Python模块之requests,urllib和re

目录

　　一、爬虫的步骤

　　二、使用Jupyter

　　三、爬虫请求模块之urllib

　　四、爬虫请求模块之requests

　　五、爬虫分析之re模块

一、爬虫的步骤

　　1.发起请求，模拟浏览器发送一个http请求

　　2.获取响应的内容

　　3.解析内容（解析出对自己有用的部分）

　　　　a.正则表达式

　　　　b.BeautifulSoup模块

　　　　c.pyquery模块

　　　　d.selenium模块

　　4.保存数据

　　　　a.文本文件(txt,csv等)

　　　　b.数据库(mysql)

　　　　c.redis,mongdb（最长使用）

二、使用Jupyter

　　2.1.使用理由：Jupyter可以一次执行，讲结果保存到内存里，供后面python语句多次使用，避免每次调试程序，都要重新请求网页，频繁爬取某个网页，容易导致该网站封IP

　　2.2.使用步骤：

　　　　a.安装：pip install jupyter (前提是已经安装了python3)

　　　　b.运行：jupyter  notebook，浏览器自动弹出使用界面

　　　　c.右侧New-->python3，新建一个python程序

　　2.3.快捷键

　　　　shift + enter键  ：选定行执行，执行结果保留到内存

三、爬虫请求模块之urllib

　　3.1 urllib介绍

Python标准库中提供了:urllib等模块以供Http请求，但是它的API能力不佳，需要巨量的工作，甚至包括各种方法覆盖，来完成最简单的任务，不推荐使用，此处只是了解一下

　　3.2 简单使用

#方式一：
import urllib.request

f = urllib.request.urlopen('http://www.baidu.com')
result = f.read().decode('utf-8')
print(result)

#方式二：
import urllib.request
req = urllib.request.Request('http://www.baidu.com')
response = urllib.urlopen(req)
result = response.read().decode('utf-8')
print(result)

ps：硬要使用urllib模块，推荐使用方式二，因为req是一个Request对象，在这个对象里，可以定义请求的头部信息，这样可以把自己包装成像个浏览器发起的请求，如下面的一个例子

　　3.3自定义请求头信息

import urllib.request
req = urllib.request.Request('http://www.example.com')

#自定义头部，第一个参数为关键字参数key，第二个参数为内容
req.add_header("User-Agent","Mozilla/5.0(X11;Ubuntu;Linux x86_64;rv:39.0) Gecko/20100101 Firefox/39.0") 

f = urllib.request.urlopen(req)
result = f.read().decode('utf-8')

#有一个模块fake_useragent可以随机产生User-Agent信息，对于网站的反爬虫机制有一定的欺骗作用

　　3.4 fake_useragent使用

#1.安装pip install fake_useragent

#2.基本使用
from fake_useragent import UserAgent
ua = UserAgent()
print(ua.chrome)   #产生一个谷歌的内核字段

#常用属性
ua.chrome      #产生一个谷歌的内核字段
ua.ie              #随机产生ie内核字段
ua.firefox       #随机产生火狐内核字段
ua.random    #随机产生不同浏览器的内核字段

四、爬虫请求模块之requests

　　4.1 requests模块介绍

Requests是使用Apache2 Licensed许可证的，基于Python开发的HTTP库，其在Python内置模块的基础上进行了高度的封装，从而使得进行网络请求时，
变得美好了许多，而且使用Requests可以轻而易举的完成浏览器可以做到的任何操作

　　4.2 requests安装

pip3 install requests

　　4.3 简单使用

import requests

r = requests.get('http://www.example.com')
print(type(r))
print (r.status_code)   #服务器返回的状态码
print (r.encoding)       #网站使用的编码
print (r.text)              #返回的内容，字符串类型

　　4.4 get请求

#1.无参数实例
import requests
res = requests.get('http://www.example.com')

print (res.url)    #打印请求的url
print (res.text)    #打印服务器返回的内容

#2.有参数实例
import requests
payload = {'k1':'v1','k2':'v2'}
res = requests.get('http://httpbin.org/get'，params=payload)

print (res.url)
print (res.text)

