requests获取所有状态码
requests获取所有状态码
requests默认是不会获取301/302的状态码的。可以设置allow_redirects=False,这样就可以获取所有的状态码了
import requests # url
# url = 'http://www.freebuf.com/news/157100.html' # 请求200,返回200
url = 'http://www.freebuf.com/fevents/133225.html' # 请求302,返回200。要想不跳转,获取302,用参数:allow_redirects=False
# url = 'http://www.freebuf.com/articles/database/151839.html' # 请求403,返回403
# url = 'http://www.freebuf.com/articles/database/1518391.html' # 请求存在的域名中不存在的页面,请求404,返回404
# url = 'http://www.freebudfsf.com/articles/database/1518391.html' # 请求不存在的域名。程序崩溃
# url = 'https://www.douban.com/group/topic/49606658/' # 请求存在的域名,公司限制访问,返回抛出异常,程序崩溃。效果和网络中断一样。
# url = 'http://10.1.75.241' # 请求ip,(一定要加协议HTTP,否则崩溃)
# headers
headers = {
'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/63.0.3239.132 Safari/537.36'
}
try:
# 发请求,得响应
response = requests.get(url, headers=headers, allow_redirects=False)
# 解析
print(' give url:', url)
print(' request.url:', response.request.url)
print('response.url:', response.url)
print(response.content)
print(response.status_code)
except Exception as e:
print(e)
封装一个获取所有状态码的函数,同时实现验证返回值的方法
import requests def get_statecode_or_errinfo(url=''):
'''
获取响应状态码,或者未响应的错误信息
:param url: 请求的url
:return: 状态码,或者未响应的错误信息
'''
if url == '':
return '请输入一个url作为get_statecode_or_errinfo的参数'
# headers
headers = {
'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/63.0.3239.132 Safari/537.36'
}
try:
# 发请求,得响应
response = requests.get(url, headers=headers, allow_redirects=False)
# 返回状态码
return response.status_code
except Exception as e:
# 返回异常信息
return e if __name__ == '__main__':
# url
# url = 'http://www.freebuf.com/news/157100.html' # 请求200,返回200
url = 'http://www.freebuf.com/fevents/133225.html' # 请求302,返回200。要想不跳转,获取302,用参数:allow_redirects=False
# url = 'http://www.freebuf.com/articles/database/151839.html' # 请求403,返回403
# url = 'http://www.freebuf.com/articles/database/1518391.html' # 请求存在的域名中不存在的页面,请求404,返回404
# url = 'http://www.freebudfsf.com/articles/database/1518391.html' # 请求不存在的域名。程序崩溃。如果有Nginx,返回200
# url = 'http://dsfs' # 请求不存在的域名,设置了参数:allow_redirects=False,在有Nginx处理的情况下,有304,返回200。
# url = 'https://www.douban.com/group/topic/49606658/' # 请求存在的域名,公司限制访问,返回抛出异常,程序崩溃。效果和网络中断一样。
# url = 'http://10.1.75.241' # 请求ip,请求200,返回200(一定要加协议HTTP,否则崩溃) # url = 'http://www.freebuf.com/fevents/133225.html' # 请求302,返回200。要想不跳转,获取302,用参数:allow_redirects=False
url = 'http://www.freebuf.com/news/171238.html'
headers = {
'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/63.0.3239.132 Safari/537.36'
}
# response=requests.get(url,headers=headers,allow_redirects=False)
response=requests.get(url,headers=headers)
# 检查状态码
print(response.status_code) # # 检查url
print(url)
print(response.url)
#
# # 检查请求头
print(response.request.headers)
#
# # 检查响应头
print(response.headers)
#
# # 检查源码
# print(response.content)
# print(response.content.decode())
# print(response.text)
#
# response.encoding = 'utf-8'
# print(response.text)
print(response.encoding)
#
# # 检查源码字符串长度
print(len(response.content))
说明:
反扒:
总结多种验证返回值的方式。requests
比如:检查状态码、检查url(有可能发送了跳转)、检查请求头、检查响应头、检查源码、检查源码字符串长度。
检查状态码
print (response.status_code)
检查url
print (response.url)
检查请求头
print (response.request.headers)
检查响应头
print (response.headers)
检查源码字符串长度
print (len(response.content))
检查源码
print (response.content)
print (response.content.decode())
response.encoding='utf-8'
print (response.text)
print (response.encoding)
scrapy爬虫的响应规则:
# 1、被过滤掉,不发出请求:不在允许的域名范围内
# temp['title_url'] = "https://www.baidu.com/" # 跨域。请求发出前,url直接被过滤掉。
# temp['title_url'] = "http://open.freebuf.com/live?id=1021" # 跨域。请求发出前,url直接被过滤掉。
# temp['title_url'] = "http://10.1.75.241" # 请求ip地址,请求发出前,url直接过来掉。如果设置为允许ip网站,没有被过滤,就返回200 # 2、禁止访问
# temp['title_url'] = "http://www.freebuf.com/articles/database/151839.html"#禁止访问403,资源存在,不让访问。Ignoring non-200 response
# temp['title_url'] = "http://www.freebuf.com/articles/database/1518391.html"#禁止访问404,资源本身不存在。Ignoring non-200 response # 3、重定向后的作为新请求
# temp['title_url'] = "http://www.freebuf.com/news/156654.html" # 重定向301、302。会返回重定向后200的状态码 # 4、断网
# temp['title_url'] = "https://www.douban.com/group/topic/49606658/" # 公司限制访问。[<twisted.python.failure.Failure twisted.internet.error.ConnectionLost: Connection to the other side was lost in a non-clean fashion: Connection lost.>] # 5、没有的网站
# temp['title_url'] = "https://www.badfsdsdfsdfsdfsdddd.com/" # 直接被过滤掉,如果没有被过滤,就返回域名解析错误:DNS lookup failed: no results for hostname lookup: www.badfsdsdfsdfsdfsdddd.com.
