爬虫的基本知识&第一个请求&requests模块的基本使用

1.请求过程与网页基础

1.1 URL介绍

• URL（Uniform Resource Locator），统一资源定位符，是互联网上标准资源的地址
• 组成：<协议>://<主机>:<端口>/<路径>
  

不同scheme的URL一般只包括其中的部份组件，其中最重要的3个部份是方案（scheme）、主机（host）和路径（path）

1.2 HTTP请求过程

# 请求过程:
	客户端, 通常指web浏览器或APP向服务器发起请求, 服务器接收到请求进行处理, 并向客户端发起响应.

1.3请求

请求方法:常见有8种

• GET: 请求页面, 并返回页面内容
• POST: 用于提交表单数据或上传文件, 数据包含在请求体中
• PUT: 从客户端向服务器传送的数据取代指定文档中的内容
• DELETE: 请求服务器删除指定的页面
• HEAD: 类似于GET请求，只不过返回的响应中没有具体的内容，用于获取报头
• CONNECT: 把服务器当作跳板，让服务器代替客户端访问其他网页
• OPTIONS: 允许客户端查看服务器的性能
• TRACE: 回显服务器收到的请求，主要用于测试或诊断
• 重点掌握GET & POST : GET与POST的区别(重点) --> (面试出镜率较高)
  ( 1.GET请求中的参数包含在URL里面, 数据可以在URL中看到, 而POST请求的URL不会包含这些数据, POST的数据都是通过表单形式传输的, 会包含在请求体中
  2.GET请求提交的数据最多只有1024字节, 而POST方式没有限制)

# 请求网址:
请求的网址，即统一资源定位符URL，它可以唯一确定我们想请求的资源

请求头：
请求头，用来说明服务器要使用的附加信息. 重点掌握: Accept, Cookie, Referer, User-Agent
1.Accept：请求报头域，用于指定客户端可接受哪些类型的信息
2.Cookie：也常用复数形式 Cookies，这是网站为了辨别用户进行会话跟踪而存储在用户本地的数据。它的主要功能是维持当前访问会话。例如，我们输入用户名和密码成功登录某个网站后，服务器会用会话保存登录状态信息，后面我们每次刷新或请求该站点的其他页面时，会发现都是登录状态，这就是Cookies的功劳。Cookies里有信息标识了我们所对应的服务器的会话，每次浏览器在请求该站点的页面时，都会在请求头中加上Cookies并将其发送给服务器，服务器通过Cookies识别出是我们自己，并且查出当前状态是登录状态，所以返回结果就是登录之后才能看到的网页内容
3.Referer：此内容用来标识这个请求是从哪个页面发过来的，服务器可以拿到这一信息并做相应的处理，如作来源统计、防盗链处理等
4.User-Agent：简称UA，它是一个特殊的字符串头，可以使服务器识别客户使用的操作系统及版本、浏览器及版本等信息。在做爬虫时加上此信息，可以伪装为浏览器；如果不加，很可能会被识别出为爬虫 # 重点
5.x-requested-with :XMLHttpRequest # 代表ajax请求
5.Accept-Language：指定客户端可接受的语言类型
6.Accept-Encoding：指定客户端可接受的内容编码
7.Content-Type：也叫互联网媒体类型（Internet Media Type）或者MIME类型，在HTTP协议消息头中，它用来表示具体请求中的媒体类型信息。例如，text/html代表HTML格式，image/gif代表GIF图片，application/json代表JSON类型

# 请求体:
请求体一般承载的内容是POST请求中的表单数据，而对于GET请求，请求体则为空。

1.4 响应

# 响应, 是由服务端返回给客户端的, 可以分为三部分: 
响应状态码(response status code), 响应头(response headers), 响应体(response body)

响应状态码: 用于判断请求后的相应状态, 如200代表请求成功, 404代表页面页面找不到, 500代表服务器错误
常见的状态码:
200系列:
200 成功 服务器已成功处理了请求
300系列:
301 永久移动 请求的网页已永久移动到新位置，即永久重定向 # 重点
302 临时移动 请求的网页暂时跳转到其他页面，即暂时重定向 # 重点
400系列:
400 错误请求 服务器无法解析该请求 # 重点
401 未授权 请求没有进行身份验证或验证未通过
403 禁止访问 服务器拒绝此请求 # 重点
404 未找到 服务器找不到请求的网页
500系列：
500 服务器内部错误 服务器遇到错误，无法完成请求 # 重点
501 未实现 服务器不具备完成请求的功能
502 错误网关 服务器作为网关或代理，从上游服务器收到无效响应
504 网关超时 服务器作为网关或代理，但是没有及时从上游服务器收到请求
505 HTTP版本不支持 服务器不支持请求中所用的HTTP协议版本

(注意: 状态码不能完全代表响应状态, 部分网站的状态码是自定义的, 一切以响应的数据为准)

# 响应头:
响应头包含了服务器对请求的应答信息
Date：标识响应产生的时间。
Content-Encoding：指定响应内容的编码。

Server：包含服务器的信息，比如名称、版本号等。

Content-Type：文档类型，指定返回的数据类型是什么，如text/html代表返回HTML文档，
application/x-javascript则代表返回JavaScript文件，image/jpeg则代表返回图片。

