概述和HTTP请求 和 响应处理

1、概述

　　爬虫，应该称为网络爬虫，也叫网页蜘蛛人，网络蚂蚁等

　　搜索引擎，就是网络爬虫的应用者

2、爬虫分类

　　通用爬虫：

　　　　常见就是搜索引擎，无差别的收集数据，存储，提交关键字，构建索引库，给用户提供搜索接口

　　　　爬取一般流程：

　　　　　　1、初始一批URL，将这些URL放到待爬的队列

　　　　　　2、从队列取出这些URL，通过DNS 解析IP ，对IP 对应的站点下载HTML页面，保存到本地服务器中，爬取完URL放到已经爬取的队列中

　　　　　　3、分析这些网页内筒，找出网页里面的其他关心的URL连接，继续执行第二步，直到爬取条件结束。

　　　　搜索引擎如何获取一个新网站的URL

• • • 新网站主动提交给搜索引擎
    • 通过其他网站页面的外连接
    • 搜索引擎和DNS 服务商合作，获取最新收录的网站。

　　聚焦爬虫：

　　　　有针对的编写特定领域数据的爬虫程序，针对某些 类别的数据采集的爬虫，是面向主体的爬虫

扫描二维码关注公众号，回复： 4378525 查看本文章

3、Robots 协议：

　　指定一个robots.txt 文件，告诉爬虫引擎什么可以爬，什么不可以爬

　　/  表示网站根目录， 表示网站的所有目录

　　Allow：允许， Disallow：不允许

　　可以使用通配符

　　例如：淘宝：http://www.taobao.com/robots.txt　　　　

View Code

　　这是一个君子协定，爬亦有道

　　这个协议为了让搜索引擎更有效率的搜索自己内容，提供了如Sitemap 这样的文件

　　Sitemap 往往死一个XML 文件，提供了网站想让大家爬取的内容的更新信息

　　这个文件禁止爬取的往往又是我们可能感兴趣的内容，它反而泄露了这些地址。

4、HTTP请求和响应的处理

　　其实爬取网页就是通过HTTP 协议访问网页， 不过通过浏览器访问往往是认为行为，把这种行为变成程序来访问。

　　urllib包：

　　　　urllib 是标准库，它一个工具包模块，包含下面的模块处理 url

• • • urllib.request 用于打开和读写url
    • urllib.error 包含了有urllib.request引起的异常。
    • urllib.parse 用于解析url
    • urllib.robotparser 分析robots.txt 文件

　　　　Python2 中提供了urlib 和urllib2 ，前者 提供了较为底层的接口，urllib2 对urllib 进行了进一步的封装，P樱桃红3中将urllib合并到饿了urllib中，并更名为标准库urllib包

　　urllib.request模块

　　　　模块定义了在基本和摘要式身份验证，重定向，cookies等应用中打开url（主要是HTTP）的函数和类

　　　　urlopen方法：

　　　　　　urlopen(url,data=None)

　　　　　　url 是链接地址字符串，或请求类的实例

　　　　　　data提交的数据，如果data为None，发起的是GET请求，否则发起POST请求，

　　　　　　见 urllib.request.Requset.get_method返回 http.client.HTTPResponse类的响应对象，这是一个类文件对象　　　　

 1 from urllib.request import urlopen
 2 from urllib import request
 3 
 4 
 5 # 打开一个url返回一个响应对象，类文件对象
 6 # 下面的链接，会301 跳转
 7 response = urlopen('https://www.bing.com') #GET 方法
 8 print(response)-----类文件对象
 9 with response:
10     print(1, type(response))
11     print(2, response.status, response.reason)
12     print(3, response.geturl) 13 print(4, response.info()) 14 print(5, response.read()) 15 16 print(response.closed)

打印结果

　　　　上面，通过urllib.requset.urlopen 方法，发起一个HTTP的GET请求，web 服务器返回了网页内容，响应的数据被封装到类文件对象中，可以通过read方法，readline方法，readlines方法，获取数据，status，和reason   表示状态码， info方法表示返回header信息等

　　User-Agent问题

　　　　上例的代码非常精简，即可以获得网站的响应数据，但是目前urlopen方法通过url 字符串和data发起HTTP请求

　　　　如果想修改HTTP头，例如：useragent 就得借助其他方式

　　　　原码中构造的useragent 如下：　　　　

 1 class OpenerDirector:
 2     def __init__(self):
 3         client_version = "Python-urllib/%s" % __version__
 4         self.addheaders = [('User-agent', client_version)]
 5         # self.handlers is retained only for backward compatibility
 6         self.handlers = []
 7         # manage the individual handlers
 8         self.handle_open = {}
 9         self.handle_error = {}
10         self.process_response = {} 11 self.process_request = {}

　　　　当前显示为 Python-urllib/3.7

　　　　有些网站是反爬虫的，所以要把爬虫伪装成浏览器，随便打开一个浏览器，复制浏览器的UA（useragent） 值，用来伪装。

　　Request类

　　　　Request（url, data=None, headers={} ）

　　　　初始化方法，构造一个请求对象，可添加一个header的字典

　　　　data 参数决定是GET 还是POST 请求（data 为None是GET，有数据，就是POST）

　　　　add_header(key, val） 为header总增加一个键值对。　　　　

 1 from urllib.request import Request, urlopen
 2 
 3 # 打开一个url 返回一个Requset 请求对象
 4 # url = 'http://movie.douban.com/' 注意尾部的斜杆一定要有
 5 url = 'http://www.bing.com/'
 6 
 7 ua = 'Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/69.0.3486.0 Safari/537.36'
 8 
 9 # 构造一个请求对象
10 request = Request(url)
11 request.add_header('User-Agent',ua)
12 
13 print(type(request),'=============')
14 print(5,request.get_header('User-Agent'))
15 # 构建响应对象
16 response = urlopen(request, timeout=20) # requset对象或者url 都可以
17 
18 print(type(response)) 19 20 21 with response: 22 # getcode本质上返回的就是 status 23 print(1, response.status, response.getcode(),response.reason) 24 # 返回数据的url，如果重定向，这个url和原始url不一样 25 print(2, response.geturl()) 26 # 返回响应头信息 27 print(3, response.info()) 28 # 读取返回的内容 29 print(4, response.read()) 30 31 print(5,request.get_header('User-Agent')) 32 print(6,'user-agent'.capitalize())

