【Python爬虫】HTTP基础和urllib库、requests库的使用
引言:
一个网络爬虫的编写主要可以分为三个部分:
1.获取网页
2.提取信息
3.分析信息
本文主要介绍第一部分,如何用Python内置的库urllib和第三方库requests库来完成网页的获取。阅读完本文后,读者将能利用这2个库获取一个网页的HTML代码。
但是首先,我们需要一点网络方面的基本知识,才能更好的理解爬虫。
为此,读者应该理解以下知识:
1.什么是HTTP,HTTP报文及其格式
2.请求报文的几种方法
3.header(首部)常用字段
4.HTTP如何保存会话信息,cookie和session
本文第一部分网络基础会讨论这些问题
一、网络基础
1.什么是HTTP,HTTP报文及其格式
超文本传输协议(HTTP,HyperText Transfer Protocol)位于OSI四层模型中的应用层协议。设计该协议的主要目的就是为了HTML的发送和接收。它基于TCP/IP协议。一次完整的HTTP事务包含以下过程:
1)当我们在浏览器输入网址后,首先经过DNS服务器,解析域名,得到我们要获取的服务器IP,端口,已经资源的路径
2)TCP三次握手,建立连接
3)客户端发起HTTP请求报文
4)服务器接受到客户端的请求报文,返回一个响应报文
5)浏览器收到响应报文,解析HTML,CSS
HTTP报文的三个组成部分(起始行,首部,主体)。
起始行和首部是ASCII文本。每行用CRLF作为终止(回车ASCII13和换行ASCII10)主体是可选数据块,可包含文本或二进制数据,也可为空。
报文主要分为请求报文和响应报文。
请求报文格式
<method><request-URL><version>
<headers>
<entity-body>
响应报文格式
<version><status><reason-phrase>
<headers>
<entity-body>
一个获取gif图的例子:
GET /specials/saw-blade.git HTTP/1.0
Host: www.joes-hardware.com
HTTP/1.0 200 OK
Content-Type: image/git
Content-Length: 8572
- method:客户端希望服务器对资源执行的动作。GET/HEAD/POST
- request-URL:命名了所请求的资源。
- version:格式看起来是这样的 HTTP/.
- status-code:三位数字描述了请求所发生的情况
- reason-phrase:原因短语,数字状态码的可读版本。只对人类有意义,还是以status-code为准
- header:可有0个或多个。每个首部包含:一个名字,冒号,一个可选的空格,值,最后是一个CRLF。一组HTTP首部应该总以一个空行(单个CRLF)结束。
- entity-body:由任意数据组成的数据块。如果不包含实体的主题部分,以一个CRLF结束
2.请求报文的几种方法
GET是HTTP的默认请求方式
POST一般用来上传文件或表单
HEAD获取某个URI响应头信息,基本与GET相同但是不返回响应主体。
PUT通过提供的URI获取到特定的内容主体,如果存在则修改内容,如果不存在则创建。
DELETE通过URI删除指定内容TRACE返回接受到的请求,用来查看数据经过中间服务器时发生了哪些变动
OPTIONS返回给定URL支持的所有HTTP方法
CONNECT要求使用SSL和TLS进行TCP通信
PATCH请求修改局部数据
Python爬虫对GET和POST方法使用的较多。
3.header(首部)常用字段
Accept
Accept-Encoding
Accept-Language
Connection
Host
Cache-control
User-Agent
Upgrade-Insecure-Requests
Cookies
Referer
Accept-Charset
If-Modified-Since
Pragma
Range
4.HTTP如何保存会话信息,cookie和session
HTTP是一种无状态的协议。
假设我们登陆一个网站,填完用户名和密码,然后点击提交按钮,浏览器发送了一个POST请求给服务器。服务器去查找数据库,比对用户名和密码成功后,返回一个响应报文,登陆成功,这一次HTTP事务结束。等用户再次发送一个请求,服务器也收到了这个请求,但是因为HTTP的无状态,服务器无法分辨这个报文是来自谁的。
所以,为了能够让服务器知道这个请求的发送者和上次发送POST请求的发送者是同一个,我们需要标识用户的身份,来方便服务器辨认。
对于服务器而言,我们需要有一个保存上下文的机制。session正是这样一种机制。对于每个用户产生的信息,服务器会以变量的方式保存下来,而每个用户都有一个ID,我们称为sessionID。
但是仅有服务器的sessionID是没用的。就像你去图书馆借书,图书馆有你借书证的信息,但你没带借书证,就无法证明自己的身份信息。同样,客户端要证明自己的身份,就需要在请求报文中包含sessionID。对此,我们有以下几种方式。一种是URL重写,直接在URL中包含sessionID;一种是在表单中设置一个隐藏字段,将sessionID放在隐藏字段中提交表单,还有一种就是使用cookie。
和session放在服务器相对,cookie作为一段数据储存在本地客户端。服务器在生成sessionID后,会再响应报文中包含set-cookie字段。客户端从中解析出cookie信息。之后在发请求报文时,将cookie加在报文里面发出去,服务器就能辨认这个请求报文的发送者是谁了。
二、urllib库和requests库的使用
1.urllib库
