kwargs)
requests.delete(url, **kwargs)

网络爬虫引发的问题
　　性能骚扰：
　　　　受限于编写水平和目的，网络爬虫将会为web服务器带来巨大的资源开销
　　法律风险：
　　　　服务器上的数据有产权归属，网路爬虫获取数据后牟利将带来法律风险。
　　隐私泄露：
　　　　网络爬虫可能具备突破简单访问控制的能力，获得被保护数据从而泄露个人隐私。

网络爬虫的限制
　　·来源审查：判断User-Agent进行限制
　　　　检查来访HTTP协议头的User-Agent域，值响应浏览器或友好爬虫的访问。
　　· 发布公告：Roots协议
　　　　告知所有爬虫网站的爬取策咯，要求爬虫遵守。

Robots协议
　　Robots Exclusion Standard 网络爬虫排除标准

　　作用：网站告知网络爬虫哪些页面可以抓取，哪些不行。
　　形式：在网站根目录下的robots.txt文件。
　　案例：京东的Robots协议
　　　　http://www.jd.com/robots.txt

# 注释：*代表所有，/代表根目录
User-agent: *
Disallow: /?*
Disallow: /pop/*.html
Disallow: /pinpai/*.html?*
User-agent: EtaoSpider
Disallow: /
User-agent: HuihuiSpider
Disallow: /
User-agent: GwdangSpider
Disallow: /
User-agent: WochachaSpider
Disallow: /

Robots协议的使用

　　网络爬虫：自动或人工识别robots.txt，再进行内容爬取。

　　约束性：Robots协议是建议但非约束性，网络爬虫可以不遵守，但存在法律风险。

Requests库网络爬虫实战

1、京东商品

import requests
url = "https://item.jd.com/5145492.html"
try:
    r = requests.get(url)
    r.raise_for_status()
    r.encoding = r.apparent_encoding
    print(r.text[:1000])
except:
    print("爬取失败")

2、亚马逊商品

# 直接爬取亚马逊商品是会被拒绝访问，所以需要添加'user-agent'字段
import requests
url = "https://www.amazon.cn/gp/product/B01M8L5Z3Y"
try:
    kv = {'user-agent':'Mozilla/5.0'} # 使用代理访问
    r = requests.get(url, headers = kv)
    r.raise_for_status()
    r.encoding = r.apparent_encoding
    print(t.text[1000:2000])
except:
    print("爬取失败")

3、百度/360搜索关键词提交
　　搜索引擎关键词提交接口
　　　　· 百度的关键词接口：
　　　　　　http://www.baidu.com/s?wd=keyword
　　　　· 360的关键词接口：
　　　　　　http://www.so.com/s?q=keyword

# 百度
import requests
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")

#
import requests
keyword = "Python"
try:
    kv = {'q':keyword}
    r = requests.get("http://www.so.com/s",params=kv)
    print(r.request.url)
    r.raise_for_status()
    print(len(r.text))
except:
    print("爬取失败")

4、网络图片的爬取和存储

　　网络图片链接的格式：
　　　　http://www.example.com/picture.jpg
　　国家地理：
　　　　http://www.nationalgeographic.com.cn/
　　选择一张图片链接：
　　　　http://image.nationalgeographic.com.cn/2017/0704/20170704030835566.jpg

 图片爬取全代码
import requests
import os
url = "http://image.nationalgeographic.com.cn/2017/0704/20170704030835566.jpg"
root = "D://pics//"
path = root + url.split('/')[-1]
try:
    if not os.path.exists(root):
        os.mkdir(root)
    if not os.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")

5、IP地址归属地的自动查询

　　www.ip138.com IP查询
　　http://ip138.com/ips138.asp?ip=ipaddress
　　http://m.ip138.com/ip.asp?ip=ipaddress

import requests
url = "http://m.ip138.com/ip.asp?ip="
ip = "220.204.80.112"
try:
    r = requests.get(url + ip)
    r.raise_for_status()
    r.encoding = r.apparent_encoding
    print(r.text[1900:])
except:
    print("爬取失败")

# 使用IDLE
>>> import requests
>>> url ="http://m.ip138.com/ip.asp?ip="
>>> ip = "220.204.80.112"
>>> r = requests.get(url + ip)
>>> r.status_code
200
>>> r.text