Python爬虫学习笔记-第二课(网络请求模块上)

2024-05-02 06:32
文章标签 python 模块 学习 笔记 请求 网络 爬虫 第二课

本文主要是介绍Python爬虫学习笔记-第二课(网络请求模块上)，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

网络请求模块上

  • 1. 相关概念介绍
    • 1.1 向网站发起请求的方式：
    • 1.2 url-全球统一资源定位符
    • 1.3 User-Agent 用户代理
    • 1.4 referer
    • 1.5 状态码
    • 1.6 抓包工具
  • 2. urllib模块简介
  • 3. urllib常用方法
    • 3.1 urllib.request
    • 3.2 urllib.parse

1. 相关概念介绍

1.1 向网站发起请求的方式：

  • Get
    查询参数会在url地址中显示；
    通常应用于直接从服务器上获取数据，不会对服务器上的数据产生影响；

打开百度搜索引擎，搜索python关键字，按快捷键F12，显示结果如下：

在这里插入图片描述

搜索的关键字python在url地址中会有显示。

  • Post
    查询参数不会显示在url地址上；
    向服务器发送请求，会对服务器的数据产生影响，比如在某网站进行登录操作，需要向服务器提交账号、密码信息进行验证，或者上传文件，这些操作会影响服务器的资源，请求的方法大多是post。

比如，打开github登录界面，尝试登陆github账号：
在这里插入图片描述

这里账号密码是随便乱输，服务器给的反馈状态码是422，请求方式是POST。
login账号、密码信息在Form Data里。
在这里插入图片描述

1.2 url-全球统一资源定位符

https://new.qq.com/omn/20201210/20201210A04L0R00.html

url组成解析：

  • https： 协议
  • new.qq.com： 主机名，省略了端口
  • omn/20201210/20201210A04L0R00.html： 访问资源的路径
  • anchor：锚点 可以作为页面定位导航。

以百度百科为例，图中1.1 早年经历与url中的#1_1相对应。

在这里插入图片描述

再比如网易云音乐，我的音乐与url中的#my相对应。
在这里插入图片描述

小细节：浏览器请求一个url的时候，除了英文字母、数字和部分符号外，其他的字符都会用%十六进制来表示。自己编写代码向服务器发起请求时，需要注意中文字符的转换。

1.3 User-Agent 用户代理

在这里插入图片描述

User-Agent里记录了一些信息，比如用户的操作系统、浏览器、内核等等，为了让用户获取更好的HTML页面效果。
服务器会对user-agent进行检查，即使向同一个服务器发起请求，不同的浏览器之间通常会有不同的效果。

1.4 referer

在网易云音乐里，想要找自己想听的歌曲，通常先到网易云音乐的首页，再点击或者搜索想听的歌曲，才会到达具体的页面，此时referer就会记录当前请求从哪个url转过来。
反爬工程师可以通过referer来判断当前的请求是否是程序发起的，我们自己编写代码也应考虑这一点，尽可能地模拟人类请求服务器的动作。
图片

referer表明当前请求从哪一个url过来，通常也可作为反爬的技术之一。

1.5 状态码

200：请求成功
301：永久重定向
302：临时重定向
404：请求失败（服务器无法根据客户端的请求找到资源）
500：服务器内部请求

关于重定向，京东首页的url为www.jd.com
在这里插入图片描述

但一些老用户不知道新的url地址，输入老地址www.360buy.com，也能跳转到京东首页：
在这里插入图片描述

再比如，直接输入www.zhihu.com，想要访问知乎，但是会临时重定向到知乎的登陆界面：

在这里插入图片描述

1.6 抓包工具

Elements：元素，网页源代码，提取和分析数据，但是有些数据是经过处理的，所以并不都是准确的。
在这里插入图片描述

Console：控制台（打印信息）
Source：信息来源（整个网站加载的文件）
在这里插入图片描述

Network：网络工作（信息抓包)，能都看到许多的网页请求。
在这里插入图片描述

2. urllib模块简介

为什么还需要学习urllib模块：

  1. 有些比较老的爬虫项目用的是urllib技术；
  2. 有些情况爬取数据的时候需要urllib+requests一起使用；
  3. urllib是内置模块，有必要掌握一定的基础使用；
  4. 某些方面的作用还是比较强大的。

示例代码：
在百度页面上抓取一张图片：

# 方式一：使用requests模块
import requests
# 将图片的地址保存在变量中
url = 'https://dss2.bdstatic.com/8_V1bjqh_Q23odCf/pacific/1975226040.jpg'
# 抓取图片
pict = requests.get(url).content
# 保存图片到pict.jpg
with open('pict.jpg', 'wb') as f_obj:f_obj.write(pict)

在py文件的同级目录下，出现pict.jpg的图片文件，如下：

在这里插入图片描述

# 方式2 使用urllib模块
from urllib import request
# 将图片的地址保存在变量中
url = 'https://dss2.bdstatic.com/70cFvnSh_Q1YnxGkpoWK1HF6hhy/it/u=2416828055,1360908189&fm=26&gp=0.jpg'
# 抓取图片
request.urlretrieve(url, 'pict2.jpg')

在py文件的同级目录下，出现pict2.jpg的图片文件，如下：

在这里插入图片描述

3. urllib常用方法

3.1 urllib.request

示例代码:

import urllib.request as ure
response = ure.urlopen('http://www.baidu.com/')
# read()方法把响应对象里面的内容读取出来
# decode()方法把内容解码转换成str类型
html = response.read().decode('utf-8')
print(html)
print(type(html))

运行结果:
在这里插入图片描述
从上图的结果看,这并非我们期望得到的数据,说明百度服务器有一些反爬措施.