打印结果

 　　urllib.parse 模块

 　　该模块可以完成对url的编解码

 　　　　编码：urlencode函数第一个参数要求是一个字典或者二元组序列

1 from urllib import parse
2 
3 u = parse.urlencode({
4     'url':'http://www.magedu.com/python',
5     'p_url':'http:www.magedu.com/python?id=1&name=张三'
6 })
7 print(u)

url=http%3A%2F%2Fwww.magedu.com%2Fpython&p_url=http%3Awww.magedu.com%2Fpython%3Fid%3D1%26name%3D%E5%BC%A0%E4%B8%89

 　　从运行结果来看冒号。斜杆 & 等号，问号都被编码，%之后实际上是单字节十六进制表示的值

　　一般来说，url中的地址部分，一般不需要使用中文路径，但是参数部分，不管 GET 还是post 方法，提交的数据中，可能有斜杆等符号，这样的字符表示数据，不表示元字符，如果直接发送给服务器端，就会导致接收方无法判断谁是元字符，谁是数据，为了安全，一般会将数据部分的字符串做url 编码，这样就不会有歧义了

，后来可以传送中文，同样会做编码，一般先按照字符集的encoding要求转化成字节序列，每一个字节对应的十六进制字符串前加上百分号即可。

 1 '''
 2 网页使用utf-8 编码
 3 https://www.baidu.com/s?wd=中
 4 上面的url编码后，如下：
 5 https://www.baidu.com/s?wd=%E4%B8%AD
 6 '''
 7 from urllib import parse
 8 
 9 u = parse.urlencode({'wd':'中'}) # 编码
10 print(u)
11 
12 url = 'https://www.baidu.com/s?{}'.format(u)
13 print(url)
14 
15 print('中'.encode('utf-8'))
16 # 解码
17 print(parse.unquote(u)) 18 print(parse.unquote(url))

 　　打印结果：

1 D:\python3.7\python.exe E:/code_pycharm/test_in_class/tt21.py
2 wd=%E4%B8%AD
3 https://www.baidu.com/s?wd=%E4%B8%AD
4 b'\xe4\xb8\xad'
5 wd=中
6 https://www.baidu.com/s?wd=中
7 
8 Process finished with exit code 0

5、提交方法method

　　最常用的HTTP交互 数据的方法是GET ,POST

　　GET 方法，数据是通过URL 传递的，也就是说数据时候在http 报文的header部分

　　POST方法，数据是放在http报文的body 部分提交的

　　数据都是键值对形式，多个参数之间使用&符号链接，

 　　GET方法：

　　连接 bing 搜索引擎官网，获取一个搜索的URL： http://cn.bing.com/search?q=张三

　　需求：

　　请写程序需完成对关键字的bing 搜索， 将返回的结果保存到一个网页文件中。　　

 1 from urllib.request import Request, urlopen
 2 from urllib.parse import urlencode
 3 
 4 keyword = input('>>输入关键字')
 5 
 6 data = urlencode({'q':keyword})
 7 
 8 base_url = 'http://cn.bing.com/search'
 9 
10 url = '{}?{}'.format(base_url, data)
11 
12 print(url) 13 14 # 伪装 15 ua = 'Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/69.0.3486.0 Safari/537.36' 16 request = Request(url, headers={'User-agent':ua}) 17 response = urlopen(request) 18 19 with response: 20 with open('./bing.html', 'wb') as f: 21 f.write(response.read())

 　　结果：

 　　http GET 获取的文本 是字节形式（二进制）

 　　POST 方法：

 　　　　http://httpbin.org/ 测试网站　　像一个echo，你发什么，给你什么

 1 from urllib.request import Request, urlopen
 2 from urllib.parse import urlencode
 3 import simplejson
 4 
 5 request = Request('http://httpbin.org/post')
 6 
 7 ua = 'Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/69.0.3486.0 Safari/537.36'
 8 
 9 request.add_header('User-agent', ua)
10 
11 data = urlencode({'name':'张三,@=/&=', 'age':'12'}) 12 13 print(data) 14 15 res = urlopen(request, data=data.encode())# POST f方法 Form提交数据 16 with res: 17 print(res.read().decode())

 　　结果:

 1 D:\python3.7\python.exe E:/code_pycharm/test_in_class/tt23.py
 2 name=%E5%BC%A0%E4%B8%89%2C%40%3D%2F%26%3D&age=12
 3 {
 4   "args": {}, 
 5   "data": "", 
 6   "files": {}, 
 7   "form": { 8 "age": "12", 9 "name": "\u5f20\u4e09,@=/&=" 10  }, 11 "headers": { 12 "Accept-Encoding": "identity", 13 "Connection": "close", 14 "Content-Length": "48", 15 "Content-Type": "application/x-www-form-urlencoded", 16 "Host": "httpbin.org", 17 "User-Agent": "Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/69.0.3486.0 Safari/537.36" 18  }, 19 "json": null, 20 "origin": "61.149.196.193", 21 "url": "http://httpbin.org/post" 22 } 23 24 25 Process finished with exit code 0

