Python网络爬虫与信息提取(一)：网络爬虫之规则

此系列笔记来源于
中国大学MOOC-北京理工大学-嵩天老师的Python系列课程

---

1. Requests库入门

• 安装:管理员方式打开CMD-输入pip install requests
  安装Requests库

• Requests库的七个主要方法:

  
  库方法

• get方法
  r = requests.get(url):右边构造一个向服务器请求资源的Requests对象,左边返回一个包含服务器资源的Response对象给r
  完整参数:requests.get(url,params=None,**kwargs),实则由request方法封装
  Resonse对象的五个属性:

  
  属性

• 爬取网页的通用代码框架
  Requests库爬取网页会遇到异常:

  
  6种常用异常
  

  使用r.raise_for_status()方法构建通用代码框架:

def getHTMLText(url)
  try:
    r = requests.get(url,timeout = 30)
    r.raise_for_status()
    r.encoding = r.apparent_encoding
    return r.text
  except:
    return "产生异常"

• HTTP协议及Requests库方法
  HTTP(Hypertext Transfer Protocol,超文本传输协议)是一个基于"请求与响应"模式的/无状态的应用层协议;URL是通过HTTP协议存取资源的Internet路径
  HTTP协议对资源的操作:
  HTTP方法
  Requests库主要方法:requests.request(method,url,**kwargs)
  • method(请求方式)包括:
    GET/HEAD/POST/PUT/PATCH/delete/OPTIONS
  • **kwargs(控制访问参数)包括:
    params(添加键值到url后)/data(字典/字节序列等作为Request的内容)/json/headers(HTTP定制头)/cookies(Request中的cookie)/auth(元祖,支持HTTP认证)/files(传输文件)/timeout/proxies(设定访问代理服务器)/allow_redirects(重定向开关)/stream(获取内容立即下载开关)/verify(认证SSL证书开关)/cert(本地SSL证书路径)

2. 网络爬虫的盗亦有道

• 网络爬虫引发的问题

  
  网络爬虫的尺寸
  • 网络爬虫可能会给Web服务器带来巨大的资源开销
  • 网络爬虫获取数据后可能会带来法律风险
  • 网络爬虫可能会造成隐私泄露
    对网络爬虫的限制:
  • 来源审查:检查来访HTTP协议头的User-Agent域
  • 发布公告:Robots协议

• Robots协议(Robots Exclusion Standard,网络爬虫排除标准)
  爬虫应自动或人工识别robots.txt,但Robots协议是建议但非约束性

  
  Robots协议需要遵守吗?

3. Requests库爬取实例

• 京东商品页面的爬取

import requests
url = "http://item.jd.com/2967929.html"
try:
    r=requests.get(url)
    r.raise_for_status()
    r.encoding=r.apparent_encoding
    print(r.text[:1000])
except:
    print("爬取失败")

• 亚马逊商品页面的爬取
  按实例1的步骤去做发现出现了错误:

  
  意外错误
  

  发现是由于亚马逊有自身的头部审查,故我们模拟浏览器访问:

import requests
url = "http://www.amazon.cn/gp/product/B01M8L5Z3Y"
try:
    kv = {'user-agent':'Mozilla/5.0'}
    r= requests.get(url,header = kv)
    r.raise_for_status()
    r.encoding=r.apparent_encoding
    print(r.text[1000:2000])
except:
    print("爬取失败")

• 百度/360搜索关键词提交
  首先我们需要知道搜索关键词的提交接口:
  百度:http://www.baidu.com/s?wd=keyword
360:http://www.so.com/s?q=keyword
  接下来我们可以利用params参数将关键词加入,代码如下:

import requests
keyword = "Python"
try:
    kv = {'wd':keyword}
    r= requests.get("http://www.baidu.com/s",params = kv)
    print(r.requrst.url)
    r.raise_for_status()
    print(len(r.text))
except:
    print("爬取失败")

• 网络图片的爬取和存储

import requests
import os
url = "http://image.nationalgeographic.com.cn/2017/0311/20170311024522382.jpg"
root = "D://pics//"
path = root +url.split('/')[-1]
try:
    if not os.path.exists(root):
      os.mkdir(root)
    if not os.path.exists(path):
      r=requests.get(url)
      with open(path,'wb') as f:
        f.writr(r.content)
        f.close()
        print("文件保存成功")
    else:
        print("文件已存在")
except:
    print("爬取失败")

• IP地址归属地的查询

import requests
url = "http://m.ip138.com/ip.asp?ip="
try:
   r= requests.get(url + '202.204.80.112')
   r.raise_for_status()
   r.encoding=r.apparent_encoding
   print(r.text[-500:])
except:
   print("爬取失败")