一个直接的思路是添加headers,更好地模拟人访问网站.

import urllib.request as ure
# 给程序添加headers
headers = {}
# TypeError: urlopen() got an unexpected keyword argument 'headers'
response = ure.urlopen('http://www.baidu.com/', headers=headers)

运行结果:

在这里插入图片描述

上图结果显示,无法直接通过urlopen()方法添加请求的headers.

改进代码如下:

import urllib.request
# 0.准备前置变量
url = 'http://www.baidu.com/'
headers = {'User-Agent': 'Mozilla/5.0 (X11; Ubuntu; Linux x86_64; rv:80.0) Gecko/20100101 Firefox/80.0'}
# 1.创建请求的对象(构建user-agent)
req = urllib.request.Request(url,headers=headers)
# 2.获取响应对象(urlopen)
res = urllib.request.urlopen(req)
# 3.读取响应对象的内容(read().decode('utf-8'))
html = res.read().decode('utf-8')

运行结果:

在这里插入图片描述
图中显示了百度网页上的文字信息,说明请求的数据比之前更正常一些.
此时也可对响应对象使用getcode()方法,查看响应的状态码:

print(res.getcode())

运行结果:

在这里插入图片描述

3.2 urllib.parse

当url地址中出现中文字符,浏览器会将中文字符进行编码,表现形式为%十六进制,一个汉字对应3个%
例如:

张无忌 %e5%bc%a0%e6%97%a0%e5%bf%8c
张无 %e5%bc%a0%e6%97%a0
百度搜索"张无忌",url地址为:
https://www.baidu.com/s?ie=utf-8&f=3&rsv_bp=1&rsv_idx=1&tn=baidu
&wd=%E5%BC%A0%E6%97%A0%E5%BF%8C&fenlei=256&rsv_pq=9fcf15e2000a745c&
rsv_t=c2feR0%2BEOVViZDAVbDKUJc1TcmQWEX5VWWHEk%2BeFcO7MHgndVe%2FUFxgLpPw&rqlang=
cn&rsv_enter=1&rsv_dl=is_0&rsv_sug3=10&rsv_sug1=7&rsv_sug7=101&rsv_sug2=1&
rsv_btype=i&prefixsug=zhangwuji&rsp=0&inputT=3140&rsv_sug4=16408

# 使用urlencode()方法将中文字符编码
import urllib.parse
tu = {'wd':'张无忌'}
res = urllib.parse.urlencode(tu)
print(res)

运行结果:
在这里插入图片描述

小练习:输入要搜索的内容, 并保存到本地 内容.html.

import urllib.parse
import urllib.request
# 目标url
base_url = 'https://www.baidu.com/s?'
key = input('请输入想要搜索的内容:')
# urlencode()对中文字符编码
wd = {'wd' : key}
key = urllib.parse.urlencode(wd)
# 拼接url
url = base_url + key
print(url)# 输出结果:
请输入想要搜索的内容:张无忌
https://www.baidu.com/s?wd=%E5%BC%A0%E6%97%A0%E5%BF%8C

将得到的url输入浏览器,回车得到如下结果(浏览器自动把编码的汉字解码成正常字符):
在这里插入图片描述
继续小练习,接下来给出完整代码:

import urllib.parse
import urllib.request
# 目标url
base_url = 'https://www.baidu.com/s?'
key = input('请输入想要搜索的内容:')
# urlencode()对中文字符编码
wd = {'wd' : key}
key = urllib.parse.urlencode(wd)
# 拼接url
url = base_url + key
headers = {'User-Agent': 'Mozilla/5.0 (X11; Ubuntu; Linux x86_64; rv:80.0) Gecko/20100101 Firefox/80.0'}
# 1.创建请求的对象(构建user-agent)
req = urllib.request.Request(url,headers=headers)
# 2.获取响应对象(urlopen)
res = urllib.request.urlopen(req)
# 3.读取响应对象的内容(read().decode('utf-8'))
html = res.read().decode('utf-8')
# 4.保存文件
with open('内容.html', 'w', encoding='utf-8') as fobj:fobj.write(html)

运行结果,在py文件同级目录下出现内容.html文件,文件内容的部分截图如下:

在这里插入图片描述
除了使用urlencode()方法外,quote()也可以对中文字符进行编码处理.

import urllib.parse
import urllib.request
# 目标url
base_url = 'https://www.baidu.com/s?wd='
# 使用quote()对中文字符编码
key = urllib.parse.quote('张无忌')
url = base_url + key
print('目标url: ', url)

运行结果:
在这里插入图片描述

小总结:
urlencode() 方法传入的参数是一个字典.
quote() 方法传入的参数是一个字符串.