#3.解析json
import requests
import json

response = rquests.get('http://httpbin.org/get')
print (type(response.text))    #返回结果是字符串类型
pirnt (response.json())          #字符串转成json格式
print (json.loads(response.text))  #字符串转成json格式
print (type(response.json()))    #json类型

#4.添加headers
import requests
from fake_useragent import UserAgent
ua = UserAgent()

#自定义请求头部信息
headers= {
    'User-Agent':ua.chrome
}
response = requests.get('http://www.zhihui.com',headers = headers)
print (response.text)

　　4.5 post请求

#1.基本POST实例

import requests

#当headers为application/content的时候，请求实例如下：
payload = {'k1':'v1','k2':'v2'}
res = requests.post('http://httpbin.org/post',data = payload)

print (res.text)
print (type(res.headers),res.headers)
print (type(res.cookies),res.cookies)
print (type(res.url),res.url)
print (type(res.history),res.history)

#2.发送请求头和数据实例
import json
import requests

url = 'http://httpbin.org/post'
payload = {'some':'data'}
headers = {'content-type':'application/json'}

#当headers为application/json的时候,请求实例如下：
res = requests.post(url,data=json.dumps(payload), headers = headers)

print (res.text)

　　4.6关于get与post请求的差别

get请求方法参数只有params，而没有data参数，而post请求中两者都是有的

　　4.7 http返回代码

 100：continue
 101 : switching_protocols
 102 : processing
 103 : checkpoint
 122 : uri_too_long , request_uri_too_long

 200 : ok ， okay, all_ok all_okay , all_good, \\o/ , '√'
 201 : created
 202 ： accepted
 203 : non_authoritative_info , non_authoritative_information
 204 : no_content
 205 : rest_content , reset
 206 : partial_content, partial
 207 :multi_status , multiple_status multi_stati multiple_stati
 208 : already_reported
 226 : im_used

 #Redirection
 300 :multipel_choices
 301 : moved_permanently , moved , \\o-
 302 : found
 303 : see_other , other
 304 : not_modified
 305 : use_proxy
 306 : switch_proxy
 307 : remporay_redirect , temporary_moved , temporary
 308 : permanent_redirect , resume_incomplete , resume  #These 2 to be removed in 3.0

 #client Error
 400 :bad_request , bad
 401 : unauthorized
 402 : payment_required payment
 403 : forbiden
 404 : not_found , -o-
 405 : method_not_allowed not_allowed
 406 : not_acceptable
 407 : proxy_authentication_required , proxy_auth , proxy_authentication
 408 : request_timeout  , timeout
 409 : conflict
 410 :gone
 411 :length_required
 412 : precondition_failed , precondition
 413 : request_entity_too_large
 414 : requests_uri_too_large
 415 : unsupported_media_type, unsupported_media , media_type
 416: ('requested_range_not_satisfiable', 'requested_range', 'range_not_satisfiable'),
 417: ('expectation_failed',),
 418: ('im_a_teapot', 'teapot', 'i_am_a_teapot'),
 421: ('misdirected_request',),
 422: ('unprocessable_entity', 'unprocessable'),
 423: ('locked',),
 424: ('failed_dependency', 'dependency'),
 425: ('unordered_collection', 'unordered'),
 426: ('upgrade_required', 'upgrade'),
 428: ('precondition_required', 'precondition'),
 429: ('too_many_requests', 'too_many'),
 431: ('header_fields_too_large', 'fields_too_large'),
 444: ('no_response', 'none'),
 449: ('retry_with', 'retry'),
 450: ('blocked_by_windows_parental_controls', 'parental_controls'),
 451: ('unavailable_for_legal_reasons', 'legal_reasons'),
 499: ('client_closed_request',),
 # Server Error.
 500: ('internal_server_error', 'server_error', '/o\\', '✗'),
 501: ('not_implemented',),
 502: ('bad_gateway',),
 503: ('service_unavailable', 'unavailable'),
 504: ('gateway_timeout',),
 505: ('http_version_not_supported', 'http_version'),
 506: ('variant_also_negotiates',),
 507: ('insufficient_storage',),
 509: ('bandwidth_limit_exceeded', 'bandwidth'),
 510: ('not_extended',),
 511: ('network_authentication_required', 'network_auth', 'network_authentication')