 　　　　

　　处理JSON数据 

 　　　　查看豆瓣电影，看到最近热门电影的热门

　　　　

 　　　　通过分析，我们知道这部分内容，是通过AJAX 从后台拿到的json数据

　　　　　　

　　　　访问ur 是：https://movie.douban.com/j/search_subjects?type=movie&tag=%E7%83%AD%E9%97%A8&page_limit=50&page_start=0

　　　　　　

 　　　　　　服务器返回的数据如上

 　　　　　

1 from urllib import parse
2 将url解码：
3 print(parse.unquote('https://movie.douban.com/j/search_subjects?type=movie&tag=%E7%83%AD%E9%97%A8&page_limit=50&page_start=0'))
4 
5 ----------------------------------------------------------------------------------
6 https://movie.douban.com/j/search_subjects?type=movie&tag=热门&page_limit=50&page_start=0

 　　　　通过代码获取上述截图内容：

　　

 6、HTTPS 证书忽略

　　HTTPS使用SSL 安全套接层协议，在传输层对网路数据进行加密，HTTPS 使用的时候，需要证书，而证书需要cA认证　

 1 from urllib.request import Request, urlopen
 2 
 3 # 可以访问
 4 # request = Request('http://www.12306.cn/mormhweb')
 5 # request = Request('https://www.baidu.com')
 6 
 7 request = Request('https://www.12306.cn/mormhweb/')
 8 
 9 
10 print(request)
11 
12 ua = 'Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/69.0.3486.0 Safari/537.36'
13 
14 request.add_header('User-agent', ua)
15 
16 with urlopen(request) as res:
17     print(res._method) 18 print(res.read())

　　　　

　　

　　忽略证书不安全信息：　　

 1 from urllib.request import Request, urlopen
 2 import ssl
 3 
 4 # 可以访问
 5 # request = Request('http://www.12306.cn/mormhweb')
 6 # request = Request('https://www.baidu.com')
 7 
 8 request = Request('https://www.12306.cn/mormhweb/')
 9 
10 
11 print(request)
12 
13 ua = 'Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/69.0.3486.0 Safari/537.36'
14 
15 request.add_header('User-agent', ua)
16 # 忽略不信任的证书(不用校验的上下文） 17 context = ssl._create_unverified_context() 18 res = urlopen(request, context=context) 19 
20 
21 with res: 22 print(res._method) 23 print(res.geturl()) 24 print(res.read().decode())

　　

7、urllib3 库

　　https:// urllib3.readthedocs.io/en/latest

　　标准库urllib缺少了一些关键的功能，非标准库的第三方库 urlib3 提供了，比如说连接池管理

　　安装：pip install urllib3　　

 1 import urllib3
 2 
 3 url = 'http://movie.douban.com/'
 4 
 5 ua = 'Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/69.0.3486.0 Safari/537.36'
 6 
 7 # 连接池管理
 8 with urllib3.PoolManager() as http:
 9     response = http.request('GET', url, headers={"User-agent":ua})
10     print(1,type(response))
11     print(2,response.status, response.reason)
12     print(3,response.headers) 13 print(4,response.data.decode())

　　 结果：

View Code

8、requests库（开发真正用的库）

　　requests 使用了 urllib3， 但是 API 更加友好，推荐使用

 1 import requests
 2 
 3 ua = 'Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/69.0.3486.0 Safari/537.36'
 4 
 5 url = 'http://movie.douban.com/'
 6 
 7 response = requests.request('GET', url,headers={'User-agent':ua})
 8 
 9 with response:
10     print(type(response))
11     print(response)
12     print(response.url) 13 print((response.status_code)) 14 print(response.request.headers) #请求头 15 print(response.headers) # 响应头 16 print(response.encoding) 17 response.encoding = 'utf-8' 18 print(response.text[:100]) 19 20 with open('./movie.html', 'w', encoding='utf-8') as f: 21 f.write(response.text) # 保存文件

　　结果：

 1 D:\python3.7\python.exe E:/code_pycharm/test_in_class/tt25.py
 2 <class 'requests.models.Response'>
 3 <Response [200]>
 4 https://movie.douban.com/
 5 200
 6 {'User-agent': 'Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/69.0.3486.0 Safari/537.36', 'Accept-Encoding': 'gzip, deflate', 'Accept': '*/*', 'Connection': 'keep-alive'}
 7 {'Date': 'Wed, 05 Dec 2018 03:34:12 GMT', 'Content-Type': 'text/html; charset=utf-8', 'Transfer-Encoding': 'chunked', 'Connection': 'keep-alive', 'Keep-Alive': 'timeout=30', 'Vary': 'Accept-Encoding', 'X-Xss-Protection': '1; mode=block', 'X-Douban-Mobileapp': '0', 'Expires': 'Sun, 1 Jan 2006 01:00:00 GMT', 'Pragma': 'no-cache', 'Cache-Control': 'must-revalidate, no-cache, private', 'Set-Cookie': 'll="108288"; path=/; domain=.douban.com; expires=Thu, 05-Dec-2019 03:34:12 GMT, bid=8QfNwA452hU; Expires=Thu, 05-Dec-19 03:34:12 GMT; Domain=.douban.com; Path=/', 'X-DOUBAN-NEWBID': '8QfNwA452hU', 'X-DAE-Node': 'brand15', 'X-DAE-App': 'movie', 'Server': 'dae', 'X-Content-Type-Options': 'nosniff', 'Content-Encoding': 'gzip'}
 8 utf-8
 9 <!DOCTYPE html>
10 <html lang="zh-cmn-Hans" class="ua-windows ua-webkit">
11 <head>
12     <meta http-equiv="
13 
14 Process finished with exit code 0

　　request默认使用Session 对象，是为了在多次 和服务器交互中保留 会话的信息，例如cookie

　　否则，每次都要重新发起请求

　　

