爬虫请求模块——urllib.requests模块
1.urllib.request模块
1.1 版本
python2 ：urllib2、urllib
python3 ：把urllib和urllib2合并,urllib.request
1.2 常用的方法
• urllib.request.urlopen(“网址”) 作用 ：向网站发起一个请求并获取响应
• 字节流 = response.read()
• 字符串 = response.read().decode(“utf-8”)
• urllib.request.Request"网址",headers=“字典”) urlopen()不支持重构User-Agent
1.3 响应对象
• read() 读取服务器响应的内容
• getcode() 返回HTTP的响应码
• geturl() 返回实际数据的URL(防止重定向问题)
2. urllib.parse模块
2.1 常用方法
• urlencode(字典)
• quote(字符串) (这个里面的参数是个字符串)
3. 请求方式
• GET 特点 ：查询参数在URL地址中显示
• POST
• 在Request方法中添加data参数 urllib.request.Request(url,data=data,headers=headers)
• data ：表单数据以bytes类型提交,不能是str
4. requests模块
4.1 安装
• pip install requests
• 在开发工具中安装
4.2 request常用方法
• requests.get（网址）
4.3 响应对象response的方法
• response.text 返回unicode格式的数据(str)
• response.content 返回字节流数据(二进制)
• response.content.decode(‘utf-8’) 手动进行解码
• response.url 返回url
• response.encode() = ‘编码’
4.4 requests模块发送 POST请求
4.5 requests设置代理
• 使用requests添加代理只需要在请求方法中(get/post)传递proxies参数就可以了
• 代理网站
西刺免费代理IP：http://www.xicidaili.com/
快代理：http://www.kuaidaili.com/
代理云：http://www.dailiyun.com/
4.6 cookie
cookie ：通过在客户端记录的信息确定用户身份
HTTP是一种无连接协议,客户端和服务器交互仅仅限于 请求/响应过程,结束后断开,下一次请求时,服务器会认为是一个新的客户端,为了维护他们之间的连接,让服务器知道这是前一个用户发起的请求,必须在一个地方保存客户端信息。
4.7 session
session ：通过在服务端记录的信息确定用户身份 这里这个session就是一个指的是会话
4.8 处理不信任的SSL证书
什么是SSL证书？
• SSL证书是数字证书的一种，类似于驾驶证、护照和营业执照的电子副本。因为配置在服务器上，也称为SSL服务器证书。SSL 证书就是遵守 SSL协议，由受信任的数字证书颁发机构CA，在验证服务器身份后颁发，具有服务器身份验证和数据传输加密功能
5. requests 模块源码分析
6. json数据
数据提取
什么是数据提取？
简单的来说，数据提取就是从相应中获取我们想要的数据的过程
数据分类？
非结构化数据：HTML
处理方法：正则表达式、xpath
结构化数据：json、xml
处理方法：转化为Python数据类型
数据提取之json？
由于把json数据转化为python内建数据类型很简单，所以爬虫中，如果我们能够找到返回json数据的URL，就会尽量使用这种URL
JSON是一种轻量级的数据交换格式，它使得人们很容易的进行阅读和编写。同时也方便了机器进行解析和生成。适用于进行数据交互的场景，比如网站前台与后台之间的数据交互。
使用json注意点
• json中的字符串都是双引号