Python爬虫入门基础——Requests获取知乎发现页信息

---

Requests基本用法

requests是一个很强大的库，可用于Cookies、登录验证、代理设置等操作。
requests请求网页的方式是get()，代码如下：

import requests

r = requests.get('https://www.baidu.com/')
print(type(r))
print(r.status_code)
print(type(r.text))
print(r.text)
print(r.cookies)

结果如图1：

有结果可以得出结论：get方法得到一个Response对象，然后分别输出了Response的类型、状态码、响应体的类型、内容以及Cookies。
除了get方法，其他的方法也是很方便实现的：

r = requests.post('http://httpbin.org/post')
r = requests.put('http://httpbin.org/put')
r = requests.delete('http://httpbin.org/delete')
r = requests.head('http://httpbin.org/get')
r = requests.options('http://httpbin.org/get')

---

抓取网页示例

import requests
import re
 
headers = {
    'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_11_4) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/52.0.2743.116 Safari/537.36'
}
r = requests.get("https://www.zhihu.com/explore", headers=headers)
#正则表达式（需要根据当前时期网站内容而改变，不返回数据，说明正则表达式没有生效）
pattern = re.compile('ExploreSpecialCard-title.*?noreferrer noopener.*?>(.*?)', re.S)
titles = re.findall(pattern, r.text)
print(titles)

该段代码是我们通过构造headers信息，其中包含User-Agent字段信息，也就是浏览器标识信息。如果不加这个，知乎会禁止抓取。

通过简单的正则表达式获取返回信息中的部分我们所需要的数据。（不懂的可以去菜鸟教程上看看：正则表达式 - 教程）

网站建设在网站生命周期里都会进行的，版面设计更新之后相应的正则表达式也会失效，要根据当前时间段，我们所获取的数据，来进行筛选，正则表达式才能发挥作用。

返回结果如图2：

图3是当时的网页：

请关注个人公众号：