 1 # 直接使用Session
 2 import requests
 3 
 4 ua = 'Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/69.0.3486.0 Safari/537.36'
 5 
 6 urls = ['https://www.baidu.com','https://www.baidu.com']
 7 
 8 session = requests.Session()
 9 with session:
10     for url in urls:
11         # response = session.get(url, headers={'User-agent':ua})
12         response = requests.request('GET', url, headers={'User-agent':ua}) # 相当于每次都是新的请求，也就是开启了两个浏览器而已
13         print(response) 14  with response: 15 print(response.request.headers) 16 print(response.cookies) 17 print(response.text[:20]) 18 print('----------------------------------------------') 19 ''' 20 D:\python3.7\python.exe E:/code_pycharm/test_in_class/tt19.py 21 <Response [200]> 22 {'User-agent': 'Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/69.0.3486.0 Safari/537.36', 'Accept-Encoding': 'gzip, deflate', 'Accept': '*/*', 'Connection': 'keep-alive'} 23 <RequestsCookieJar[<Cookie BAIDUID=808F0938C6A9CC144A1F6BEA823FF4F5:FG=1 for .baidu.com/>, <Cookie BIDUPSID=808F0938C6A9CC144A1F6BEA823FF4F5 for .baidu.com/>, <Cookie H_PS_PSSID=1444_21081_27509 for .baidu.com/>, <Cookie PSTM=1543981317 for .baidu.com/>, <Cookie delPer=0 for .baidu.com/>, <Cookie BDSVRTM=0 for www.baidu.com/>, <Cookie BD_HOME=0 for www.baidu.com/>]> 24 <!DOCTYPE html> 25 <!-- 26 ---------------------------------------------- 27 <Response [200]> 28 {'User-agent': 'Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/69.0.3486.0 Safari/537.36', 'Accept-Encoding': 'gzip, deflate', 'Accept': '*/*', 'Connection': 'keep-alive'} 29 <RequestsCookieJar[<Cookie BAIDUID=808F0938C6A9CC14FA9EECCB0280B074:FG=1 for .baidu.com/>, <Cookie BIDUPSID=808F0938C6A9CC14FA9EECCB0280B074 for .baidu.com/>, <Cookie H_PS_PSSID=26523_1469_25810_21098_26350_22073 for .baidu.com/>, <Cookie PSTM=1543981317 for .baidu.com/>, <Cookie delPer=0 for .baidu.com/>, <Cookie BDSVRTM=0 for www.baidu.com/>, <Cookie BD_HOME=0 for www.baidu.com/>]> 30 <!DOCTYPE html> 31 <!-- 32 ---------------------------------------------- 33 34 Process finished with exit code 0 35 36 ''' 37 38 with session: 39 for url in urls: 40 response = session.get(url, headers={'User-agent':ua}) 41 # response = requests.request('GET', url, headers={'User-agent':ua}) 42 print(response) 43  with response: 44 print(response.request.headers) 45 print(response.cookies) 46 print(response.text[:20]) 47 print('----------------------------------------------') 48 ''' 49 D:\python3.7\python.exe E:/code_pycharm/test_in_class/tt19.py 50 <Response [200]> 51 {'User-agent': 'Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/69.0.3486.0 Safari/537.36', 'Accept-Encoding': 'gzip, deflate', 'Accept': '*/*', 'Connection': 'keep-alive'} 52 <RequestsCookieJar[<Cookie BAIDUID=5A320955507582B839E723DB6F55B2BD:FG=1 for .baidu.com/>, <Cookie BIDUPSID=5A320955507582B839E723DB6F55B2BD for .baidu.com/>, <Cookie H_PS_PSSID=1434_21091_18559_27245_27509 for .baidu.com/>, <Cookie PSTM=1543981366 for .baidu.com/>, <Cookie delPer=0 for .baidu.com/>, <Cookie BDSVRTM=0 for www.baidu.com/>, <Cookie BD_HOME=0 for www.baidu.com/>]> 53 <!DOCTYPE html> 54 <!-- 55 ---------------------------------------------- 56 <Response [200]> 第二次访问，带上了cookie 57 {'User-agent': 'Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/69.0.3486.0 Safari/537.36', 'Accept-Encoding': 'gzip, deflate', 'Accept': '*/*', 'Connection': 'keep-alive', 'Cookie': 'BAIDUID=5A320955507582B839E723DB6F55B2BD:FG=1; BIDUPSID=5A320955507582B839E723DB6F55B2BD; H_PS_PSSID=1434_21091_18559_27245_27509; PSTM=1543981366; delPer=0; BDSVRTM=0; BD_HOME=0'} 58 <RequestsCookieJar[<Cookie H_PS_PSSID=1434_21091_18559_27245_27509 for .baidu.com/>, <Cookie delPer=0 for .baidu.com/>, <Cookie BDSVRTM=0 for www.baidu.com/>, <Cookie BD_HOME=0 for www.baidu.com/>]> 59 <!DOCTYPE html> 60 <!-- 61 ---------------------------------------------- 62 63 Process finished with exit code 0 64 65 '''

