使用Requests爬取豆瓣短评
本节课程的内容是介绍什么是Requests库、如何安装Requests库以及如何使用Requests库进行实际运用。
目录
Requests库介绍
Requests库官方的介绍有这么一句话:Requests 唯一的一个非转基因的 Python HTTP 库,人类可以安全享用。
这句话直接并霸气地宣示了Requests库是python最好的一个HTTP库。
为什么它有这样的底气?请阅读Requests官方文档。
如何安装Requests
这里介绍两种常用的python安装第三方库的方法,建议大家首先使用第一种方法,如果使用第一种方法安装库的时候出现错误,或者使用第一种方法下载速度过慢,再使用第二种方法。
第一种方法:pip安装
打开cmd命令行,输入pip install requests
C:\Users\thinkpad>pip install requests Collecting pygame Downloading pygame-1.9.3-cp36-cp36m-win32.whl (4.0MB) 5% |█▊ | 215kB 28kB/s eta 0:02:11
出现Successfully installed,即表示成功安装。
然后进入python,输入:
import requests
没有报错的话即表示可以使用requests库了。
阅读pyhton之pip常用命令,了解如何使用python安装三方库之利器 —– pip 的使用方法。
第二种方法:下载包再安装
前往http://www.lfd.uci.edu/~gohlke/pythonlibs/,手动下载需要安装的第三方包(注意对应你的python版本是32位还是64位)。
然后在下载下来的文件所在目录按住shift并点击鼠标右键,选择在此处打开Powershell窗口,在此命令行中使用“pip install + 下载下来文件全名”,即可完成安装。
安装完成后同样需要进入python并import一下,确定可以正常使用。
Requests的简单用法
Requests库的七个主要方法
方法 说明 requests.request() 构造一个请求,支撑以下各方法的基础方法 requests.get() 获取HTML网页的主要方法,对应于HTTP的GET requests.head() 获取HTML网页头信息的方法,对应于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网页提交删除请求,对应于HTTP的DELETE
这里我们只需要掌握最常用的requests.get()方法即可。
Requests.get的用法:
import requests #导入Requests库 r = requests.get(url) #使用get方法发送请求,返回包含网页数据的Response并存储到Response对象r中
Response对象的属性:
r.status_code:http请求的返回状态,200表示连接成功(阅读HTTP状态码,了解各状态码含义)
r.text:返回对象的文本内容 r.content:猜测返回对象的二进制形式 r.encoding:分析返回对象的编码方式 r.apparent_encoding:响应内容编码方式(备选编码方式)
以知乎为例,展示上述代码的使用:
>>> import requests >>> r = requests.get('https://www.zhihu.com/') >>> r.status_code 500 >>> r.text #省略 >>> r.content #省略 >>> r.encoding 'ISO-8859-1' >>> r.apparent_encoding 'ascii'
实战环节
分析豆瓣短评网页
首先通过浏览器工具来分析网页的加载方式,回忆一下上节课提到的同步加载和异步加载的区别。只有同步加载的数据才能直接在网页源代码中直接查看到,异步加载的数据直接查看网页源代码是看不到的。
把JavaScript由“允许”改为“阻止”,重新刷新页面,若网页正常加载,说明该网页的加载方式是同步加载,若网页没有正常加载,说明该网页的加载方式是异步加载。
使用Requests下载数据的步骤
- 导入Requests库
- 输入url
- 使用get方法
- 打印返回文本
- 抛出异常
import requests #导入Requests库 url = ' ' #输入url r = requests.get(url,timeout=20) #使用get方法 print(r.text) #打印返回文本 print(r.raise_for_status()) #抛出异常
爬取网页通用框架
- 定义函数
- 设置超时
- 异常处理
- 调用函数
#定义函数 def getHTMLText(url): try: r = requests.get(url,timeout=20) #设置超时 r.raise_for_status() r.encoding = r.apparent_encoding return r.text except: #异常处理 return "产生异常" if __name__ == '__main__': url = " " print(getHTMLText(url)) #调用函数
爬虫协议
什么是爬虫协议:爬虫协议,也被叫做robots协议,是为了告诉网络蜘蛛哪些页面可以抓取,哪些页面不能抓取
如何查看爬虫协议:在访问网站域名后加上robots.txt即可,例如查看百度网站的爬虫协议:https://www.baidu.com/robots.txt
爬虫协议属性
拦截所有的机器人: User-agent: * Disallow: / 允许所有的机器人: User-agent: * Disallow:
阅读robots协议,了解更多爬虫协议属性。
爬虫建议
- 爬取互联网公开数据
- 尽量放慢你的速度
- 尽量遵循robots协议
- 不要用于商业用途
- 不要公布爬虫程序与数据
扩展阅读:为何要遵循爬虫协议?
即使不是爬虫工程师,关注互联网的人也很少不知道Robots协议的。百度和360从2012年起展开的一场屏蔽与反屏蔽战把原本程序员才知道的Robots协议变成媒体热词。北京一中院8月7日对3B搜索不正当竞争纠纷案(3B案)作出的一审判决让Robots协议在新闻里又火了一把。Robots协议的法律地位或法律效力问题是3B案一系列法律问题中最大的争点。作为一个爬虫学习者必须从中吸取教训,不要让自己的爬虫违反了法律。
阅读为什么必须保护Robots协议?,坚守爬虫的法律底线。