urllib是Python3中的内置库,将Python2中的urllib和urllib2合二为一。
urllib有四个重要属性:error,parser,request,response
下面介绍一些比较常用的方法:
urllib.request.urlopen
def urlopen(url, data=None, timeout=socket._GLOBAL_DEFAULT_TI
MEOUT,*, cafile=None, capath=None,
cadefault=False, context=None):
pass
data参数常用在POST请求,是一个byte object.我们可以先写成字典格式,然后用urllib.parse.urlencode()转换
timeout是超时时间,单位是秒
该函数返回一个类文件对象。该对象有如下常用方法:
read:读出html
geturl:返回url,常用来看是否重定向
info:返回元信息,例如headers
getcode:返回HTTP状态码
urllib.request.Request
class Request:
def __init__(self, url, data=None, headers={},
origin_req_host=None, unverifiable=False,
method=None):
headers用来写头部信息如user-agent,来伪装成浏览器发出的请求。
一个例子:
from urllib import request, error, parse try:
headers = {'Accept':'text/html, application/xhtml+xml, image/jxr, */*',
'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64; Trident/7.0; rv:11.0) like Gecko',
'Accept-Language': 'zh-Hans-CN,zh-Hans;q=0.5'}
value = {'source':'index_nav',
'form_email':'user', #这里是豆瓣用户名
'form_password':'passwd'} #这里是密码
data = parse.urlencode(value).encode('utf-8')
req = request.Request('https://www.douban.com', headers=headers, data=data)
res = request.urlopen(req)
print(res.read().decode('utf-8')) except error.HTTPError as e:
print('http error.')
except error.URLError as e:
print('url error')
urllib.error.HTTPError和urllib.error.URLError
from urllib import request, error try:
header = {'user-agent': r'Mozilla/5.0 (Windows NT 10.0; Win64; x64; rv:58.0) Gecko/20100101 Firefox/58.0'}
req = request.Request('http://www.baidu.com', headers = header)
res = request.urlopen(req)
print(res.read().decode('utf-8'))
except error.HTTPError as e:
print('http error.')
except error.URLError as e:
print('url error.')
urllib.request.proxyHandle
设置代理ip信息。用以下代码替换urlopen
# 创建代理字典
proxy={'http':'115.2.332.1:8081'}
# 使用ProxyHandler方法生成处理器对象
proxy_handler=request.ProxyHandler(proxy)
# 创建代理IP的opener实例
opener=request.build_opener(proxy_handler)
html = opener.open(req)
2.requests库
requests库是第三方库,需要安装。如果你有pip工具,可以执行‘pip install requests’安装
参考资料:
《HTTP权威指南》
【Python爬虫】HTTP基础和urllib库、requests库的使用的更多相关文章
- Python爬虫入门(二)之Requests库
Python爬虫入门(二)之Requests库 我是照着小白教程做的,所以该篇是更小白教程hhhhhhhh 一.Requests库的简介 Requests 唯一的一个非转基因的 Python HTTP ...
- 3.Python爬虫入门三之Urllib和Urllib2库的基本使用
1.分分钟扒一个网页下来 怎样扒网页呢?其实就是根据URL来获取它的网页信息,虽然我们在浏览器中看到的是一幅幅优美的画面,但是其实是由浏览器解释才呈现出来的,实质它是一段HTML代码,加 JS.CSS ...
- Python爬虫小白入门(二)requests库
一.前言 为什么要先说Requests库呢,因为这是个功能很强大的网络请求库,可以实现跟浏览器一样发送各种HTTP请求来获取网站的数据.网络上的模块.库.包指的都是同一种东西,所以后文中可能会在不同地 ...