pass
scrapy爬虫举例
freebuf2.py
# -*- coding: utf-8 -*-
import scrapy
from scrapy_FB.items import ScrapyFb2Item # from util.logger import Logger # logger_freebuf2 = Logger(logname=__name__, logpath='collection_log', logformat=1, loglevel=10).getlog()
# logger_freebuf2.debug('i am debug3')
# logger_freebuf2.info('i am info3')
# logger_freebuf2.warning('i am warning3') class Freebuf2Spider(scrapy.Spider):
# freebuf2爬虫
name = 'freebuf2'
allowed_domains = ['freebuf.com','douban.com']
start_urls = ['http://www.freebuf.com/page/708'] def parse(self, response):
cur_url = response.url # 当前列表页url
cur_page_num = int(cur_url.rpartition('/')[-1]) # 当前page num print('cur_url:%s' % cur_url)
print('cur_page_num:%s' % cur_page_num) # 获取列表节点
node_list = response.xpath('//*[@id="timeline"]/div/div[2]/dl/dt/a[1]')
print('len(node_list):%s' % len(node_list)) page_num = int(cur_url.rpartition('/')[-1]) # 当前页码
count_node = len(node_list) # 当前列表页,一共有的详细页条数 # 遍历节点
for i, node in enumerate(node_list):
# temp = {}
temp = ScrapyFb2Item()
temp['title'] = node.xpath('./text()').extract()[0].strip()
if i == 0:
# 1、被过滤掉,不发出请求:不在允许的域名范围内
# temp['title_url'] = "https://www.baidu.com/" # 跨域。请求发出前,url直接被过滤掉。
# temp['title_url'] = "http://open.freebuf.com/live?id=1021" # 跨域。请求发出前,url直接被过滤掉。
# temp['title_url'] = "http://10.1.75.241" # 请求ip地址,请求发出前,url直接过来掉。如果设置为允许ip网站,没有被过滤,就返回200 # 2、禁止访问
# temp['title_url'] = "http://www.freebuf.com/articles/database/151839.html"#禁止访问403,资源存在,不让访问。Ignoring non-200 response
# temp['title_url'] = "http://www.freebuf.com/articles/database/1518391.html"#禁止访问404,资源本身不存在。Ignoring non-200 response # 3、重定向后的作为新请求
# temp['title_url'] = "http://www.freebuf.com/news/156654.html" # 重定向301、302。会返回重定向后200的状态码 # 4、断网
# temp['title_url'] = "https://www.douban.com/group/topic/49606658/" # 公司限制访问。[<twisted.python.failure.Failure twisted.internet.error.ConnectionLost: Connection to the other side was lost in a non-clean fashion: Connection lost.>] # 5、没有的网站
# temp['title_url'] = "https://www.badfsdsdfsdfsdfsdddd.com/" # 直接被过滤掉,如果没有被过滤,就返回域名解析错误:DNS lookup failed: no results for hostname lookup: www.badfsdsdfsdfsdfsdddd.com.
pass else:
temp['title_url'] = node.xpath('./@href').extract()[0]
temp['page_num'] = str(page_num)
temp['line_num'] = i + 1
temp['line_total'] = str(count_node)
# print(temp['line_num'])
yield scrapy.Request(temp['title_url'], callback=self.parse_detail, meta={"meta_1": temp}, errback=self.err) if len(node_list) != 0: # 爬虫不终止的条件
# 下一页
next_url = 'http://www.freebuf.com/page/{}'.format(cur_page_num + 1)
# print('next_url:%s' % next_url)
yield scrapy.Request(next_url, callback=self.parse) # 访问下一页 def parse_detail(self, response):
item = response.meta['meta_1'] print(item['line_num'], item['title_url'])
# print(response.status)
print(item['line_num'], response.request.url) def err(self, response):
print('err:',response.request.url)
# print('err:',response.status)
# print(dir(response))
print('err:',response.getErrorMessage())
print(dir(response))
# print(type(response.getErrorMessage()))
requests获取所有状态码的更多相关文章
- 如何在使用 RemoteWebDriver 打开网页的同时获取 Http 状态码
最近一直在用Selenium这个开源项目写一些web 自动化的小玩意.本来一直运行的挺好,直到有一天突然发现资源抓取失败了,翻看日志才发现,原来本该正常打开的页面返回了504错误所以自然失败了.如何避 ...