1、概述

　　爬虫，应该称为网络爬虫，也叫网页蜘蛛人，网络蚂蚁等

　　搜索引擎，就是网络爬虫的应用者

2、爬虫分类

　　通用爬虫：

　　　　常见就是搜索引擎，无差别的收集数据，存储，提交关键字，构建索引库，给用户提供搜索接口

　　　　爬取一般流程：

　　　　　　1、初始一批URL，将这些URL放到待爬的队列

　　　　　　2、从队列取出这些URL，通过DNS 解析IP ，对IP 对应的站点下载HTML页面，保存到本地服务器中，爬取完URL放到已经爬取的队列中

　　　　　　3、分析这些网页内筒，找出网页里面的其他关心的URL连接，继续执行第二步，直到爬取条件结束。

　　　　搜索引擎如何获取一个新网站的URL

• • • 新网站主动提交给搜索引擎
    • 通过其他网站页面的外连接
    • 搜索引擎和DNS 服务商合作，获取最新收录的网站。

　　聚焦爬虫：

　　　　有针对的编写特定领域数据的爬虫程序，针对某些 类别的数据采集的爬虫，是面向主体的爬虫

3、Robots 协议：

　　指定一个robots.txt 文件，告诉爬虫引擎什么可以爬，什么不可以爬

　　/  表示网站根目录， 表示网站的所有目录

　　Allow：允许， Disallow：不允许

　　可以使用通配符

　　例如：淘宝：http://www.taobao.com/robots.txt　　　　

View Code

　　这是一个君子协定，爬亦有道

　　这个协议为了让搜索引擎更有效率的搜索自己内容，提供了如Sitemap 这样的文件

　　Sitemap 往往死一个XML 文件，提供了网站想让大家爬取的内容的更新信息

　　这个文件禁止爬取的往往又是我们可能感兴趣的内容，它反而泄露了这些地址。

4、HTTP请求和响应的处理

　　其实爬取网页就是通过HTTP 协议访问网页， 不过通过浏览器访问往往是认为行为，把这种行为变成程序来访问。

　　urllib包：

　　　　urllib 是标准库，它一个工具包模块，包含下面的模块处理 url

• • • urllib.request 用于打开和读写url
    • urllib.error 包含了有urllib.request引起的异常。
    • urllib.parse 用于解析url
    • urllib.robotparser 分析robots.txt 文件

　　　　Python2 中提供了urlib 和urllib2 ，前者 提供了较为底层的接口，urllib2 对urllib 进行了进一步的封装，P樱桃红3中将urllib合并到饿了urllib中，并更名为标准库urllib包

　　urllib.request模块

　　　　模块定义了在基本和摘要式身份验证，重定向，cookies等应用中打开url（主要是HTTP）的函数和类

　　　　urlopen方法：

　　　　　　urlopen(url,data=None)

　　　　　　url 是链接地址字符串，或请求类的实例

　　　　　　data提交的数据，如果data为None，发起的是GET请求，否则发起POST请求，

　　　　　　见 urllib.request.Requset.get_method返回 http.client.HTTPResponse类的响应对象，这是一个类文件对象　　　　

 1 from urllib.request import urlopen
 2 from urllib import request
 3 
 4 
 5 # 打开一个url返回一个响应对象，类文件对象
 6 # 下面的链接，会301 跳转
 7 response = urlopen('https://www.bing.com') #GET 方法
 8 print(response)-----类文件对象
 9 with response:
10     print(1, type(response))
11     print(2, response.status, response.reason)
12     print(3, response.geturl) 13 print(4, response.info()) 14 print(5, response.read()) 15 16 print(response.closed)

打印结果

　　　　上面，通过urllib.requset.urlopen 方法，发起一个HTTP的GET请求，web 服务器返回了网页内容，响应的数据被封装到类文件对象中，可以通过read方法，readline方法，readlines方法，获取数据，status，和reason   表示状态码， info方法表示返回header信息等

　　User-Agent问题

　　　　上例的代码非常精简，即可以获得网站的响应数据，但是目前urlopen方法通过url 字符串和data发起HTTP请求

　　　　如果想修改HTTP头，例如：useragent 就得借助其他方式

　　　　原码中构造的useragent 如下：　　　　

 1 class OpenerDirector:
 2     def __init__(self):
 3         client_version = "Python-urllib/%s" % __version__
 4         self.addheaders = [('User-agent', client_version)]
 5         # self.handlers is retained only for backward compatibility
 6         self.handlers = []
 7         # manage the individual handlers
 8         self.handle_open = {}
 9         self.handle_error = {}
10         self.process_response = {} 11 self.process_request = {}

　　　　当前显示为 Python-urllib/3.7

　　　　有些网站是反爬虫的，所以要把爬虫伪装成浏览器，随便打开一个浏览器，复制浏览器的UA（useragent） 值，用来伪装。

　　Request类

　　　　Request（url, data=None, headers={} ）

　　　　初始化方法，构造一个请求对象，可添加一个header的字典

　　　　data 参数决定是GET 还是POST 请求（data 为None是GET，有数据，就是POST）

　　　　add_header(key, val） 为header总增加一个键值对。　　　　

 1 from urllib.request import Request, urlopen
 2 
 3 # 打开一个url 返回一个Requset 请求对象
 4 # url = 'http://movie.douban.com/' 注意尾部的斜杆一定要有
 5 url = 'http://www.bing.com/'
 6 
 7 ua = 'Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/69.0.3486.0 Safari/537.36'
 8 
 9 # 构造一个请求对象
10 request = Request(url)
11 request.add_header('User-Agent',ua)
12 
13 print(type(request),'=============')
14 print(5,request.get_header('User-Agent'))
15 # 构建响应对象
16 response = urlopen(request, timeout=20) # requset对象或者url 都可以
17 
18 print(type(response)) 19 20 21 with response: 22 # getcode本质上返回的就是 status 23 print(1, response.status, response.getcode(),response.reason) 24 # 返回数据的url，如果重定向，这个url和原始url不一样 25 print(2, response.geturl()) 26 # 返回响应头信息 27 print(3, response.info()) 28 # 读取返回的内容 29 print(4, response.read()) 30 31 print(5,request.get_header('User-Agent')) 32 print(6,'user-agent'.capitalize())

