Python学习——爬虫篇

requests

使用requests进行爬取

                下面是我编写的第一个爬虫的脚本

 

                import requests # 导入requests模块

                r = requests.get('https://daohang.qq.com').content # 通过requests.get方法访问地址https://daohang.qq.com，再使用r.content获取返回的bytes内容

                print(r) # 打印获取到的内容

 

                结果是不是很熟悉？没错，这里的结果和使用urlopen的时候打印r.read()的结果是一样的，因为这里选择了r.content方法，使结果返回的是bytes型的数据，其实等于是html = bytes(bytearray(html, encoding='utf-8')) 。而requests中如果想使结果变的更加美观则不需要urlopen那么复杂。在urlopen中，我们需要使用decode()方法进行解析，而requests中我们只需要将r.content改变为r.text就可以了

               

                import requests

                r = requests.get('https://daohang.qq.com').text

                print(r)

 

                看到结果了吗？是不是很神奇？

                   

                         注： urlopen通常是用来爬取网页内的内容 ，而requests.get/post通常是访问的网址接口类的来获取内容

 

设置headers

import requests

headers = {

            "url":"",               # 配置headers中的各项参数，headers的作用类似一个字典，字典的键是唯一且不可变的

           "Host":"",

            "Referer":"",

            "User - Agent":"",

           }

url = '接口地址'

data = {"service":"","tab":"tab2","username":'xxxx',"password":'xxxx'} # 在data中设置各项参数，在访问的时候可以传参

repsonse = requests.get(url,headers = headers,data = data) .text# 通过requests.get方法对目标链接进行访问，并且调用headers与data两个参数，实现自动登录功能.并通过过r.text实现转码

print(repsonse) # 打印从页面中获取的内容

 

          运行上述代码，我们可以实现一个简单的接口，模拟登陆的功能。那么，为什么我们要去设置headers呢？有些时候，我们并不能够通过链接直接进行访问，所以这个时候，我们就需要通过设置headers，进行完全模拟请求的封包信息进行访问

 

设置代理

               为了避免一些站点对访问的次数和IP的限制，我们在有些时候必须通过设置代理，以及更换代理来帮助我们工作。那么，怎么通过python，去设置代理呢，我们看下面这段代码

           import requests

             proxies = {'代理地址'}

             response = requests.get('http://python.jobbole.com/81341/',proxies = proxies).text

             print(response)

 

             这里，我们把代理的地址赋予proxies，再通过使用requests.get进行访问的时候，通过代理去访问，并获取到返回内容

 

HTTP异常处理

               在实际工作中，我们可能因为这样或者是那样的原因，导致请求失败。那么这个时候，我们想要去解决这个错误，首先就是要去定位这个错误。在python中，可是使用URLError库，以及try-except语句来帮助我们捕获相应的异常。下面是一个例子。

 

          import requests

            proxies = {'代理地址'}

          try:

               response = requests.get('http://python.jobbole.com/81341/',proxies = proxies).text

          except requests.HTTPError as e :

               print(e.code)

            print(response)

          

          在这里，我们使用的是URLError的子类，HTTPError进行检查并且打印出我们在发送HTTP请求时，请求对象返回的状态码。当然，我们也可以使用URLError进行对异常的捕获。具体情况具体对待，在这里，我就不一一进行举例说明了。

 

               上面我们描述了对http的异常捕获，如果我们需要对HTTPError和URLError都进行捕获，需要怎么做呢？我们来看看下面的代码

          import requests

            proxies = {'代理地址'}

          try:

               response = requests.get('http://python.jobbole.com/81341/', proxies=proxies).text

          except requests.HTTPError as e: # 捕获http的异常

               print(e.code)                # 打印http返回的状态码

          except requests.URLError as e:  # 捕获URLError

               print(e.reason)              # 打印捕获到的URLError信息

          else:

               print(response)              # 打印爬取到的内容

 

          首先我们来看一下，这里为什么先去捕获HTTPError呢？在上面我们也讲了，HTTPError是URLError的子类，在编程中，都是子类在父类之前的，所以，这里我们先对HTTPError进行捕获，如果捕获不到HTTPError，我们再对URLError进行捕获，如果，没有捕获到异常，就打印出爬取的内容。

 