- LODOP获取打印机状态码和状态码含义测试
由于打印机千差万别,打印机执行的标准也不一样,LODOP获取的打印状态码也可能不同,安装了个打印机驱动实际测试一下,测试的打印机驱动是Brother Color Type3 Class Driver. ...
- LODOP获取打印状态码和时间列表
之前有博文介绍获取打印状态码和打印状态码的含义,相关博文:LODOP获取打印机状态码和状态码含义测试.此外 ,也有获取状态码及其变化的方法,可以获取打印状态码的列表,列表包含每个状态和每个状态的时间. ...
- 前端如何获取http状态码400的返回值
axios.get("/check_mobile_and_sent_code",{withCredentials:true,params:{mobile:formInline.mo ...
- 【 总结 】crontab 使用脚本及直接获取HTTP状态码
一.在crontab里面计划执行的脚本,所有的命令都要写出绝对路径.因为crontab的独立的进程,可能无法直接加载环境变量. 二.在判断网站能否正常访问一般的思路: 1. 判断网站是否能够正常打开. ...
- (六)获取http状态码和处理返回结果
int StatusCode = httpResponse.getStatusLine().getStatusCode(); 处理返回结果: /** * 处理返回结果 * @param respons ...
- c# HttpWebResponse 各种情况下 获取StatusCode状态码
捕捉网页出现404.500等会直接抛出WebException异常 异常代码: (HttpWebResponse)req.GetResponse(); 当执行这段代码出现异常 解决问题 那如果我们想获 ...
- (404) 未找到 获取StatusCode状态码
异常代码: (HttpWebResponse)req.GetResponse(); 当执行这段代码出现异常 解决问题 那如果我们想获得错误发生时候服务器段错误页面的源代码该如何做呢? 其实非常非常简单 ...
- php获取响应状态码
$ch = curl_init('http://www.jb51.net'); curl_setopt($ch, CURLOPT_RETURNTRANSFER, 1); curl_exec($ch); ...
随机推荐
- delphi程序热键
要定义一个全局热键,通常有三个步骤: 1.定义Windows的消息WM_HOTKEY的HOOK链,即 procedure MyShortCut(Var Message: ...
- Unity3D工程源码目录
2-0 暗黑破坏神3 链接:http://pan.baidu.com/s/1dEAUZoX 密码:cly4 2-1 炉石传说 客户端加服务器端 链接:http://pan.baidu.co ...
- 如何:为 IIS 7.0 配置 <system.webServer> 节
https://technet.microsoft.com/zh-cn/sysinternals/bb763179.aspx https://www.cnblogs.com/tl2f/p/501615 ...
- input 监听输入事件
$("#" + inputId).on("input", function () { var checkboxId = $("#" + in ...
- 超全面的JavaWeb笔记day07<Java基础加强>
1.myeclipse安装和使用(**) 2.debug调试模式(**) - F6: 单步执行 - F8:结束断点,后面有断点到下一个断点 3.myeclipse快捷键(**) 4.junit单元测试 ...
- 给IT同学推荐这15个不错的学习网站,收藏起来慢慢看吧
1.学堂在线:http://www.xuetangx.com 目前,学堂在线运行了包括包括清华大学.北京大学.复旦大学.斯坦福大学.麻省理工学院.加州大学伯克利分校等国内外几十所顶尖高校的优质课程.在 ...
- PHP-CGI 进程 CPU 100% 与 file_get_contents 函数的关系
[文章作者:张宴 本文版本:v1.0 最后修改:2011.08.05 转载请注明原文链接:http://blog.s135.com/file_get_contents/] 有时候,运行 Nginx.P ...
- HTML 解析
xml,json都有大量的库来解析,我们如何解析html呢? TFHpple是一个小型的封装,可以用来解析html,它是对libxml的封装,语法是xpath.今天我看到一个直接用libxml来解析h ...
- Maven 环境变量设置
下载Maven 官方下载地址:http://maven.apache.org/download.html 选择你所希望下载的版本,并保存到常用安装目录.这里以Maven 3.2.2 (Binary z ...
- hadoop 2.2.0集群安装详细步骤(简单配置,无HA)
安装环境操作系统:CentOS 6.5 i586(32位)java环境:JDK 1.7.0.51hadoop版本:社区版本2.2.0,hadoop-2.2.0.tar.gz 安装准备设置集群的host ...