1. urllib:
- request:它是最基本的 HTTP 请求模块,可以用来模拟发送请求 。 就像在浏览器里输入网挝 然后回车一样,只需要给库方法传入 URL 以及额外的参数,就可以模拟实现这个过程了 。
- error:
- parse:一个工具模块,提供了许多 URL处理方法,比如拆分、解析 、 合并等。
- robotparser:主要是用来识别网站的 robots.txt文件,然后判断哪些网站可以爬,哪些网站不可以爬,它其实用得 比较少 。
2. Handle类:
当需要实现高级的功能时,使用Handle
1 import http.cookiejar,urllib.request 2 3 filename = ‘cookies.txt‘ 4 #cookie = http.cookiejar.CookieJar 5 #cookie = http.cookiejar.MozillaCookieJar(filename) 6 cookie = http.cookiejar.LWPCookieJar(filename) 7 cookie.load(‘cookies.txt‘, ignore_discard=True, ignore_expires=True) 8 handle = urllib.request.HTTPCookieProcessor(cookie) 9 opener = urllib.request.build_opener(handle) 10 response = opener.open(‘http://www.baidu.com‘) 11 #for item in cookie: 12 # print(item.name+"="+item.value) 13 14 #cookie.save(ignore_discard=True, ignore_expires=True) 15 print(response.read().decode(‘utf-8‘))
3. urljoin
我们可以提供一个 base_url (基础链接 )作为第一个参数,将新的链接作为第二个参数,该方法会分析 base_url 的 scheme、 netloc 和 path这 3个内容并对新链接缺失的部分进行补充,最后返回结果 。
4. urlencode()
1 from urllib.parse import urlencode 2 3 params = { 4 ‘name‘: ‘germey‘, 5 ‘age‘: ‘23‘ 6 } 7 base_url = ‘http://www.baidu.com?‘ 8 url = base_url+urlencode(params) 9 print(url)
5.parse_qs
反序列化,将get请求的参数,转回字典
1 from urllib.parse import parse_qs 2 query= ‘name=germey&age=22‘ 3 print(parse_qs(query))
parse_qsl:转化为元组组成的列表
1 from urllib.parse import parse_qsl 2 print(parse_qsl(query))
6. quote
将内容转化为URL编码模式
7.分析Robots协议
1. robots协议
Robots 协议也称作爬虫协议、机器人协议,它的全名叫作网络爬虫排除标准( Robots ExclusionProtocol),用来告诉爬虫和搜索引擎哪些页面可以抓取,哪些不可以抓取。它通常是一个叫作 robots.txt的文本文件,一般放在网站的根目录下 。
2. robotparser
set_url:用来设置 robots.txt 文件的链接。 如果在创建 RobotFileParser 对象时传入了链接,那么就不需要再使用这个方法设置了
read:读取 robots.txt 文件并进行分析。 注意,这个方法执行一个读取和分析操作,如果不 调用这个方法 , 接下来的判断都会为 False,所以一定记得调用这个方法。 这个方法不会返回任何内容,但是执行了读取操作 。
parse:用来解析robots.txt文件,传人的参数是robots.txt某些行的内容,它会按照robots.txt的语法规则来分析这些内容 。
can_fetch:该方法传人两个参数 , 第一个是 User-agent,第二个是要抓取的 URL。 返回的 内容是该搜索引擎是否可以抓取这个 URL,返回结果是 True 或 Falsea
mtime:返回的是上次抓取和分析 robots.txt的时间,这对于长时间分析和抓取的搜索爬虫是 很有必要的,你可能需要定期检查来抓取最新的 robots.txt。
modified:
1 from urllib.robotparser import RobotFileParser 2 3 rp = RobotFileParser() 4 rp.set_url(‘http://www.jianshu.com/robots.txt‘) 5 rp.read() 6 print(rp.can_fetch(‘*‘, ‘http://www.jianshu.com/p/b67554025d7d‘)) 7 print(rp.can_fetch(‘*‘, ‘http://www.jianshu.com/search?q=python&page=l&type=collections‘))
8. requests
它同样对长时间分析和抓取 的搜索爬虫很有帮助,将 当前时间设置为上次抓取和分析 robots.txt 的时间 。
1. get:
1 import requests 2 import re 3 4 #浏览器标时,如果没有,会禁止爬取 5 headers = { 6 ‘User-Agent‘:‘Mozilla/5.0 (Macintosh; Intel Mac OS X 10_13_6) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/69.0.3497.100 Safari/537.36‘ 7 } 8 r = requests.get("http://www.zhihu.com/explore",headers=headers) 9 pattern = re.compile(‘explore-feed.*?question.*?>(.*?)</a>‘,re.S) 10 titles = re.findall(pattern, r.text) 11 print(titles) 12 13 r = requests.get("http://github.com/favicon.ico") 14 with open(‘favicon.ico‘,‘wb‘) as f: 15 f.write(r.content)
2. post:
1 import requests 2 3 data = { 4 ‘name‘: ‘name‘, 5 ‘age‘: ‘22‘ 6 } 7 r = requests.post("http://httpbin.org/post", data=data) 8 print(r.text) 9 r = requests.get(‘http://www.zhihu.com‘) 10 print(type(r.status_code), r.status_code)#得到状态码 11 print(type(r.headers), r.headers)#得到响应头 12 print(type(r.cookies), r.cookies)#得到cookies 13 print(type(r.url), r.url)#得到URL 14 print(type(r.history), r.history)#得到请求历史
