Python爬虫基础篇1

Python-Crawler

简介：在Http协议中，定义了八种请求方法。这里介绍两种常用的请求方法，分别是get请求和post请求。

1. get请求：一般情况下，只从服务器获取数据下来，并不会对服务器资源产生任何影响的时候会使用get请求。

2. post请求：向服务器发送数据（登录）、上传文件等，会对服务器资源产生影响的时候会使用post请求。 以上是在网站开发中常用的两种方法。并且一般情况下都会遵循使用的原则。但是有的网站和服务器为了做反爬虫机制，也经常会不按常理出牌，有可能一个应该使用get方法的请求就一定要改成post请求，这个要视情况而定。

3. 在http协议中，向服务器发送一个请求，数据分为三部分，第一个是把数据放在url中，第二个是把数据放在body中（在post请求中），第三个就是把数据放在head中。这里介绍在网络爬虫中经常会用到的一些请求头参数：

   1. User-Agent：浏览器名称。这个在网络爬虫中经常会被使用到。请求一个网页的时候，服务器通过这个参数就可以知道这个请求是由哪种浏览器发送的。如果我们是通过爬虫发送请求，那么我们的User-Agent就是Python，这对于那些有反爬虫机制的网站来说，可以轻易的判断你这个请求是爬虫。因此我们要经常设置这个值为一些浏览器的值，来伪装我们的爬虫。

   2. Referer：表明当前这个请求是从哪个url过来的。这个一般也可以用来做反爬虫技术。如果不是从指定页面过来的，那么就不做相关的响应。

   3. Cookie：http协议是无状态的。也就是同一个人发送了两次请求，服务器没有能力知道这两个请求是否来自同一个人。因此这时候就用cookie来做标识。一般如果想要做登录后才能访问的网站，那么就需要发送cookie信息了。

   4. 200：请求正常，服务器正常的返回数据。

   5. 301：永久重定向。比如在访问www.jingdong.com的时候会重定向到www.jd.com。

   6. 302：临时重定向。比如在访问一个需要登录的页面的时候，而此时没有登录，那么就会重定向到登录页面。

   7. 400：请求的url在服务器上找不到。换句话说就是请求url错误。

   8. 403：服务器拒绝访问，权限不够。

   9. 500：服务器内部错误。可能是服务器出现bug了。

urllib库

urllib`库是中一个最基本的网络请求库。可以模拟浏览器的行为，向指定的服务器发送一个请求，并可以保存服务器返回的数据。`Python

urlopen函数：

在的库中，所有和网络请求相关的方法，都被集到模块下面了，以先来看下函数基本的使用：Python3``urllib``urllib.request``urlopen

from urllib import request
resp = request.urlopen('http://www.baidu.com')
print(resp.read())

实际上，使用浏览器访问百度，右键查看源代码。你会发现，跟我们刚才打印出来的数据是一模一样的。也就是说，上面的三行代码就已经帮我们把百度的首页的全部代码爬下来了。一个基本的url请求对应的python代码真的非常简单。 以下对函数的进行详细讲解： urlopen

1. url：请求的url。

2. data：请求的，如果设置了这个值，那么将变成请求。 data``post

3. 返回值：返回值是一个对象，这个对象是一个类文件句柄对象。有、、以及等方法。http.client.HTTPResponse``read(size)``readline``readlines``getcode

urlretrieve函数：

这个函数可以方便的将网页上的一个文件保存到本地。以下代码可以非常方便的将百度的首页下载到本地：

from urllib import request
request.urlretrieve('http://www.baidu.com/','baidu.html')

urlencode函数：

用浏览器发送请求的时候，如果url中包含了中文或者其他特殊字符，那么浏览器会自动的给我们进行编码。而如果使用代码发送请求，那么就必须手动的进行编码，这时候就应该使用函数来实现。可以把字典数据转换为编码的数据。示例代码如下：urlencode``urlencode``URL

from urllib import parse
data = {'name':'爬虫基础','greet':'hello world','age':100}
qs = parse.urlencode(data)
print(qs)

parse_qs函数：

可以将经过编码后的url参数进行解码。示例代码如下：

from urllib import parse
qs = "name=%E7%88%AC%E8%99%AB%E5%9F%BA%E7%A1%80&greet=hello+world&age=100"
print(parse.parse_qs(qs))

urlparse和urlsplit：

有时候拿到一个url，想要对这个url中的各个组成部分进行分割，那么这时候就可以使用或者是来进行分割。示例代码如下：urlparse``urlsplit

from urllib import request,parse
?
url = 'http://www.baidu.com/s?username=zhiliao'
?
result = parse.urlsplit(url)
# result = parse.urlparse(url)
?
print('scheme:',result.scheme)
print('netloc:',result.netloc)
print('path:',result.path)
print('query:',result.query)
urlparse`和基本上是一模一样的。唯一不一样的地方是，里面多了一个属性，而没有这个属性。比如有一个为：，
那么可以获取到，而不可以获取到。中的也用得比较少。`urlsplit``urlparse``params``urlsplit``params``url``url = 'http://www.baidu.com/s;hello?wd=python&username=abc#1'``urlparse``hello``urlsplit``url``params

request.Request类：

如果想要在请求的时候增加一些请求头，那么就必须使用类来实现。比如要增加一个，示例代码如下：request.Request``User-Agent

from urllib import request
?
headers = {
'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/62.0.3202.94 Safari/537.36'
}
req = request.Request("http://www.baidu.com/",headers=headers)
resp = request.urlopen(req)
print(resp.read())