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

C#使用HttpClient进行Post请求出现超时问题的解决及优化

C#使用HttpClient进行Post请求出现超时问题的解决及优化

《C#使用HttpClient进行Post请求出现超时问题的解决及优化》最近我的控制台程序发现有时候总是出现请求超时等问题,通常好几分钟最多只有3-4个请求,在使用apipost发现并发10个5分钟也... 目录优化结论单例HttpClient连接池耗尽和并发并发异步最终优化后优化结论我直接上优化结论吧，
阅读更多...
Python MySQL如何通过Binlog获取变更记录恢复数据

Python MySQL如何通过Binlog获取变更记录恢复数据

《PythonMySQL如何通过Binlog获取变更记录恢复数据》本文介绍了如何使用Python和pymysqlreplication库通过MySQL的二进制日志（Binlog）获取数据库的变更记录... 目录python mysql通过Binlog获取变更记录恢复数据1.安装pymysqlreplicat
阅读更多...
利用Python编写一个简单的聊天机器人

利用Python编写一个简单的聊天机器人

《利用Python编写一个简单的聊天机器人》这篇文章主要为大家详细介绍了如何利用Python编写一个简单的聊天机器人,文中的示例代码讲解详细,感兴趣的小伙伴可以跟随小编一起学习一下... 使用 python 编写一个简单的聊天机器人可以从最基础的逻辑开始，然后逐步加入更复杂的功能。这里我们将先实现一个简单的
阅读更多...
基于Python开发电脑定时关机工具

基于Python开发电脑定时关机工具

《基于Python开发电脑定时关机工具》这篇文章主要为大家详细介绍了如何基于Python开发一个电脑定时关机工具,文中的示例代码讲解详细,感兴趣的小伙伴可以跟随小编一起学习一下... 目录1. 简介2. 运行效果3. 相关源码1. 简介这个程序就像一个“忠实的管家”，帮你按时关掉电脑，而且全程不需要你多做
阅读更多...
Python实现高效地读写大型文件

Python实现高效地读写大型文件

《Python实现高效地读写大型文件》Python如何读写的是大型文件,有没有什么方法来提高效率呢,这篇文章就来和大家聊聊如何在Python中高效地读写大型文件,需要的可以了解下... 目录一、逐行读取大型文件二、分块读取大型文件三、使用 mmap 模块进行内存映射文件操作（适用于大文件）四、使用 pand
阅读更多...
python实现pdf转word和excel的示例代码

python实现pdf转word和excel的示例代码

《python实现pdf转word和excel的示例代码》本文主要介绍了python实现pdf转word和excel的示例代码,文中通过示例代码介绍的非常详细,对大家的学习或者工作具有一定的参考学习价... 目录一、引言二、python编程1，PDF转Word2，PDF转Excel三、前端页面效果展示总结一
阅读更多...
Python xmltodict实现简化XML数据处理

Python xmltodict实现简化XML数据处理

《Pythonxmltodict实现简化XML数据处理》Python社区为提供了xmltodict库,它专为简化XML与Python数据结构的转换而设计,本文主要来为大家介绍一下如何使用xmltod... 目录一、引言二、XMLtodict介绍设计理念适用场景三、功能参数与属性1、parse函数2、unpa
阅读更多...
Python中使用defaultdict和Counter的方法

Python中使用defaultdict和Counter的方法

《Python中使用defaultdict和Counter的方法》本文深入探讨了Python中的两个强大工具——defaultdict和Counter,并详细介绍了它们的工作原理、应用场景以及在实际编... 目录引言defaultdict的深入应用什么是defaultdictdefaultdict的工作原理
阅读更多...
Python中@classmethod和@staticmethod的区别

Python中@classmethod和@staticmethod的区别

《Python中@classmethod和@staticmethod的区别》本文主要介绍了Python中@classmethod和@staticmethod的区别,文中通过示例代码介绍的非常详细,对大... 目录1.@classmethod2.@staticmethod3.例子1.@classmethod
阅读更多...
Python手搓邮件发送客户端

Python手搓邮件发送客户端

《Python手搓邮件发送客户端》这篇文章主要为大家详细介绍了如何使用Python手搓邮件发送客户端,支持发送邮件,附件,定时发送以及个性化邮件正文,感兴趣的可以了解下... 目录1. 简介2.主要功能2.1.邮件发送功能2.2.个性签名功能2.3.定时发送功能2. 4.附件管理2.5.配置加载功能2.6.
阅读更多...

Copyright China编程 23002807@qq.com

沪ICP备2023033072号-2