9. request的高级语法:
1.文件上传:
2. cookies:
1 import requests 2 3 files = {‘file‘:open(‘favicon.ico‘, ‘rb‘)} 4 r = requests.post("http://httpbin.org/post", files=files) 5 print(r.text) 6 r = requests.get("http://www.baidu.com") 7 print(r.cookies) 8 for key, value in r.cookies.items(): 9 print(key + ‘=‘ + value) 10 11 headers = { 12 ‘Cookies‘: ‘tst=r; __utma=51854390.2112264675.1539419567.1539419567.1539433913.2; __utmb=51854390.0.10.1539433913; __utmc=51854390; __utmv=51854390.100--|2=registration_date=20160218=1^3=entry_date=20160218=1; __utmz=51854390.1539433913.2.2.utmcsr=zhihu.com|utmccn=(referral)|utmcmd=referral|utmcct=/; tgw_l7_route=e0a07617c1a38385364125951b19eef8; q_c1=d3c7341e344d460ead79171d4fd56f6f|1539419563000|1516290905000; _xsrf=713s0UsLfr6m5Weplwb4offGhSqnugCy; z_c0="2|1:0|10:1533128251|4:z_c0|92:Mi4xS2VDaEFnQUFBQUFBZ09DVGo1ZUtEU1lBQUFCZ0FsVk5PX3hPWEFEVXNtMXhSbmhjbG5NSjlHQU9naEpLbkwxYlpB|e71c25127cfb23241089a277f5d7c909165085f901f9d58cf93c5d7ec7420217"; d_c0="AIDgk4-Xig2PTlryga7LwT30h_-3DUHnGbc=|1525419053"; __DAYU_PP=zYA2JUmBnVe2bBjq7qav2ac8d8025bbd; _zap=d299f20c-20cc-4202-a007-5dd6863ccce9‘, 13 ‘Host‘: ‘www.zhihu.com‘, 14 ‘User-Agent‘: ‘Mozilla/5.0 (Macintosh; Intel Mac OS X 10_13_6) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/69.0.3497.100 Safari/537.36‘, 15 16 } 17 r = requests.get("http://www.zhihu.com",headers=headers) 18 print(r.text)
3. 会话维持:
1 import requests 2 3 requests.get("http://httpbin.org/cookies/set/umber/123456789") 4 r = requests.get("http://httpbin.org/cookies") 5 print(r.text) 6 s = requests.Session() 7 s.get("http://httpbin.org/cookies/set/umber/123456789") 8 r = s.get(‘http://httpbin.org/cookies‘) 9 print(r.text)
1 { 2 "cookies": {} 3 } 4 5 { 6 "cookies": { 7 "umber": "123456789" 8 } 9 } 10 11 12 Process finished with exit code 0
4. SSl证书验证
requests还提供了证书验证的功能。 当发送 HTTP请求的时候,它会检查 SSL证书,我们可以使用 verify参数控制是否检查此证书。 其实如果不加 verify参数的话,默认是 True,会自动验证。
1 import requests 2 #from requests.packages import urllib3 3 import logging 4 5 logging.captureWarnings(True) 6 #urllib3.disable_warnings() 7 response = requests.get(‘https://www.12306.cn‘, verify=False) 8 print(response.status_code)
5. 代理设置
6. 超时设置
r = requests.get(‘http://www.taobao.com‘, timeout=1)
7. 身份认证
1 import requests 2 from requests.auth import HTTPBasicAuth 3 4 r = requests.get(‘http://localhost:5000‘, auth=HTTPBasicAuth(‘username‘, ‘password‘)) 5 print(r.status_code)
8.Prepared Request:将请求表示为数据结构
from requests import Request, Session url = ‘http://httpbin.org/post‘ data = { ‘name‘: ‘germey‘ } headers = { ‘User-Agent‘: ‘Mozilla/5.0 (Macintosh; Intel Mac OS X 10_13_6) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/69.0.3497.100 Safari/537.36‘ } s = Session() req = Request(‘POST‘,url,data=data,headers=headers) prepped = s.prepare_request(req) r = s.send(prepped) print(r.text)
10. 正则表达式:
https://www.cnblogs.com/chengchengaqin/p/9708044.html
原文地址:https://www.cnblogs.com/chengchengaqin/p/9784229.html