python网络爬虫—爬取网页的通用代码框架及HTTP协议【2】

​-Modest_Proud-

一、爬取网页的通用代码框架

首先，我们使用Requests库进行网页访问的时候，经常用get()，获得url的相关内容。

由于网络连接是有风险的，所以异常处理语句很重要。

理解爬取网页的通用代码框架

import requests  ##加载Requests库

def getHTMLText(url):

##定义getHTMLTexl函数

try:

r=requests.get(url,timeout=30)

##设定get函数参数，超时限制30s

r.raise_for_status()

##如果状态不是200，引发HTMLError异常

r.encoding="utf-8"

##更改编码为utf-8格式

return r.text

##返回网页文本内容

except:

return "产生异常"

##返回异常提示

if __name__=="__main__":

##运行模块

url="http://www.baidu.com"

##给url赋值

print(getHTMLText(url))

##打印函数内容

输出结果如下图

如果我们将url=“http://www.baidu.com"改成url="http:www.baidu.com" 会出现什么情况？

二、理解HTTP协议

HTTP（超文本传输协议）是一个基于请求与响应模式的、无状态的、应用层的协议，常基于TCP的连接方式，HTTP1.1版本中给出一种持续连接的机制，绝大多数的Web开发，都是构建在HTTP协议之上的Web应用。

URL格式：http://host[:port][path]

host:合法的Internet主机域名或IP地址

port:端口好，缺省端口为80

path:请求资源的路径

HTTP URL 实例：

http://www.baidu.com

http://120.76.26.60:8188/xcb/login.jsp

HTTP URL 理解：

URL是通过HTTP协议存取资源的Internet路径，一个URL对应一个数据资源。

HTTP协议对资源的操作

备注：PUT和PATCH同样是更新URL位置的资源，区别在于：

PUT提交更新全部位置的资源请求，PATCH提交局部更新请求

例：有A、B、C，我们现在需要把A改成G

PUT：请求将A、B、C用G、B、C替换

PATCH：请求G替换位置为A

若用PUT提交PATCH，则会出现A、B、C—>G

HTTP协议与Requests库方法功能对比

Requests库的HEAD()方法

Requests库的POST()方法

向URL POST一个字典，自动编码为from（表单）

向URL POST一个字符串，自动编码为data

关注微信公众号获得最新内容