打印结果

 　　urllib.parse 模块

 　　该模块可以完成对url的编解码

 　　　　编码：urlencode函数第一个参数要求是一个字典或者二元组序列

1 from urllib import parse
2 
3 u = parse.urlencode({
4     'url':'http://www.magedu.com/python',
5     'p_url':'http:www.magedu.com/python?id=1&name=张三'
6 })
7 print(u)

url=http%3A%2F%2Fwww.magedu.com%2Fpython&p_url=http%3Awww.magedu.com%2Fpython%3Fid%3D1%26name%3D%E5%BC%A0%E4%B8%89

 　　从运行结果来看冒号。斜杆 & 等号，问号都被编码，%之后实际上是单字节十六进制表示的值

　　一般来说，url中的地址部分，一般不需要使用中文路径，但是参数部分，不管 GET 还是post 方法，提交的数据中，可能有斜杆等符号，这样的字符表示数据，不表示元字符，如果直接发送给服务器端，就会导致接收方无法判断谁是元字符，谁是数据，为了安全，一般会将数据部分的字符串做url 编码，这样就不会有歧义了

，后来可以传送中文，同样会做编码，一般先按照字符集的encoding要求转化成字节序列，每一个字节对应的十六进制字符串前加上百分号即可。

 1 '''
 2 网页使用utf-8 编码
 3 https://www.baidu.com/s?wd=中
 4 上面的url编码后，如下：
 5 https://www.baidu.com/s?wd=%E4%B8%AD
 6 '''
 7 from urllib import parse
 8 
 9 u = parse.urlencode({'wd':'中'}) # 编码
10 print(u)
11 
12 url = 'https://www.baidu.com/s?{}'.format(u)
13 print(url)
14 
15 print('中'.encode('utf-8'))
16 # 解码
17 print(parse.unquote(u)) 18 print(parse.unquote(url))

 　　打印结果：

1 D:\python3.7\python.exe E:/code_pycharm/test_in_class/tt21.py
2 wd=%E4%B8%AD
3 https://www.baidu.com/s?wd=%E4%B8%AD
4 b'\xe4\xb8\xad'
5 wd=中
6 https://www.baidu.com/s?wd=中
7 
8 Process finished with exit code 0

5、提交方法method

　　最常用的HTTP交互 数据的方法是GET ,POST

　　GET 方法，数据是通过URL 传递的，也就是说数据时候在http 报文的header部分

　　POST方法，数据是放在http报文的body 部分提交的

　　数据都是键值对形式，多个参数之间使用&符号链接，

 　　GET方法：

　　连接 bing 搜索引擎官网，获取一个搜索的URL： http://cn.bing.com/search?q=张三

　　需求：

　　请写程序需完成对关键字的bing 搜索， 将返回的结果保存到一个网页文件中。　　

 1 from urllib.request import Request, urlopen
 2 from urllib.parse import urlencode
 3 
 4 keyword = input('>>输入关键字')
 5 
 6 data = urlencode({'q':keyword})
 7 
 8 base_url = 'http://cn.bing.com/search'
 9 
10 url = '{}?{}'.format(base_url, data)
11 
12 print(url) 13 14 # 伪装 15 ua = 'Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/69.0.3486.0 Safari/537.36' 16 request = Request(url, headers={'User-agent':ua}) 17 response = urlopen(request) 18 19 with response: 20 with open('./bing.html', 'wb') as f: 21 f.write(response.read())

 　　结果：

 　　http GET 获取的文本 是字节形式（二进制）

 　　POST 方法：

 　　　　http://httpbin.org/ 测试网站　　像一个echo，你发什么，给你什么

 1 from urllib.request import Request, urlopen
 2 from urllib.parse import urlencode
 3 import simplejson
 4 
 5 request = Request('http://httpbin.org/post')
 6 
 7 ua = 'Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/69.0.3486.0 Safari/537.36'
 8 
 9 request.add_header('User-agent', ua)
10 
11 data = urlencode({'name':'张三,@=/&=', 'age':'12'}) 12 13 print(data) 14 15 res = urlopen(request, data=data.encode())# POST f方法 Form提交数据 16 with res: 17 print(res.read().decode())

 　　结果:

 1 D:\python3.7\python.exe E:/code_pycharm/test_in_class/tt23.py
 2 name=%E5%BC%A0%E4%B8%89%2C%40%3D%2F%26%3D&age=12
 3 {
 4   "args": {}, 
 5   "data": "", 
 6   "files": {}, 
 7   "form": { 8 "age": "12", 9 "name": "\u5f20\u4e09,@=/&=" 10  }, 11 "headers": { 12 "Accept-Encoding": "identity", 13 "Connection": "close", 14 "Content-Length": "48", 15 "Content-Type": "application/x-www-form-urlencoded", 16 "Host": "httpbin.org", 17 "User-Agent": "Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/69.0.3486.0 Safari/537.36" 18  }, 19 "json": null, 20 "origin": "61.149.196.193", 21 "url": "http://httpbin.org/post" 22 } 23 24 25 Process finished with exit code 0

