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

使用Python实现可恢复式多线程下载器

使用Python实现可恢复式多线程下载器

《使用Python实现可恢复式多线程下载器》在数字时代,大文件下载已成为日常操作,本文将手把手教你用Python打造专业级下载器,实现断点续传,多线程加速,速度限制等功能,感兴趣的小伙伴可以了解下... 目录一、智能续传：从崩溃边缘抢救进度二、多线程加速：榨干网络带宽三、速度控制：做网络的好邻居四、终端交互
阅读更多...
Python中注释使用方法举例详解

Python中注释使用方法举例详解

《Python中注释使用方法举例详解》在Python编程语言中注释是必不可少的一部分,它有助于提高代码的可读性和维护性,：本文主要介绍Python中注释使用方法的相关资料,需要的朋友可以参考下... 目录一、前言二、什么是注释？示例：三、单行注释语法：以 China编程# 开头，后面的内容为注释内容示例：示例：四
阅读更多...
Python中win32包的安装及常见用途介绍

Python中win32包的安装及常见用途介绍

《Python中win32包的安装及常见用途介绍》在Windows环境下,PythonWin32模块通常随Python安装包一起安装,：本文主要介绍Python中win32包的安装及常见用途的相关... 目录前言主要组件安装方法常见用途1. 操作Windows注册表2. 操作Windows服务3. 窗口操作
阅读更多...
Python中re模块结合正则表达式的实际应用案例

Python中re模块结合正则表达式的实际应用案例

《Python中re模块结合正则表达式的实际应用案例》Python中的re模块是用于处理正则表达式的强大工具,正则表达式是一种用来匹配字符串的模式,它可以在文本中搜索和匹配特定的字符串模式,这篇文章主... 目录前言re模块常用函数一、查看文本中是否包含 A 或 B 字符串二、替换多个关键词为统一格式三、提
阅读更多...
python常用的正则表达式及作用

python常用的正则表达式及作用

《python常用的正则表达式及作用》正则表达式是处理字符串的强大工具,Python通过re模块提供正则表达式支持,本文给大家介绍python常用的正则表达式及作用详解,感兴趣的朋友跟随小编一起看看吧... 目录python常用正则表达式及作用基本匹配模式常用正则表达式示例常用量词边界匹配分组和捕获常用re
阅读更多...
python实现对数据公钥加密与私钥解密

python实现对数据公钥加密与私钥解密

《python实现对数据公钥加密与私钥解密》这篇文章主要为大家详细介绍了如何使用python实现对数据公钥加密与私钥解密,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... 目录公钥私钥的生成使用公钥加密使用私钥解密公钥私钥的生成这一部分，使用python生成公钥与私钥，然后保存在两个文
阅读更多...
python删除xml中的w:ascii属性的步骤

python删除xml中的w:ascii属性的步骤

《python删除xml中的w:ascii属性的步骤》使用xml.etree.ElementTree删除WordXML中w:ascii属性,需注册命名空间并定位rFonts元素,通过del操作删除属... 可以使用python的XML.etree.ElementTree模块通过以下步骤删除XML中的w:as
阅读更多...
使用Python绘制3D堆叠条形图全解析

使用Python绘制3D堆叠条形图全解析

《使用Python绘制3D堆叠条形图全解析》在数据可视化的工具箱里,3D图表总能带来眼前一亮的效果,本文就来和大家聊聊如何使用Python实现绘制3D堆叠条形图,感兴趣的小伙伴可以了解下... 目录为什么选择 3D 堆叠条形图代码实现：从数据到 3D 世界的搭建核心代码逐行解析细节优化应用场景：3D 堆叠图
阅读更多...
深度解析Python装饰器常见用法与进阶技巧

深度解析Python装饰器常见用法与进阶技巧

《深度解析Python装饰器常见用法与进阶技巧》Python装饰器（Decorator）是提升代码可读性与复用性的强大工具,本文将深入解析Python装饰器的原理,常见用法,进阶技巧与最佳实践,希望可... 目录装饰器的基本原理函数装饰器的常见用法带参数的装饰器类装饰器与方法装饰器装饰器的嵌套与组合进阶技巧
阅读更多...
Python中Tensorflow无法调用GPU问题的解决方法

Python中Tensorflow无法调用GPU问题的解决方法

《Python中Tensorflow无法调用GPU问题的解决方法》文章详解如何解决TensorFlow在Windows无法识别GPU的问题,需降级至2.10版本,安装匹配CUDA11.2和cuDNN... 当用以下代码查看GPU数量时，gpuspython返回的是一个空列表，说明tensorflow没有找到
阅读更多...

Copyright China编程 23002807@qq.com

沪ICP备2023033072号-2