【爬虫高阶】精通requests库爬虫-爬虫库

331次阅读

精通requests库爬虫

1. 最基本使用范例
2. 搜索参数
3. post使用示范
4. json数据请求
5. 图片下载
6. session会话
7. 忽略HTTPS证书
8. ip代理
9. 上传
10. 下载
11. urllib库补充

1. 最基本使用范例

也是爬虫第一步的试探网页

import requests

def get_html(url):
html = requests.get(url)
if html.status_code == 200:
html.encoding = ‘utf-8’
print(html.text)
else:
print(‘ERROR’,url)

if __name__ == ‘__main__’:
url = ‘http://www.baidu.com/s’
get_html(url)

2. 搜索参数

比如打开百度搜索相关的信息（这里以python为例），可以发现搜索结果出来后对应的网址如下：

【爬虫高阶】精通requests库爬虫-爬虫库

可以发现要搜索的结果会直接反应在网址上面，后面内容组成的形式为?wd=python，其中等号后面的内容就是我们要搜索的。在进行爬虫过程中，为了保持url整体的美观（不要长度过长），可以将后面的内容以字典的方式进行存储并传递给params参数（往往这个字典的名称也是叫params）

params = {‘wd’:‘python’}
html = requests.get(url,params=params)

3. post使用示范

post通常用于请求表单，不过传递的参数是data，不是params要和上面的参数进行区别开。可以拿python官网的测试网址进行post请求的测试，如下

import requests

def post_html(url):
data = {‘name’:‘python’,‘pwd’:123}
html = requests.post(url,data = data)
if html.status_code == 200:
html.encoding = ‘utf-8’
print(html.text)
else:
print(‘ERROR’,url)

if __name__ == ‘__main__’:
url = ‘http://httpbin.org/post’
post_html(url)

4. json数据请求

这种网页就是通过ajax交互的，里面的信息直接使用get请求是无法获得其中的有效信息。可以通过检查发现所有的数据都是在资源url的接口中，只需要请求这个url获取其中的数据即可

import requests

def get_html(url):
html = requests.get(url)
if html.status_code == 200:
html.encoding = ‘utf-8’
#print(html.text)
content = html.json()
for c in content:
print(c[‘id’],c[‘title’])
else:
print(‘ERROR’,url)

if __name__ == ‘__main__’:
url = ‘https://news.qq.com/ext2020/apub/json/prevent.new.json’
get_html(url)

5. 图片下载

以百度图片为例，该网页中的信息也是以ajax交互的形式（url不变，但是内容可以增加）。比如下载哪吒之魔童降世的图片，具体代码如下

import os
import requests

headers = {
‘User-Agent’:‘Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/75.0.3770.100 Safari/537.36’,
‘Referer’:‘http://image.baidu.com/search/index?’,
‘Cookie’:‘BIDUPSID=82508FD9E8C7F366210EB75A638DF308; PSTM=1567074841; MCITY=-%3A; BDUSS=40RFJRR09CLU85ejZHU1FSRHNWdmhaN1ZyQTlwMlo5MUZIUnlxdEtMU09hSUZlRVFBQUFBJCQAAAAAAAAAAAEAAABQontKTWlzc2Fst-gAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAI7bWV6O21leaW; BDORZ=B490B5EBF6F3CD402E515D22BCDA1598; BAIDUID=0F2472E83269C89F55EFE0E6B0FEF5A9:FG=1; indexPageSugList=%5B%22%E5%93%AA%E5%90%92%E4%B9%8B%E9%AD%94%E7%AB%A5%E9%99%8D%E4%B8%96%22%2C%22%E7%99%BE%E5%BA%A6%22%2C%22%E5%93%AA%E5%90%92%E4%B9%8B%E9%AD%94%E7%AB%A5%E9%99%8D%E4%B8%96%E5%9B%BE%E7%89%87%22%2C%22%E5%93%AA%E5%90%92%22%2C%22%E9%9D%92%E7%94%B0%22%2C%22%E6%99%B4%E5%A4%A9%22%5D; H_PS_PSSID=30963_1442_21087_30791_30998_30823_22158; BDRCVFR[feWj1Vr5u3D]=I67x6TjHwwYf0; delPer=0; PSINO=1; ___wk_scode_token=tcQ51Zf6S5pU%2B1DDHYelwpmVyt6gUicizYCUXOTEJis%3D; session_id=1583653459699; session_name=www.baidu.com; BDRCVFR[dG2JNJb_ajR]=mk3SLVN4HKm; userFrom=null; BDRCVFR[-pGxjrCMryR]=mk3SLVN4HKm’
}

def get_img(url):
html = requests.get(url,headers =headers)
if html.status_code == 200:
html.encoding = html.apparent_encoding
content = html.json()[‘data’]
count = 1
for c in content[:–1]:
download_img(c[‘middleURL’], count)
count += 1
else:
print(‘Error’,url)