- python爬虫知识点总结(四)Requests库的基本使用
官方文档:http://docs.python-requests.org/en/master 安装方法 命令行下输入:pip3 install requests.详见:https://www.cnbl ...
- Python使用urllib,urllib3,requests库+beautifulsoup爬取网页
Python使用urllib/urllib3/requests库+beautifulsoup爬取网页 urllib urllib3 requests 笔者在爬取时遇到的问题 1.结果不全 2.'抓取失 ...
- Python爬虫入门四之Urllib库的高级用法
1.设置Headers 有些网站不会同意程序直接用上面的方式进行访问,如果识别有问题,那么站点根本不会响应,所以为了完全模拟浏览器的工作,我们需要设置一些Headers 的属性. 首先,打开我们的浏览 ...
- 转 Python爬虫入门四之Urllib库的高级用法
静觅 » Python爬虫入门四之Urllib库的高级用法 1.设置Headers 有些网站不会同意程序直接用上面的方式进行访问,如果识别有问题,那么站点根本不会响应,所以为了完全模拟浏览器的工作,我 ...
- 转 Python爬虫入门三之Urllib库的基本使用
静觅 » Python爬虫入门三之Urllib库的基本使用 1.分分钟扒一个网页下来 怎样扒网页呢?其实就是根据URL来获取它的网页信息,虽然我们在浏览器中看到的是一幅幅优美的画面,但是其实是由浏览器 ...
- Python中第三方库Requests库的高级用法详解
Python中第三方库Requests库的高级用法详解 虽然Python的标准库中urllib2模块已经包含了平常我们使用的大多数功能,但是它的API使用起来让人实在感觉不好.它已经不适合现在的时代, ...
- 小白学 Python 爬虫(32):异步请求库 AIOHTTP 基础入门
人生苦短,我用 Python 前文传送门: 小白学 Python 爬虫(1):开篇 小白学 Python 爬虫(2):前置准备(一)基本类库的安装 小白学 Python 爬虫(3):前置准备(二)Li ...
随机推荐
- Html响应式图片
Html响应式图片 1.介绍:根据屏幕匹配的不同尺寸显示不同图片,picture 元素允许我们在不同的设备上显示不同的图片,一般用于响应式 <!-- 在不同的屏幕尺度下显示不同的图片 --> ...
- PIC单片机的定时器
PIC单片机的定时器有3个 timer0 timer1 timer2 定时器的计算方法 256*k*Tcy=定时时间 (256-Init-value)*k*Tcy=定时时间
- 才华能力出众的ReentrantLock
主要内容 1. synchronized介绍 2. ReentrantLock介绍 3. ReentrantLock和synchronized的可伸缩性比较 4. Condition变量 5. Ree ...
- SD.Team颜色代码大全
EEEEEE FFCCFF FF66FF FF00FF DDDDDD FFCCCC FF66CC FF00CC CCCCCC FFCC99 FF6699 FF0099 BBBBBB FFCC66 FF ...
- 遍历集合(Collection)的方法
使用增强for循环和迭代器遍历集合 package com.aff.coll; import java.util.ArrayList; import java.util.Collection; imp ...
- SDP架构初识
实现零信任的框架主要有SDP和Google Beyondcorp模型,前者出现在乙方的安全解决方案中,后者多作为甲方落地零信任的参考.本文主要记录对SDP技术的一些初步认识. 一.SDP简介 SDP是 ...
- 副业收入是我做程序媛的3倍,工作外的B面人生
到“程序员”,多数人脑海里首先想到的大约是:为人木讷.薪水超高.工作枯燥…… 然而,当离开工作岗位,撕去层层标签,脱下“程序员”这身外套,有的人生动又有趣,马上展现出了完全不同的A/B面人生! 不论是 ...
- 本地安装JDK1.7和1.8,可相互快速切换
1.JDK官网下载jdk1.7和jdk1.8 https://www.oracle.com/java/technologies/javase-jdk8-downloads.html 2.将jdk1.7 ...
- Rocket - regmapper - RegField
https://mp.weixin.qq.com/s/7WKB1QxcVzqm2Q7bWcKHzA 简单介绍RegField的实现. 1. 简单介绍 定义寄存器域相关的参数类型. 2. RegFiel ...
- 字符串去除空格的方式(用replace()实现)
去除所有空格: str = str.replace(/\s+/g,""); 去除两头空格: str = str.replace(/^\s+|\s+$/g,"") ...