　　4.8 获得cookies

#会话登录
import requests

s = requests.Session()
s.get('http://www.httpbin.org/cookies/set/123456789') #设置cookies
res = s.get('http://www.httpbin.org/cookies')  #获得cookies
print (res.text)   #打印cookies

此httpbin.org是通过以上方式来设置cookies

#获得cookie
import requests
response = requests.get('http://www.baidu.com')
#print ('response.cookies')

for key,value in reponse.cookies.items():
    print (key + '=' + value)         #组合key = value

　　4.7 SSL设置

#ssl设置
import requests
from requests.packages import urllib3
urllib3.disable_warnings()
res = requests.get('http://www.12306.cn',verify = False)
print (res.status_code)

#证书认证
import requests
res = requests.get('https://www.12306.cn',cert=('/path/server.crt','/path/key'))
print (res.status_code)

　　4.8 代理设置

import requests
proxies = {
    "http":"http://127.0.0.1:9746",
    "https":"https://127.0.0.1:9924"
}

res = requests.get("http://www.taobao.com",proxies = procies)
print (res.status_code)

#有密码的代理
import requests
proxies = {
    "https":"https://user:password@127.0.0.1:9924"
}

res = requests.get("http://www.taobao.com",proxies = procies)
print (res.status_code)

　　4.9 超时时间设置与异常处理

import requests
from requests.exceptions import ReadTimeout
try:
    res = requests.get('http://httpbin.org/get',timeout=0.5)
except ReadTimeout:
    print ('Timeout')

　　4.10 案例：检测QQ是否在线

import urllib
import requests
from xml.etree import ElementTree as ET

#使用内置模块urllib发送http请求
r = urllib.request.urlopen('http://www.webxml.com.cn/webservices/qqOnlineWebService.asmx/qqCheckOnline?qqCode=3455306**')
result = r.read().decode('utf-8')

#使用第三方模块requests发送http请求
r = requetsts.get('http://www.webxml.com.cn/webservices/qqOnlineWebService.asmx/qqCheckOnline?qqCode=3455306**')
result = r.text

#解析XML格式内容
node = ET.XML(result)

#获取内容
if node.text =='Y':
    print ('在线')
else:
    print ('离线')

五、爬虫分析之re模块

　　5.1 关于re模块的使用方法

http://www.cnblogs.com/lisenlin/articles/8797892.html#1

　　5.2 爬虫简单案例

import requests
import re
from fake_useragent import UserAgent

def get_page(url):
    ua = UserAgent()
    headers = {
        'User-Agent':ua.chrome,
    }
    response = requests.get(url, headers = headers)
    try:
        if response.status_code == 200:
            res = response.text
            return res
        return None
    except Exception as e:
        print(e)

def get_movie(html):
    partten = '<p.*?><a.*?>(.*?)</a></p>.*?<p.*?>(.*?)</p>.*?<p.*?>(.*?)</p>'
    items = re.findall(partten, html, re.S)
    #print((items))
    return items

def write_file(items):
    fileMovie = open('movie.txt', 'w', encoding='utf8')
    try:
        for movie in items:
            fileMovie.write('电影排名：' + movie[0] + '\r\n')
            fileMovie.write('电影主演：' + movie[1].strip() + '\r\n')
            fileMovie.write('上映时间：' + movie[2] + '\r\n\r\n')
        print('文件写入成功...')
    finally:
        fileMovie.close()

def main(url):
    html = get_page(url)
    items = get_movie(html)
    write_file(items)

if __name__ == '__main__':
    url = "http://maoyan.com/board/4"
    main(url)