Python学习——（2）通过网络爬虫获取数据

822次阅读

HTTP是网络数据通信的基础。在本节中会围绕Python网络爬虫讲述常用HTTP知识点。

当用户在浏览器的地址栏中输入一个URL并按回车键后，浏览器会向HTTP服务器发送HTTP请求，根据请求解析并绘制界面。

在浏览器中右击，在弹出的菜单栏中选择”检查“选项命令，打开”调试“窗口，并在其中点击”Network（网络）“标签。

Python学习——（2）通过网络爬虫获取数据

在浏览器的地址栏中输入“www.coblogs.com”网址，随后在“调试”窗口中选择”Network（网络）“标签中的“Name”中，下拉列表框选择www.coblogs.com项，就可以看到发出的HTTP请求了，即Request，其中最关键的要素包括Request URL、Request Method和请求头信息Request Header。

当www.coblogs.com网址对应的HTTP请求发送到对方服务器中，对方在完成一系列验证后会根据请求包含的方法（Request Method，这里是Get）和参数（本请求不包含参数）返回相应的Response，其中包含HTTP状态码、HTML页面代码以及对应的图片和js等页面要素。

Request请求中，处除了包含转向网站的URL，在HTTP请求头（Request Header）的user-agent里包含了操作系统和浏览器信息。

Python学习——（2）通过网络爬虫获取数据

对应不同版本的操作系统和浏览器，user-agent也是不同的。一些网站会检查HTTP请求头里的user-agent信息，由于来自爬虫的请求一般不会包含user-agent信息，因此能以此来判断该请求是来自于网站还是爬虫，并会对应的采取一些反爬虫的信息。在爬虫代码中，如果有必要，也需要加入user-agent，来模拟此请求怕是来自于浏览器的。

从上文给出的HTTP请求中，我们看到了Request Method，也就是HTTP的请求方法是GET，此外还有POST等常见的HTTP请求方法。在HTTP协议中，通过请求方法能定义参数的传送方式。

参数在URL里以问号等形式传输，这是以GET方式传递参数的。在一些登录页面里登录后，在URL中看不到任何参数，此时用户名和密码等参数是以POST的方式放在HTTP数据包中传输给对方服务器。

相比之下，用GET方式传输参数的代价更小，但会暴露参数，而且通过Get方法能提交的参数最大是2 KB，因此这种方式一般用在不用加密且数据量较小的场景。传送密码等比较私密的参数时，建议用POST方式。

常见的HTTP状态码如下所示：

状态码含义

200	请求成功
201	已成功创建，比如向服务器端发送“创建用户”，若正确创建，则会返回201
301	永久移动，表示该HTTP请求的资源已被永久移动到新的URL位置，浏览器会自动定向到新的URL
400	请求包含语法错误
401	请求未通过身份验证，通常可能是用户名或密码不对，或未包含证书或token
404	未找到资源
500	服务器内部错误

依上而言，爬虫程序在发出HTTP请求之后，可以首先查看返回的HTTP状态码，如果返回200等表示正确的状态，就可以进一步解析页面，如果不是，就进行对应的异常处理。

Urllib是Python的内置库，不用额外安装，其中封装了一些基于HTTP操作URL的功能。通过调用Urllib库中的方法，我们可以更高效的实现一些爬取页面信息的功能。

在爬虫项目中，一般是用封装在Urllib库里的request模块来发送基于HTTP的URL请求并得到对应的响应信息。

"""coding = utf-8"""

import urllib.request

url = 'http://www.cnblogs.com/'

# 发送请求 # 通过request的urlopen方法，基于HTTP协议向网址发出请求，得到包含响应结果的response对象 response = urllib.request.urlopen(url) # 判断状态码是否为200，如果是，则说明发出的请求被正确处理，并通过utf-8的格式输出响应结果 if response.getcode() == 200: print(response.read().decode('utf-8'))

通过request模块中的urlopen方法向对方服务器发送请求时，如果长时间没有得到响应，不应继续等待，应当立即终止该请求。相反，如果再继续维持的话，不经会继续消耗本地客户端和对方服务器的资源，还会让调用程序的用户在长时间的等待中得不到响应，从而降低用户体验。

在实际项目中，在调用urlopen方法时，一般会加入timeout参数来指定超时时间，该参数的单位是秒，具体的只可以依据项目的实际需求来进行调整，一般不宜过长，如果超过这个时间，服务器端还没有返回，就会抛出异常。

"""coding = utf-8"""

import urllib.request

url = "www.cnblogs.com" # 发送请求 # 和上一段程序不同，我们这里添加了timeout，设置时间为0.1秒，此时会出现报错 # 倘若我们将timeout设置为10，报错将会消失 response = urllib.request.urlopen(url, timeout = 0.1) if response.getcode() == 200: print(response.read().decode('utf-8'))