Set-Cookie：设置Cookies。响应头中的Set-Cookie告诉浏览器需要将此内容放在Cookies中，
下次请求携带Cookies请求。

Expires：指定响应的过期时间，可以使代理服务器或浏览器将加载的内容更新到缓存中。
如果再次访问时，就可以直接从缓存中加载，降低服务器负载，缩短加载时间。

# 响应体:
最重要的当属响应体的内容了。响应的正文数据都在响应体中，比如请求网页时，
它的响应体就是网页的HTML代码；请求一张图片时，它的响应体就是图片的二进制数据。
我们做爬虫请求网页后，要解析的内容就是响应体.

1.4 网页基础

# 网页的组成:
网页可以分为三部分, HTML, CSS, JavaScript
1.HTML: 其全称叫作Hyper Text Markup Language，即超文本标记语言。
        定义了网页的骨架
        
2.CSS: 全称叫作Cascading Style Sheets，即层叠样式表。
       定义了网页的样式
        
3.JavaScript: 简称JS，是一种脚本语言
              定义了网页与用户的交互行为, 如下载进度条, 提示框, 轮播图 

2.第一个请求

2.1 爬虫工作流(复习)

• 确定url, 向服务器发送请求并获得响应: requests, urllib, aiohttp
• 在响应中提取目标数据, 即数据解析: xpath, bs4, 正则, PyQuery
• 数据持久化: 文件, 关系型数据库, 非关系型数据库

2.2 第一个爬虫

# requests库的安装
pip install requests

# 需求: 爬取百度首页, 并写入文件中, 最后用浏览器打开文件查看效果

import requests

# 1.确定url, 向服务器发送请求
url = 'https://www.baidu.com'
res = requests.get(url=url)

# 2.操作响应数据, 获取目标数据
res.encoding = 'utf-8'

# 3.将目标数据持久化到本地: 写入文件
with open('baidu.html', 'w', encoding='utf-8') as f:
    f.write(res.text)

# 需求: 爬取前程无忧, 并写入文件, 最后用浏览器打开文件查看结果
import requests

# 1.确定url, 向服务器发送请求
url = 'https://search.51job.com/list/010000,000000,0000,00,9,99,Python%25E7%2588%25AC%25E8%2599%25AB,2,1.html?lang=c&stype=&postchannel=0000&workyear=99&cotype=99°reefrom=99&jobterm=99&companysize=99&providesalary=99&lonlat=0%2C0&radius=-1&ord_field=0&confirmdate=9&fromType=&dibiaoid=0&address=&line=&specialarea=00&from=&welfare='

# 2.发起请求, 获取响应
ret = requests.get(url='https://search.51job.com/list/010000,000000,0000,00,9,99,Python%25E7%2588%25AC%25E8%2599%25AB,2,1.html?lang=c&stype=&postchannel=0000&workyear=99&cotype=99°reefrom=99&jobterm=99&companysize=99&providesalary=99&lonlat=0%2C0&radius=-1&ord_field=0&confirmdate=9&fromType=&dibiaoid=0&address=&line=&specialarea=00&from=&welfare=', headers=headers)

# 3.对相应数据进行编码
ret.encoding = 'gbk'

# 4.数据持久化
with open('bs.html', 'w', encoding='gbk') as f:
    f.write(ret.text)

3.requests模块基本使用

1.get请求:
    不携带参数的get请求: 搜狗首页
    不携带参数的get请求 + headers: 爬取知乎的发现页
    携带参数的get请求 + headers: 知乎的发现栏中搜索Python
    res = requests.get(url=url, headers=headers, params=params)
    
2.post请求: 构建参数的post请求
    
3.响应数据的获取与属性
	(1).响应数据的获取:
			res.text: 文本数据
			res.json(): json数据
			res.content: 流, 图片, 视频, 压缩包, 软件包
    (2).响应的其他属性:
            res.status_code: 获取响应状态码
            res.headers: 响应头
            res.cookie: cookie信息

3.1 requests模块的get请求

# 不携带参数的get请求: 爬取搜狗主页
import requests
url = 'https://www.sogou.com/'
res = requests.get(url=url)
print(res)
print(res.text)

with open('sougou.html', 'w', encoding='utf-8') as f:
    f.write(res.text)

# 不携带参数的get请求  +  headers: 爬取知乎的发现页
import requests
headers = {
     
    'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/75.0.3770.142 Safari/537.36'
}
url = 'https://www.zhihu.com/explore'
res = requests.get(url=url, headers=headers)
with open('zhihu.html', 'w', encoding='utf-8') as f:
    f.write(res.text)

# 携带参数的get请求  +  headers: 知乎的发现栏中搜索Python
import requests
headers = {
     
    'User-Agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/75.0.3770.142 Safari/537.36'
}
url= 'https://www.zhihu.com/search?'
params = {
     
    'type':'content',
    'q':'python'
}

res = requests.get(url=url, headers=headers, params=params)
print(res)
print(res.text)
with open('python.html', 'w', encoding='utf-8') as f:
    f.write(res.text)

3.2 requests模块的post请求

# requests的post请求: 以post方式请求httpbin.org/post时会返回提交的请求信息
import requests
headers = {
     
     'User-Agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/75.0.3770.142 Safari/537.36'
}
url = 'http://httpbin.org/post'
data = {
     
    'name': 'spiderman',
    'age': 8
}
res = requests.post(url=url, headers=headers, data=data)
print(res.text)

3.3 json形式与流形式的响应数据示例

# json形式响应数据示例: bilibili的Python视频教程, 目录列表
import requests
headers = {
     
     'User-Agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/75.0.3770.142 Safari/537.36'
}
url = 'https://api.bilibili.com/x/web-interface/view?aid=14184325&cid=23153678'
res = requests.get(url=url, headers=headers)
print(res)
print(res.status_code)
print(res.headers)
print('-----------------------------------------------------------------------------')
print(res.json())

# 流形式响应数据示例: 站长素材的简历模板
import requests
headers = {
     
     'User-Agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/75.0.3770.142 Safari/537.36'
}
url = 'http://fjdx.sc.chinaz.net/Files/DownLoad/jianli/201907/jianli10810.rar'
res = requests.get(url=url, headers=headers)
print(res.content)
with open('janli.rar', 'wb') as f:
    f.write(res.content)