 　　　　

　　处理JSON数据 

 　　　　查看豆瓣电影，看到最近热门电影的热门

　　　　

 　　　　通过分析，我们知道这部分内容，是通过AJAX 从后台拿到的json数据

　　　　　　

　　　　访问ur 是：https://movie.douban.com/j/search_subjects?type=movie&tag=%E7%83%AD%E9%97%A8&page_limit=50&page_start=0

　　　　　　

 　　　　　　服务器返回的数据如上

 　　　　　

1 from urllib import parse
2 将url解码：
3 print(parse.unquote('https://movie.douban.com/j/search_subjects?type=movie&tag=%E7%83%AD%E9%97%A8&page_limit=50&page_start=0'))
4 
5 ----------------------------------------------------------------------------------
6 https://movie.douban.com/j/search_subjects?type=movie&tag=热门&page_limit=50&page_start=0

 　　　　通过代码获取上述截图内容：

　　

 6、HTTPS 证书忽略

　　HTTPS使用SSL 安全套接层协议，在传输层对网路数据进行加密，HTTPS 使用的时候，需要证书，而证书需要cA认证　

 1 from urllib.request import Request, urlopen
 2 
 3 # 可以访问
 4 # request = Request('http://www.12306.cn/mormhweb')
 5 # request = Request('https://www.baidu.com')
 6 
 7 request = Request('https://www.12306.cn/mormhweb/')
 8 
 9 
10 print(request)
11 
12 ua = 'Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/69.0.3486.0 Safari/537.36'
13 
14 request.add_header('User-agent', ua)
15 
16 with urlopen(request) as res:
17     print(res._method) 18 print(res.read())

　　　　

　　

　　忽略证书不安全信息：　　

 1 from urllib.request import Request, urlopen
 2 import ssl
 3 
 4 # 可以访问
 5 # request = Request('http://www.12306.cn/mormhweb')
 6 # request = Request('https://www.baidu.com')
 7 
 8 request = Request('https://www.12306.cn/mormhweb/')
 9 
10 
11 print(request)
12 
13 ua = 'Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/69.0.3486.0 Safari/537.36'
14 
15 request.add_header('User-agent', ua)
16 # 忽略不信任的证书(不用校验的上下文） 17 context = ssl._create_unverified_context() 18 res = urlopen(request, context=context) 19 
20 
21 with res: 22 print(res._method) 23 print(res.geturl()) 24 print(res.read().decode())

　　

7、urllib3 库

　　https:// urllib3.readthedocs.io/en/latest

　　标准库urllib缺少了一些关键的功能，非标准库的第三方库 urlib3 提供了，比如说连接池管理

　　安装：pip install urllib3　　

 1 import urllib3
 2 
 3 url = 'http://movie.douban.com/'
 4 
 5 ua = 'Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/69.0.3486.0 Safari/537.36'
 6 
 7 # 连接池管理
 8 with urllib3.PoolManager() as http:
 9     response = http.request('GET', url, headers={"User-agent":ua})
10     print(1,type(response))
11     print(2,response.status, response.reason)
12     print(3,response.headers) 13 print(4,response.data.decode())

　　 结果：

View Code

8、requests库（开发真正用的库）

　　requests 使用了 urllib3， 但是 API 更加友好，推荐使用

 1 import requests
 2 
 3 ua = 'Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/69.0.3486.0 Safari/537.36'
 4 
 5 url = 'http://movie.douban.com/'
 6 
 7 response = requests.request('GET', url,headers={'User-agent':ua})
 8 
 9 with response:
10     print(type(response))
11     print(response)
12     print(response.url) 13 print((response.status_code)) 14 print(response.request.headers) #请求头 15 print(response.headers) # 响应头 16 print(response.encoding) 17 response.encoding = 'utf-8' 18 print(response.text[:100]) 19 20 with open('./movie.html', 'w', encoding='utf-8') as f: 21 f.write(response.text) # 保存文件

　　结果：

 1 D:\python3.7\python.exe E:/code_pycharm/test_in_class/tt25.py
 2 <class 'requests.models.Response'>
 3 <Response [200]>
 4 https://movie.douban.com/
 5 200
 6 {'User-agent': 'Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/69.0.3486.0 Safari/537.36', 'Accept-Encoding': 'gzip, deflate', 'Accept': '*/*', 'Connection': 'keep-alive'}
 7 {'Date': 'Wed, 05 Dec 2018 03:34:12 GMT', 'Content-Type': 'text/html; charset=utf-8', 'Transfer-Encoding': 'chunked', 'Connection': 'keep-alive', 'Keep-Alive': 'timeout=30', 'Vary': 'Accept-Encoding', 'X-Xss-Protection': '1; mode=block', 'X-Douban-Mobileapp': '0', 'Expires': 'Sun, 1 Jan 2006 01:00:00 GMT', 'Pragma': 'no-cache', 'Cache-Control': 'must-revalidate, no-cache, private', 'Set-Cookie': 'll="108288"; path=/; domain=.douban.com; expires=Thu, 05-Dec-2019 03:34:12 GMT, bid=8QfNwA452hU; Expires=Thu, 05-Dec-19 03:34:12 GMT; Domain=.douban.com; Path=/', 'X-DOUBAN-NEWBID': '8QfNwA452hU', 'X-DAE-Node': 'brand15', 'X-DAE-App': 'movie', 'Server': 'dae', 'X-Content-Type-Options': 'nosniff', 'Content-Encoding': 'gzip'}
 8 utf-8
 9 <!DOCTYPE html>
10 <html lang="zh-cmn-Hans" class="ua-windows ua-webkit">
11 <head>
12     <meta http-equiv="
13 
14 Process finished with exit code 0

　　request默认使用Session 对象，是为了在多次 和服务器交互中保留 会话的信息，例如cookie

　　否则，每次都要重新发起请求

　　