def download_img(img_url,count):
img = requests.get(img_url,headers = headers)
if not os.path.exists(‘picture_mv’):
os.mkdir(‘picture_mv’)
print(‘正在下载第{}张图片…’.format(count))
with open(‘./picture_mv/{}.jpg’.format(count),‘wb’) as f:
for chunk in img.iter_content(225):#这里是按照块进行写入，对于下载大型的视频或者音乐比较友好
f.write(chunk)

if __name__ == ‘__main__’:
url = ‘http://image.baidu.com/search/acjson?tn=resultjson_com&ipn=rj&ct=201326592&is=&fp=result&queryWord=%E5%93%AA%E5%90%92%E4%B9%8B%E9%AD%94%E7%AB%A5%E9%99%8D%E4%B8%96&cl=2&lm=-1&ie=utf-8&oe=utf-8&adpicid=&st=-1&z=0&ic=&hd=&latest=©right=&word=%E5%93%AA%E5%90%92%E4%B9%8B%E9%AD%94%E7%AB%A5%E9%99%8D%E4%B8%96&s=&se=&tab=&width=&height=&face=&istype=2&qc=&nc=1&fr=&expermode=&force=&pn=30&rn=30&gsm=1e&1583656519626=’
get_img(url)

→ 输出的结果为：（在当前目录下会自动创建文件夹并写入图片文件）

【爬虫高阶】精通requests库爬虫-爬虫库

6. session会话

首先创建一个session，然后传入相关的参数即可，可以减少程序运行时间，提高爬虫效率，以上面的代码为例只需要修改三处代码即可

import os
import requests

headers = {
‘User-Agent’:‘Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/75.0.3770.100 Safari/537.36’,
‘Referer’:‘http://image.baidu.com/search/index?’,
‘Cookie’:‘BIDUPSID=82508FD9E8C7F366210EB75A638DF308; PSTM=1567074841; MCITY=-%3A; BDUSS=40RFJRR09CLU85ejZHU1FSRHNWdmhaN1ZyQTlwMlo5MUZIUnlxdEtMU09hSUZlRVFBQUFBJCQAAAAAAAAAAAEAAABQontKTWlzc2Fst-gAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAI7bWV6O21leaW; BDORZ=B490B5EBF6F3CD402E515D22BCDA1598; BAIDUID=0F2472E83269C89F55EFE0E6B0FEF5A9:FG=1; indexPageSugList=%5B%22%E5%93%AA%E5%90%92%E4%B9%8B%E9%AD%94%E7%AB%A5%E9%99%8D%E4%B8%96%22%2C%22%E7%99%BE%E5%BA%A6%22%2C%22%E5%93%AA%E5%90%92%E4%B9%8B%E9%AD%94%E7%AB%A5%E9%99%8D%E4%B8%96%E5%9B%BE%E7%89%87%22%2C%22%E5%93%AA%E5%90%92%22%2C%22%E9%9D%92%E7%94%B0%22%2C%22%E6%99%B4%E5%A4%A9%22%5D; H_PS_PSSID=30963_1442_21087_30791_30998_30823_22158; BDRCVFR[feWj1Vr5u3D]=I67x6TjHwwYf0; delPer=0; PSINO=1; ___wk_scode_token=tcQ51Zf6S5pU%2B1DDHYelwpmVyt6gUicizYCUXOTEJis%3D; session_id=1583653459699; session_name=www.baidu.com; BDRCVFR[dG2JNJb_ajR]=mk3SLVN4HKm; userFrom=null; BDRCVFR[-pGxjrCMryR]=mk3SLVN4HKm’
}

session = requests.session() #第一行
session.headers = headers #第二行

def get_img(url):
html = session.get(url) #第三行
if html.status_code == 200:
html.encoding = html.apparent_encoding
content = html.json()[‘data’]
count = 1
for c in content[:–1]:
download_img(c[‘middleURL’], count)
count += 1
else:
print(‘Error’,url)

def download_img(img_url,count):
img = requests.get(img_url,headers = headers)

if not os.path.exists(‘picture_mv’):
os.mkdir(‘picture_mv’)
print(‘正在下载第{}张图片…’.format(count))
with open(‘./picture_mv/{}.jpg’.format(count),‘wb’) as f:
for chunk in img.iter_content(225):
f.write(chunk)

if __name__ == ‘__main__’:
url = ‘http://image.baidu.com/search/acjson?tn=resultjson_com&ipn=rj&ct=201326592&is=&fp=result&queryWord=%E5%93%AA%E5%90%92%E4%B9%8B%E9%AD%94%E7%AB%A5%E9%99%8D%E4%B8%96&cl=2&lm=-1&ie=utf-8&oe=utf-8&adpicid=&st=-1&z=0&ic=&hd=&latest=©right=&word=%E5%93%AA%E5%90%92%E4%B9%8B%E9%AD%94%E7%AB%A5%E9%99%8D%E4%B8%96&s=&se=&tab=&width=&height=&face=&istype=2&qc=&nc=1&fr=&expermode=&force=&pn=30&rn=30&gsm=1e&1583656519626=’
get_img(url)

