Python - 网络爬虫规则

Python网络爬虫与信息提取
嵩天

Python - 网络爬虫规则

Requests库

requests库的方法

requests.request(method, url, **kwargs)

• method : 请求方式，对应7种方法

• url : 拟获取页面的链接

• **kwargs: 控制访问的参数，共13个，为可选项

  • params : 字典或字节序列，作为参数增加到url中
  • data : 字典、字节序列或文件对象，作为Request的内容
  • json : JSON格式的数据，作为Request的内容
  • headers : 字典，HTTP定制头
  • cookies : 字典或CookieJar，Request中的cookie
  • auth : 元组，支持HTTP认证功能
  • files : 字典类型，传输文件
  • timeout : 设定超时时间，秒为单位
  • proxies : 字典类型，设定访问代理服务器，可以增加登录认证
  • allow_redirects : True/False，默认为True，重定向开关
  • stream : True/False，默认为True，获取内容立即下载开关
  • verify : True/False，默认为True，认证SSL证书开关
  • cert : 本地SSL证书路径

requests.get()

request对象和response对象

response对象的属性

requests库的异常

爬取网页的代码框架

def getHTMLText(url):
    try:
        r = requests.get(url, timeout = 30)
        r.raise_for_status() #if status_code is not 200, trigger HTTPError
        r.endcoding = r.apparent_encoding
        return r.text
    except:
        return 'error'

HTTP协议

Hypertext Transfer Protocol，超文本传输协议

• HTTP是一个基于“请求与响应”模式的、无状态的应用层协议
• HTTP协议采用URL作为定位网络资源的标识，URL格式如下：
  
  • http://host[:port][path]
  • host: 合法的Internet主机域名或IP地址
  • port: 端口号，缺省端口为80
  • path: 请求资源的路径
• 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

对资源的操作

通过URL和命令管理资源，操作独立无状态，网络通道及服务器成为了黑盒子

Robots协议

Robots Exclusion Standard，网络爬虫排除标准

• 网站告知网络爬虫哪些页面可以抓取，哪些不行

• 在网站根目录下的robots.txt文件
  *代表所有，/代表根目录

• Robots协议是建议但非约束性，网络爬虫可以不遵守，但存在法律风险

• 类人行为可不参考Robots协议，网站是为人来服务的

应用提示

• 模拟浏览器访问

  user_agent = {'user_agent':'Mozilla/5.0'}
r = requests.get(url, headers = user_agent)

• 百度的搜索引擎关键词提交接口：http://www.baidu.com/s?wd=keyword

  keyword = ('wd':'python')
r = requests.get('http://www.baidu,com/s', params = keyword)

• 网络图片链接的格式：http://www.example.com/picture.jpg

  r = requests.get(url)
  with open(path, 'wb') as f:
  f.write(r.content)
  f.close()