这里给出代码，自行运行。运行之后的结果会提示：

urllib.error.URLError:<urlopen error timed out>

也就是说，请求发送出去之后，就过0.1秒后没有返回，就会抛出上述异常。

如果出现了timeout异常，就会直接退出，根据异常处理原则，出现网络异常后，我们首先要输出异常信息，让我们了解问题出想的原因；之后才是保证程序的流程不会中断，据此，我们可以使用Urllib库中的URLError方法进行处理。

"""coding= utf-8"""

from urllib import request, error

url = "http://www.cnblogs.com"

# 向服务器发送请求 try: response = request.urlopen(url, timeout = 0.1) except error.URLError as e: print(e.reason) print("continue")

运行结果如下：

Python学习——（2）通过网络爬虫获取数据

我们之前的例子都是通过urlopen的方法来发送HTTP请求的，在某些场景中，我们也需要向浏览器这样发送HTTP的头信息，我们把这种请求方式称之为“浏览器请求”，这样我们就可以获得预期的信息了。

"""coding = utf-8"""

import urllib.request # 指定网页信息 url = "http://www.cnblogs.com" # 创建一个Request类型的req对象，代表一个HTTP请求 req = urllib.request.Request(url) # 我们加入头部信息，在HTTP请求中主要包含的是操作系统和浏览器的信息，我们可以通过User-agent获取 req.add_header("User-Agent", "Mozilla/5.0 (Windows NT 10.0; Win64; x64; rv:97.0) Gecko/20100101 Firefox/97.0") # 我们得到网页的返回结果 data = urllib.request.urlopen(req).read() # 打印返回的网页信息 print(data.decode("utf-8"))

具体运行结果，自行验证。

和网页页面信息提取相关的Python库有两个：一个是re库，这个库是Python的内置库，主要功能是用来封装正则表达式，不用我们额外安装；还有一个是beautifulsoup4库，这个库不是内置库，主要的功能是用来解析HTML的标签，需要我们额外安装，安装方式是在Python的终端界面（Terminal）中键入“pip install beautifulsoup4“ 或 pip3 install beautifulsoup4”。安装完成之后，我们通过“pip list” 或 “pip3 list”查看是否已经安装。

在此不再概述。

了解过前端的人都知道，在HTML页面中，有非常多的标签，我们也可以称它们为元素，比如最常见的和。而元素中牙可以定义很多的属性或者是元素的值。

因此我们需要创建Tag对象提取HTML中的元素，Tag对象有两个非常重要的元素：name和attrs，name表示元素的名字，而attrs表示属性的列表。

""" coding = utf-8"""

from bs4 import BeautifulSoup

# 定义HTML的文本数据 htmlContent = """ <html> <head> <title>HTML Title</title> </head> <body> Hello </body> </html> """ # 把解析好的对象放入soup soup = BeautifulSoup(htmlContent, "html.parser") # 输出<title>HTML Title</title> print(soup.title) # 输出<head><title>HTML Title</title></head> print(soup.head) # 输出Hello print(soup.p) # 输出title，表示元素的名字 print(soup.title.name) # 如下输出p，表示元素的名字 print(soup.p.name) # 用键值对的形式输出{'class' : ['redColor']} print(soup.p.attrs) # 输出['redColor']，表示属性值 print(soup.p.attrs['class'])

输出结果如下：

Python学习——（2）通过网络爬虫获取数据

如果想进一步获取HTML元素中的值，我们就可以调用tag.string方法，这返回的是NavigableString类型对象。

"""ciding = utf-8"""

from bs4 import BeautifulSoup

htmlcontent = """ <html> <head> <title>HTML Title</title> </head> <body></body> </html> """ # 把解析好的对象放入soup中 soup = BeautifulSoup(htmlcontent, "html.parser") # 通过soup.title.string的形式解析title元素中的值，输出HTML Title print(soup.title.string) # 用type得到soup.title.string的类型，输出<class 'bs4.element.NavigableString'> print(type(soup.title.string))

输出结果如下：

Python学习——（2）通过网络爬虫获取数据

当然，每一种编程语言都会说明注释方式，在HTML文本中，是通过** **的方式进行注释。在BeautifulSoup对象中，我们可以通过使用Comment对应的的进行读取注释信息。

"""coding = utf-8"""

from bs4 import BeautifulSoup

htmlContent = '<!–my content–>' # 将解析好的对象放入soup soup = BeautifulSoup(htmlContent, "html.parser") # 通过soup.元素名.string来获得元素值，也可能得到注释 comment = soup.b.string # 如下输出my.comment print(comment) # 如下输出<class 'bs4.element.Comment'> print(type(comment))

输出结果如下：

Python学习——（2）通过网络爬虫获取数据

因为在解析HTML页面时，不用关注注释，因此我们首先判断是否是NavigableString类型还是Comment类型。若是NavigableString，我们继续进行解析，若是Comment类型，则直丢弃。