Cookies

获取cookies

          cookie，是指某些网站为了辨别用户身份，进行session跟踪而存储在用户本地终端上的数据（通常经过加密）。

             比如说有些网站需要登录之后才能访问某些页面，，在登录之前你想爬取某些页面，是不被允许的。这个时候，我们就可以利用cookie，进行爬取就可以啦。

 

          import  requests

            request_req = 'https://www.baidu.com/'

            response = requests.get(request_req)

            print(response.text)

            print(response.cookies) # 打印获取到的内容中的cookies

 

       运行上述代码我们可以获得从百度爬取到的代码和cookies，我这里仅仅只是打印了爬取到的所有的cookies。

          当然我们也可以在cookies后面输入我们需要的key来打印我们需要的cookie，那么这个key要怎么打印呢，我举个例子，把上面的 print(response.cookies)换成 print(response.cookies['PSTM']) 就可以打印出key为['PSTM']的cookies了。

          再来说说key的作用。我们可以通过打印key的cookies获取到我们想要value,是不是很方便呢？

          

          我们也可以自己去定义请求的cookies。那么自己定义cookies的作用又是什么呢？

 

          我们通过自己定义cookies，把cookies写死，其实就是为了伪造请求，然后实现自动登录。

          好吧，这里又讲到了自动登录，那么通过cookies实现的自动登录与上面我们传参的自动登录有什么不同呢？从功能上来讲，是没有区别的。但是注意，请注意，cookies是有时效性的。一旦当cookies超时之后，就无法继续自动登录了。而我们传参进行的自动登录，是可以保证每一次都会成功的。

 

通过cookies自动登录

 

          下面给大家做一个通过获取cookies，并保存到本地，再通过cookies进行模拟登录的示范。

          import requests

          import unittest

          import json

 

          class Login():

          #定义一个方法，对请求方法进行封装

               def login(self,method,url,getparams,postparams):

          #创建ssesion

                    ssesion = requests.session()

                    result=''

          #对请求方法进行判断，进而选择使用的请求方法,并且打印错误信息

               if method=='GET':

                    if getparams!='':

                         try:

                                   result=ssesion.get(url,getparams)

                         except:

                                   print(result.status_code,result.reason)

                    else:

                         result=ssesion.get(url)

                         print(result)

               if method=='POST':

                    if postparams!='':

                         try:

                                   result=ssesion.post(url,postparams)

                         except:

                                   print(result.status_code,result.reason)

          #将返回值进行json格式解码

                  jsdata=json.loads(result.text)

                return jsdata

          #定义一个类，对上面的方法，类进行调用

          class APIGetAdList(unittest.TestCase):

 

               def test_call(self):

                    api=Login()

                    getparams=''

                    postparams=''

                    api.login('GET','url', getparams, postparams)

 

          if __name__ == "__main__":

               unittest.main()

     上面这段代码，是通过ssesion方法，获取cookies，从而实现了一个初级的模拟登陆的功能。我们来讲一下上面这段代码的逻辑。

     1、我们定义一个Login的类，里面用来定义login的方法

     2、定义一个login的方法，里面包含method,url,getparams,postparams四项参数

     3、创建一个ssesion，

     4、通过if对method参数进行判断，进而对请求方法进行选择

     5、尝试去请求目标url，如果出错就打印http状态码和错误信息

     6、对返回的内容进行json格式的解码并返回解码后的内容

     7、定义一个APIGetAdList类，用来定义一个传参的函数

     8、通过定义一个test_call(self)函数，对Login类的login方法中的各项参数进行传参

     9、调用主方法，运行脚本

     

     注：

          get和post的选择

       如果是爬虫，那么抓包就能看到请求方法，如果有接口文档，就可以根据接口文档去选择请求方法。

 

     看起来，并不是很难不是吗？用到的都是我们目前已经掌握的东西。requests，ssesion，httperror，json.

 

     到这里，我们的第一个，初级的登录脚本也算是正式完成了。是不是很有成就感呢？我这段代码，自己查查找找，问人，网上这里扣点代码，那里扣点代码，写写，改改的总共花了差不多一周的时间才完成。我们很多时候都面临一个问题，就是，思路很清晰，但是真的要自己写的时候，却发现总是有这样或者是那样的问题。这个时候，我们不妨去网上，搜索一下，找一下类似的代码作为借鉴。我们并不是抄袭，自学嘛，就是这样。多写写，多练练，就会掌握了。希望大家共同进步。