这篇关于Python爬虫学习笔记-第二课(网络请求模块上)的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！

原文地址:
本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.chinasem.cn/article/953589。

相关文章

Python并行处理实战之如何使用ProcessPoolExecutor加速计算

Python并行处理实战之如何使用ProcessPoolExecutor加速计算

《Python并行处理实战之如何使用ProcessPoolExecutor加速计算》Python提供了多种并行处理的方式,其中concurrent.futures模块的ProcessPoolExecu... 目录简介完整代码示例代码解释1. 导入必要的模块2. 定义处理函数3. 主函数4. 生成数字列表5.
阅读更多...
Python中help()和dir()函数的使用

Python中help()和dir()函数的使用

《Python中help()和dir()函数的使用》我们经常需要查看某个对象（如模块、类、函数等）的属性和方法,Python提供了两个内置函数help()和dir(),它们可以帮助我们快速了解代... 目录1. 引言2. help() 函数2.1 作用2.2 使用方法2.3 示例(1) 查看内置函数的帮助(
阅读更多...
Python虚拟环境与Conda使用指南分享

Python虚拟环境与Conda使用指南分享

《Python虚拟环境与Conda使用指南分享》：本文主要介绍Python虚拟环境与Conda使用指南,具有很好的参考价值,希望对大家有所帮助,如有错误或未考虑完全的地方,望不吝赐教... 目录一、python 虚拟环境概述1.1 什么是虚拟环境1.2 为什么需要虚拟环境二、Python 内置的虚拟环境工具
阅读更多...
Python实例题之pygame开发打飞机游戏实例代码

Python实例题之pygame开发打飞机游戏实例代码

《Python实例题之pygame开发打飞机游戏实例代码》对于python的学习者,能够写出一个飞机大战的程序代码,是不是感觉到非常的开心,：本文主要介绍Python实例题之pygame开发打飞机... 目录题目pygame-aircraft-game使用 Pygame 开发的打飞机游戏脚本代码解释初始化部
阅读更多...
Python pip下载包及所有依赖到指定文件夹的步骤说明

Python pip下载包及所有依赖到指定文件夹的步骤说明

《Pythonpip下载包及所有依赖到指定文件夹的步骤说明》为了方便开发和部署,我们常常需要将Python项目所依赖的第三方包导出到本地文件夹中,：本文主要介绍Pythonpip下载包及所有依... 目录步骤说明命令格式示例参数说明离线安装方法注意事项总结要使用pip下载包及其所有依赖到指定文件夹，请按照以
阅读更多...
Python实现精准提取 PDF中的文本,表格与图片

Python实现精准提取 PDF中的文本,表格与图片

《Python实现精准提取PDF中的文本,表格与图片》在实际的系统开发中,处理PDF文件不仅限于读取整页文本,还有提取文档中的表格数据,图片或特定区域的内容,下面我们来看看如何使用Python实... 目录安装 python 库提取 PDF 文本内容：获取整页文本与指定区域内容获取页面上的所有文本内容获取
阅读更多...
基于Python实现一个Windows Tree命令工具

基于Python实现一个Windows Tree命令工具

《基于Python实现一个WindowsTree命令工具》今天想要在Windows平台的CMD命令终端窗口中使用像Linux下的tree命令,打印一下目录结构层级树,然而还真有tree命令,但是发现... 目录引言实现代码使用说明可用选项示例用法功能特点添加到环境变量方法一：创建批处理文件并添加到PATH1
阅读更多...
Python包管理工具核心指令uvx举例详细解析

Python包管理工具核心指令uvx举例详细解析

《Python包管理工具核心指令uvx举例详细解析》：本文主要介绍Python包管理工具核心指令uvx的相关资料,uvx是uv工具链中用于临时运行Python命令行工具的高效执行器,依托Rust实... 目录一、uvx 的定位与核心功能二、uvx 的典型应用场景三、uvx 与传统工具对比四、uvx 的技术实
阅读更多...
Python中使用uv创建环境及原理举例详解

Python中使用uv创建环境及原理举例详解

《Python中使用uv创建环境及原理举例详解》uv是Astral团队开发的高性能Python工具,整合包管理、虚拟环境、Python版本控制等功能,：本文主要介绍Python中使用uv创建环境及... 目录一、uv工具简介核心特点：二、安装uv1. 通过pip安装2. 通过脚本安装验证安装：配置镜像源（可
阅读更多...
python判断文件是否存在常用的几种方式

python判断文件是否存在常用的几种方式

《python判断文件是否存在常用的几种方式》在Python中我们在读写文件之前,首先要做的事情就是判断文件是否存在,否则很容易发生错误的情况,：本文主要介绍python判断文件是否存在常用的几种... 目录1. 使用 os.path.exists()2. 使用 os.path.isfile()3. 使用
阅读更多...

Copyright China编程 23002807@qq.com

沪ICP备2023033072号-2