在实际项目中，我们一般会使用正则表达式来查找和替换某个模式的文本。在爬虫场景中，我们就会使用正规则表达式按照一定的规则来获取HTML文本中查找和截取所需的数据。

正则表达式的方法是封印在Python的re库中，我们将使用re库中提供的方法解析BeautifulSoup提取到的信息，来从中得到预期结果。

正则表达式的主要功能还是查找和替换。

"""coding = utf-8"""

# 引入所需的正则表达式re库 import re # 定义要查找的内容（查找目标），也就是“Python”字符串 pattern = "Python" # 定义待查找的目标字符串 val = "Now I am learning Python" # 通过re.search方法实现查找功能，实现方式为re.search(查找目标，目标字符串) position = re.search(pattern, val) # 结果输出（<re.Match object; span=(18, 24), match='Python'>） # 查找时要注意匹配字母大小写，大写与小写是不同的表达 print(position)

输出结果如下：

Python学习——（2）通过网络爬虫获取数据

通常情况下，精确查找（匹配）我们并不常用，更加常用的是模糊匹配。模糊匹配时我们就要使用一些通配符来实现我们的匹配效果。

通配符含义

w	用来匹配任何一个字母、数字或下划线。
\W	用来匹配除了字母、数字或下划线以外的其他任意一个字符。
\d	用来匹配任意一个十进制数字。
\D	用来匹配除了十进制数字以外的其他任意一个字符。
\s	用来匹配任意一个空白字符。
\S	用来匹配除了空白字符外的其他任意一个字符。

这些通配符是用来匹配一个字符的，而且小写表示”能匹配上“、大写表示”匹配除此之外的任一字符“。

"""coding = utf-8""" # 导入正则表达式re库 import re

pattern = '\wpython\W' val = '5python_' # 输出结果：None # 因为最后一个字符是下划线 print(re.search(pattern, val))

pattern = '\wpython\d' val = '5python5' # 输出结果：<re.Match object; span=(0, 8), match='5python5'> print(re.search(pattern, val))

pattern = 'Python\s' val = 'python Java' # 输出结果：None # 因为pattern的第一个首字母大写，val的第一个首字母是小写 print(re.search(pattern, val))

输出结果如下：

Python学习——（2）通过网络爬虫获取数据

我们还可以使用原子表来定义更加灵活的匹配规则，原子表是用**[]**来定义的，下面会给出在原子表中经常出现的元字符以及它的含义。

原子表含义

^	匹配字符串的开始位置
$	匹配字符串的结束位置
?	匹配0或1次前面的原子
+	匹配一次或多次前面的原子
{n}	前面的原子至少出现n次
{n, m}	前面的原子至少出现n次，至多出现m次

"""coding = utf-8"""

import re

# 匹配深沪A股和创业板股票的规则 # ^表示开始的位置，$表示结束的位置 # 用[6|3|0]表示第一位需要是6或3或0，用[0-9]{5}表示之后的0到9的数字出现5次 # 综合起来，我们要寻找的是以6、3或0为开头的六位数字 stockPattern = '^[6|3|0][0-9]{5}$' # 符合我们的显示规则，然后输出 # 输出结果：<re.Match object; span=(0, 6), match='300000'> print(re.match(stockPattern, '300000')) # 符合我们的显示规则，然后输出 # 输出结果：<re.Match object; span=(0, 6), match='600895'> print(re.match(stockPattern, '600895')) # 不符合我们的显示规则 # 输出结果：None print(re.match(stockPattern, '700000'))

输出结果如下：

Python学习——（2）通过网络爬虫获取数据

神龙|纯净稳定代理IP免费测试>>>>>>>>天启|企业级代理IP免费测试>>>>>>>>IPIPGO|全球住宅代理IP免费测试

发表于：Python爬虫

2022-10-27

# Python爬虫

复制链接

赏

Python学习——（2）通过网络爬虫获取数据

通过网络爬虫获取数据

1. 和爬虫有关的HTTP

1.1 基于HTTP的请求处理流程

1.2 HTTP请求头包含操作系统和浏览器信息

1.3 Post和Get请求方法

1.4 HTTP常见的状态码

2. 通过Urllib库获取网页信息

2.1 通过request爬取网页

2.2 设置超时时间

2.3 用URLError处理网络异常

2.4 设置header属性来模拟浏览器发送请求

3. 通过BeautifulSoup提取页面信息

3.1 安装BeautifulSoup库

3.2 用Tag提取HTML元素和属性

3.3 用NavigableString提取元素值

3.4 用Comment提取注释

4. 通过正则表达式截取信息

4.1 查找指定字符串

4.2 用通用字符来模糊匹配

4.3 通过原子表来定义匹配规则

相关文章：

集合访问方式python（python集合类型的操作符）

限时Python免费学（可以免费学python的网站）

阿里python代码检查（python 代码检查工具）

调用python加入参（python函数参数调用）

读取串口python代码（python 串口读取）

词法分析程序python（词法分析程序流程图）

设计模式python版本（python做设计）

腾讯云python认证（腾讯云函数部署python）

相似图片识别python（相似图片识别 docker）

淘宝登录python脚本（淘宝python基础教程）