7. 忽略HTTPS证书

在get(url)的括号中添加verify=False即可,这种情况是应对爬虫过程中显示SSL安全连接的问题

import requests

def get_html(url):
html = requests.get(url,verify=False)
print(html.text)

if __name__ == ‘__main__’:
url = ‘https://www.baidu.com’
get_html(url)

8. ip代理

对于某些网站，如果爬取信息过于频繁，就会导致被封ip，如果在使用自己的本地ip就无法继续访问网页了。（建议购买ip，免费ip你想使用，别人也在使用，使用的人多了自然就被封了，也就访问无效了，白嫖虽然很舒服，但是体验感极差）

设置代理ip的格式：（为了避免ip无效等待时间过长，可以关闭证书验证和设置请求时间限制timeout）
如果是购买的ip的话，不存在timeout的现象，这也涉及了体验感的问题

import requests

proxies = {
‘http’:‘http://171.13.202.161:9999’,
‘https’:‘http://171.13.202.161:9999’
}
def get_html(url):
html = requests.get(url,proxies = proxies,verify=False,timeout=3)
print(html.text)

if __name__ == ‘__main__’:
url = ‘https://www.baidu.com’
get_html(url)

9. 上传

向网站上传入信息

import requests

files = {‘file’:
(‘render’,open(‘render.html’,‘rb’), #第一个参数是文件名 + 文件（核心）
‘application/html’, #第二个参数是文件格式如果是图片的话就是image
{‘Expires’:‘0’}) #第三个参数是额外添加的参数,这里是代表文件不过期的意思
}

def get_html(url):
html = requests.post(url,files = files)
if html.status_code == 200:
print(html.text)
else:
print(‘get error:’+ html.url)

if __name__ == ‘__main__’:
url = ‘http://httpbin.org/post’
get_html(url)

10. 下载

上面的百度图片的下载中已经使用到了，这里直接将代码复制下面，为了可视化输出结果，建议传入一个count参数进行计数和文件的命名

def download_img(img_url,count):
img = requests.get(img_url,headers = headers)

if not os.path.exists(‘picture_mv’):
os.mkdir(‘picture_mv’)
print(‘正在下载第{}张图片…’.format(count))
with open(‘./picture_mv/{}.jpg’.format(count),‘wb’) as f:
for chunk in img.iter_content(225):
if chunk:
f.write(chunk)

11. urllib库补充

① urllib.parse.urljoin 该方法有点类似os库下的路径拼接方法os.path.join()

from urllib import parse

url_1 = ‘http://www.baidu.com’
url_2 = ‘http://www.baidu.com/’
url_3 = ‘http://www.baidu.com//’

content_url = ‘/img1.jpg’

print(url_1 + content_url)
print(parse.urljoin(url_1,content_url))
print(‘——————‘)
print(parse.urljoin(url_2,content_url))
print(parse.urljoin(url_3,content_url))

→ 输出的结果为：(注意这三个url的区别)

http://www.baidu.com/img1.jpg
http://www.baidu.com/img1.jpg
––––––––––––––––––
http://www.baidu.com/img1.jpg
http://www.baidu.com/img1.jpg

② urllib.parse.quote和 urllib.parse.unquote 数据转码，转变成为计算机真正输入的字符和编码再转回成为正常的汉字，比如这里拿小米手机为例，进行百度的搜索

【爬虫高阶】精通requests库爬虫-爬虫库

wd = ‘小米手机’
print(parse.quote(wd))
print(parse.unquote(parse.quote(wd)))
url = ‘http://www.baidu.com/s?wd=/’
print(url+parse.quote(wd))

→ 输出的结果为：（可以发现编码之间可以正常转换，最后的url也和上面的url地址最后的内容是一致的，在结合第一个方法就可以正确的构造完整的url了）

%E5%B0%8F%E7%B1%B3%E6%89%8B%E6%9C%BA
小米手机
http://www.baidu.com/s?wd=/%E5%B0%8F%E7%B1%B3%E6%89%8B%E6%9C%BA

③ urllib.parse.urlsplit 和urllib.parse.urlparse 分割url内容，进行解析

url = ‘http://www.baidu.com/s?wd=/%E5%B0%8F%E7%B1%B3%E6%89%8B%E6%9C%BA’
print(parse.urlsplit(url)) #没有的话就不需要进行切分（split函数在分割的时候，path和params属性是在一起的）
print(parse.urlparse(url)) #即使没有也切分，比如这里的params（这种方式更加细致，把path和params拆开了）

→ 输出的结果为：（结果几乎是一致的）

SplitResult(scheme=‘http’, netloc=‘www.baidu.com’, path=‘/s’, query=‘wd=/%E5%B0%8F%E7%B1%B3%E6%89%8B%E6%9C%BA’, fragment=”)
ParseResult(scheme=‘http’, netloc=‘www.baidu.com’, path=‘/s’, params=”, query=‘wd=/%E5%B0%8F%E7%B1%B3%E6%89%8B%E6%9C%BA’, fragment=”)

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

2022-11-01

# Python爬虫

复制链接

赏