Python爬虫的开始——requests库建立请求

接下来我将会用一段时间来更新python爬虫

网络爬虫大体可以分为三个步骤。

首先建立请求，爬取所需元素；

其次解析爬取信息，剔除无效数据；

最后将爬取信息进行保存；

今天就先来讲讲第一步，请求库requests

request库主要有七个常用函数，如下所示

而通过requests创建的数据类型为response

我们以爬取百度网站为例

import requests as r
t=r.get("https://www.baidu.com/")
print(type(t))

运行结果如下所示

<class 'requests.models.Response'>
[Finished in 1.3s]

那么作为请求对象，具有哪些属性呢？

爬取数据第一步要做的事便是确认是否连接成功

status_code()从功能角度考虑，算的上是一种判断函数，调用将会返还结果是否成功

如果返回结果为200，则代表连接成功，如果返回结果为404，则代表连接失败

import requests as r
t=r.get("https://www.baidu.com/")
print(type(t))
print(t.status_code)

如图所示返回结果为200，连接成功

那么下一步便是获得网址代码，不过在获得代码之前，还需要做一件事，得到响应内容的编码方式

不同的编码方式将会影响爬取结果

比如说百度网址：https://www.baidu.com/

采用编码方式为ISO-8859-1

获取编码方式为encoding

如下所示

import requests as r
t=r.get("https://www.baidu.com/")
print(type(t))
print(t.status_code)
print(t.encoding)

结果：

<class 'requests.models.Response'>
200
ISO-8859-1

当然有的网页采用 utf8，也有使用gbk，

不同的编码方式会影响我们获得的源码

也可以通过手动更改来改变获得的编码方式

比如：

import requests as r
t=r.get("https://www.baidu.com/")
print(t.encoding)
t.encoding="utf-8"
print(t.encoding)

结果

也可以试着备选码方式，apparent_encoding

之后我们就可以获得源代码了，我们需要将源代码以字符串类型输出保存

这就需要用到text

如下所示：

import requests as r
t=r.get("https://www.baidu.com/")
print(t.text)

结果：

这样我们就获得了对应网站的源码，完成了爬虫的第一步