 1 # 直接使用Session
 2 import requests
 3 
 4 ua = 'Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/69.0.3486.0 Safari/537.36'
 5 
 6 urls = ['https://www.baidu.com','https://www.baidu.com']
 7 
 8 session = requests.Session()
 9 with session:
10     for url in urls:
11         # response = session.get(url, headers={'User-agent':ua})
12         response = requests.request('GET', url, headers={'User-agent':ua}) # 相当于每次都是新的请求，也就是开启了两个浏览器而已
13         print(response) 14  with response: 15 print(response.request.headers) 16 print(response.cookies) 17 print(response.text[:20]) 18 print('----------------------------------------------') 19 ''' 20 D:\python3.7\python.exe E:/code_pycharm/test_in_class/tt19.py 21 <Response [200]> 22 {'User-agent': 'Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/69.0.3486.0 Safari/537.36', 'Accept-Encoding': 'gzip, deflate', 'Accept': '*/*', 'Connection': 'keep-alive'} 23 <RequestsCookieJar[<Cookie BAIDUID=808F0938C6A9CC144A1F6BEA823FF4F5:FG=1 for .baidu.com/>, <Cookie BIDUPSID=808F0938C6A9CC144A1F6BEA823FF4F5 for .baidu.com/>, <Cookie H_PS_PSSID=1444_21081_27509 for .baidu.com/>, <Cookie PSTM=1543981317 for .baidu.com/>, <Cookie delPer=0 for .baidu.com/>, <Cookie BDSVRTM=0 for www.baidu.com/>, <Cookie BD_HOME=0 for www.baidu.com/>]> 24 <!DOCTYPE html> 25 <!-- 26 ---------------------------------------------- 27 <Response [200]> 28 {'User-agent': 'Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/69.0.3486.0 Safari/537.36', 'Accept-Encoding': 'gzip, deflate', 'Accept': '*/*', 'Connection': 'keep-alive'} 29 <RequestsCookieJar[<Cookie BAIDUID=808F0938C6A9CC14FA9EECCB0280B074:FG=1 for .baidu.com/>, <Cookie BIDUPSID=808F0938C6A9CC14FA9EECCB0280B074 for .baidu.com/>, <Cookie H_PS_PSSID=26523_1469_25810_21098_26350_22073 for .baidu.com/>, <Cookie PSTM=1543981317 for .baidu.com/>, <Cookie delPer=0 for .baidu.com/>, <Cookie BDSVRTM=0 for www.baidu.com/>, <Cookie BD_HOME=0 for www.baidu.com/>]> 30 <!DOCTYPE html> 31 <!-- 32 ---------------------------------------------- 33 34 Process finished with exit code 0 35 36 ''' 37 38 with session: 39 for url in urls: 40 response = session.get(url, headers={'User-agent':ua}) 41 # response = requests.request('GET', url, headers={'User-agent':ua}) 42 print(response) 43  with response: 44 print(response.request.headers) 45 print(response.cookies) 46 print(response.text[:20]) 47 print('----------------------------------------------') 48 ''' 49 D:\python3.7\python.exe E:/code_pycharm/test_in_class/tt19.py 50 <Response [200]> 51 {'User-agent': 'Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/69.0.3486.0 Safari/537.36', 'Accept-Encoding': 'gzip, deflate', 'Accept': '*/*', 'Connection': 'keep-alive'} 52 <RequestsCookieJar[<Cookie BAIDUID=5A320955507582B839E723DB6F55B2BD:FG=1 for .baidu.com/>, <Cookie BIDUPSID=5A320955507582B839E723DB6F55B2BD for .baidu.com/>, <Cookie H_PS_PSSID=1434_21091_18559_27245_27509 for .baidu.com/>, <Cookie PSTM=1543981366 for .baidu.com/>, <Cookie delPer=0 for .baidu.com/>, <Cookie BDSVRTM=0 for www.baidu.com/>, <Cookie BD_HOME=0 for www.baidu.com/>]> 53 <!DOCTYPE html> 54 <!-- 55 ---------------------------------------------- 56 <Response [200]> 第二次访问，带上了cookie 57 {'User-agent': 'Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/69.0.3486.0 Safari/537.36', 'Accept-Encoding': 'gzip, deflate', 'Accept': '*/*', 'Connection': 'keep-alive', 'Cookie': 'BAIDUID=5A320955507582B839E723DB6F55B2BD:FG=1; BIDUPSID=5A320955507582B839E723DB6F55B2BD; H_PS_PSSID=1434_21091_18559_27245_27509; PSTM=1543981366; delPer=0; BDSVRTM=0; BD_HOME=0'} 58 <RequestsCookieJar[<Cookie H_PS_PSSID=1434_21091_18559_27245_27509 for .baidu.com/>, <Cookie delPer=0 for .baidu.com/>, <Cookie BDSVRTM=0 for www.baidu.com/>, <Cookie BD_HOME=0 for www.baidu.com/>]> 59 <!DOCTYPE html> 60 <!-- 61 ---------------------------------------------- 62 63 Process finished with exit code 0 64 65 '''