python requests库爬虫基础本次学习的python爬虫所使用的是requests库 下面就是requests库的7种主要方法 方法名 | 说明 |
---|
requests.request() | 构造一个请求,支撑以下各方法的基础方法 | request.get() | 获取HTML网页的主要方法,对应HTTP的GET | requests.head() | 获取HTML网页的主要方法,对应HTTP的HEAD | requests.post() | 向HTML网页提交POST请求的方法,对应于HTTP的POST | requests.put() | 向HTML网页提交PUT请求的方法,对应于HTTP的PUT | requests.patch() | 向HTML网页提交局部修改请求,对应于HTTP的PATCH |
|
| requests.delete() | 向HTML页面提交删除请求,对应于HTTP的DELETE |
get()方法简介部分语法r=requests.get(url) 表示构造一个向服务器请求资源的Request对象,返回一个包含服务器资源的Respon对象 完整语法requests.get(url,params=None,**kwargs) get()方法参数 | 说明 |
---|
url | 拟获取页面的URL链接 | params | url中的额外参数,控制字典或字节流格式(可选) | **kwargs | 12个控制访问参数 |
Response对象属性 | 说明 |
---|
r.status_code | HTTP请求的返回状态,200表示链接成功404表示失败 | r.text | HTTP响应内容的字符串形式,即,url对应的页面内容 | r.encoding | 从HTTP header中猜测的响应内容编码方式 | r.apparent_encoding | 从内容分析出的响应内容的编码方式(备选编码方式) | r.content | HTTP响应内容的二进制形式 |
基本示例 #在python shell中进行逐行输入
import requests
r=requests.get("http://www.baidu.com")
r.status_code#返回了200表示访问成功
r.text#输出访问内容--发现有部分中文乱码
r.encoding#发现编码为ISO-8859-1
r.apparent_encoding#发现内容编码为UTF-8
r.encoding = 'utf-8'#将读取编码改为utf-8
r.text#此时发现输出内容正常 r.encoding:如果header中不存在charset,则认为默认编码为ISO-8859-1 r.apparent_encoding:根据网页内容分析出的编码方式
Requests库异常异常 | 说明 |
---|
requests.ConnectionError | 网络连接错误异常,如DNS查询失败、拒绝连接等 | requests.HTTPError | HTTP错误异常 | requests.URLRequired | URL缺失异常 | requests.TooManyRedirects | 超过最大重定向次数,产生重定向异常 | requests.ConnectTimeout | 连接远程服务器超时异常 | requests.Timeout | 请求URL超时,产生超时异常 |
Response异常 异常 | 说明 |
---|
r.raise_for_status() | 如果不是200,产生异常 requests.HTTPError |
爬取网页通用代码框架import requests
def getHtmlText(url):
try:
r = requests.get(url, timeout=30)
r.raise_for_status()#状态码不是200时,引发HTTPError异常
r.encoding = r.apparent_encoding#设置读取编码为页面内容编码,防止乱码
return r.text
except:
return "发生异常"
if __name__ == "__main__":
url="http://www.baidu.com"
print(getHtmlText(url)) 通过r.raise_for_status()以及try--except捕捉访问异常
requests.requests控制访问的参数参数名 | 说明 |
---|
params | 字典或字节序列,作为参数增加到url中 | data | 字典,字节序列或文件对象,作为Request的内容 | json | JSON格式的数据,作为Request的内容 | headers | 字典,HTTP定制头(模拟浏览器进行访问) | cokies | 字典或CpplieJar,Request中的cookie | auth | 元祖,支持HTTP认证功能 | files | 字典类型,传输文件 | timeout | 设定超时时间,秒为单位 | proxies | 字典类型,设定访问代理服务器,可以增加登陆认证,防止爬虫反追踪 | allow_redirects | True//False,默认为True,重定向开关 | stream | True/False,默认为True,获取内容立即下载开关 | verify | True/False,默认为True,认证SSL证书开关 | cert | 本地SSL证书路径""" |
params参数的例子: 例:kv={'key1':'value','key2':'value2'} r=requests.request('GET','http:///ws',params=kv) print(r.url) 输出为:http:///ws?key1=value1&key2=value2 各方法语法以及需要的控制参数语法 | 可选额外控制参数 |
---|
requests.get(url, params=None, **kwargs) | 12 | requests.head(url, **kwargs) | 12 | requests.post(url, data=None, json=None, **kwargs) | 12 | requests.put(url, data=None, **kwargs) | 12 | requests.patch(url, data=None, **kwargs) | 12 | requests.delete(url, **kwargs) | 12 |
|