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！


http://www.chinasem.cn/article/953589。

相关文章

Python实现网格交易策略的过程

Python实现网格交易策略的过程

《Python实现网格交易策略的过程》本文讲解Python网格交易策略,利用ccxt获取加密货币数据及backtrader回测,通过设定网格节点,低买高卖获利,适合震荡行情,下面跟我一起看看我们的第一... 网格交易是一种经典的量化交易策略，其核心思想是在价格上下预设多个“网格”，当价格触发特定网格时执行买
阅读更多...
Python标准库之数据压缩和存档的应用详解

Python标准库之数据压缩和存档的应用详解

《Python标准库之数据压缩和存档的应用详解》在数据处理与存储领域,压缩和存档是提升效率的关键技术,Python标准库提供了一套完整的工具链,下面小编就来和大家简单介绍一下吧... 目录一、核心模块架构与设计哲学二、关键模块深度解析1.tarfile：专业级归档工具2.zipfile：跨平台归档首选3.
阅读更多...
使用Python构建智能BAT文件生成器的完美解决方案

使用Python构建智能BAT文件生成器的完美解决方案

《使用Python构建智能BAT文件生成器的完美解决方案》这篇文章主要为大家详细介绍了如何使用wxPython构建一个智能的BAT文件生成器,它不仅能够为Python脚本生成启动脚本,还提供了完整的文... 目录引言运行效果图项目背景与需求分析核心需求技术选型核心功能实现1. 数据库设计2. 界面布局设计3
阅读更多...
Python进行JSON和Excel文件转换处理指南

Python进行JSON和Excel文件转换处理指南

《Python进行JSON和Excel文件转换处理指南》在数据交换与系统集成中,JSON与Excel是两种极为常见的数据格式,本文将介绍如何使用Python实现将JSON转换为格式化的Excel文件,... 目录将 jsON 导入为格式化 Excel将 Excel 导出为结构化 JSON处理嵌套 JSON：
阅读更多...
Python操作PDF文档的主流库使用指南

Python操作PDF文档的主流库使用指南

《Python操作PDF文档的主流库使用指南》PDF因其跨平台、格式固定的特性成为文档交换的标准,然而,由于其复杂的内部结构,程序化操作PDF一直是个挑战,本文主要为大家整理了Python操作PD... 目录一、 基础操作1.PyPDF2 (及其继任者 pypdf)2.PyMuPDF / fitz3.Fre
阅读更多...
python设置环境变量路径实现过程

python设置环境变量路径实现过程

《python设置环境变量路径实现过程》本文介绍设置Python路径的多种方法：临时设置（Windows用`set`,Linux/macOS用`export`）、永久设置（系统属性或shell配置文件... 目录设置python路径的方法临时设置环境变量（适用于当前会话）永久设置环境变量（Windows系统
阅读更多...
python中列表应用和扩展性实用详解

python中列表应用和扩展性实用详解

《python中列表应用和扩展性实用详解》文章介绍了Python列表的核心特性：有序数据集合,用[]定义,元素类型可不同,支持迭代、循环、切片,可执行增删改查、排序、推导式及嵌套操作,是常用的数据处理... 目录1、列表定义2、格式3、列表是可迭代对象4、列表的常见操作总结1、列表定义是处理一组有序项目的
阅读更多...
python运用requests模拟浏览器发送请求过程

python运用requests模拟浏览器发送请求过程

《python运用requests模拟浏览器发送请求过程》模拟浏览器请求可选用requests处理静态内容,selenium应对动态页面,playwright支持高级自动化,设置代理和超时参数,根据需... 目录使用requests库模拟浏览器请求使用selenium自动化浏览器操作使用playwright
阅读更多...
python使用try函数详解

python使用try函数详解

《python使用try函数详解》Pythontry语句用于异常处理,支持捕获特定/多种异常、else/final子句确保资源释放,结合with语句自动清理,可自定义异常及嵌套结构,灵活应对错误场景... 目录try 函数的基本语法捕获特定异常捕获多个异常使用 else 子句使用 finally 子句捕获所
阅读更多...
Python极速搭建局域网文件共享服务器完整指南

Python极速搭建局域网文件共享服务器完整指南

《Python极速搭建局域网文件共享服务器完整指南》在办公室或家庭局域网中快速共享文件时,许多人会选择第三方工具或云存储服务,但这些方案往往存在隐私泄露风险或需要复杂配置,下面我们就来看看如何使用Py... 目录一、android基础版：HTTP文件共享的魔法命令1. 一行代码启动HTTP服务器2. 关键参
阅读更多...

Copyright China编程 23002807@qq.com

沪ICP备2023033072号-2