Requests爬蟲包及解析工具 xpath、正則、Beautiful Soup

本文轉載自查看原文 2021-01-05 17:41 377 爬蟲/ python/ python爬蟲

”python爬蟲系列“目錄：

Python爬蟲（一）-必備基礎

Python爬蟲（二）- Requests爬蟲包及解析工具 xpath

Python爬蟲（三）- Scrapy爬蟲框架系列

scrapy (1)- 基礎用法

scrapy (2)- get請求

scrapy (3)- post請求

scrapy (4)-請求傳參

scrapy (5)-爬取二級頁面的內容

scrapy (6)-CrawlSpider的使用

第一篇：Requests

一、簡介

Requests 是用Python語言編寫，基於 urllib，采用 Apache2 Licensed 開源協議的 HTTP 庫，是爬蟲常用庫,使用的頻率非常高，所以做此總結，希望能對后來者有所助益。。

二、安裝

pip install requests

三、使用文檔

1 實際案例

1.1 訪問百度網站

# 引入Requests庫
import requests
# 發起GET請求
r = requests.get('https://www.baidu.com/')
# 查看響應類型  requests.models.Response
print(type(r))
# 輸出狀態碼  200
print(r.status_code)
# 輸出響應內容類型  str
print(type(r.text))
# 輸出響應內容
print(r.text)
# 輸出cookies
print(r.cookies)

1.2 各種請求方式

import requests
# 發起POST請求
requests.post('http://httpbin.org/post')
# 發起PUT請求
requests.put('http://httpbin.org/put')
# 發起DELETE請求
requests.delete('http://httpbin.org/delete')
# 發送HEAD請求
requests.head('http://httpbin.org/get')
# 發送OPTION請求
requests.options('http://httpbin.org/get')

2 GET請求

2.1 無參數的GET請求

import requests
response = requests.get('http://httpbin.org/get')
print(response.text)

2.2 帶參數的GET請求

2.2.1 訪問url攜帶參數

import requests
response = requests.get('http://httpbin.org/get?name=jyx&age=18')
print(response.text)

2.2.2 請求體包含參數

import requests
# GET請求參數
param = {'name': 'ide', 'city': 'New York'}
# 傳遞參數params
response = requests.get('http://httpbin.org/get',params=param)
print(response.text)

3 POST請求

3.1 發送表單形式的數據

import requests
#POST請求參數
param = {'name': 'ide', 'city': 'New York'}
#傳遞參數params
response = requests.post('http://httpbin.org/post',data=param)
print(response.text)

3.2 發送Json數據

import json
import requests
# POST請求參數
param = {'name': 'ide', 'city': 'New York'}
# 傳遞參數params，並格式化為json數據
response = requests.post('http://httpbin.org/post', data=json.dumps(param))
print(response.text)

3.3 發送文件數據

如果需要向網站發送圖片、文檔等，需要使用files參數

import requests
# POST請求參數
file ={'file': open('default.png', 'rb')}
# 傳遞參數files
response = requests.post('http://httpbin.org/post', files=file)
print(response.text)
python```

### 4 獲取二進制數據
```python
import requests
response = requests.get('http://l.bst.126.net/rsc/img/loginopen/201406/appstore/quanzi.jpg?v=001')
# 輸出響應的二進制內容
print(response.content)
# 下載二進制數據到本地
with open('quanzi.jpg', 'wb') as f:
    f.write(response.content)
    f.close()

5 設置headers

import requests

# 設置User-Agent瀏覽器信息
headers = {
    "User-Agent": "Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/63.0.3239.132 Safari/537.36",
    # 'content-type': 'application/json'
}
# 設置請求頭信息
response = requests.get('https://www.zhihu.com/question/37787004',headers=headers)
print(response.text)

6 編碼類型

可以找出requests使用了什么編碼，並能夠進行改變

r.encoding
r.encoding = 'ISO-8859-1'
如果改變了編碼，每當訪問r.text時，Request都將會使用r.encoding的新值。

python```

### 7 響應屬性
```python
import requests

response = requests.get('http://www.jianshu.com/')
# 獲取響應狀態碼
print(type(response.status_code),response.status_code)
# 獲取響應頭信息
print(type(response.headers),response.headers)
# 獲取響應頭中的cookies
print(type(response.cookies),response.cookies)
# 獲取訪問的url
print(type(response.url),response.url)
# 獲取訪問的歷史記錄
print(type(response.history),response.history)
8 requests內置的狀態字符
100: ('continue',),
101: ('switching_protocols',),
102: ('processing',),
103: ('checkpoint',),
122: ('uri_too_long', 'request_uri_too_long'),
200: ('ok', 'okay', 'all_ok', 'all_okay', 'all_good', '\\o/', '✓'),
201: ('created',),
202: ('accepted',),
203: ('non_authoritative_info', 'non_authoritative_information'),
204: ('no_content',),
205: ('reset_content', 'reset'),
206: ('partial_content', 'partial'),
207: ('multi_status', 'multiple_status', 'multi_stati', 'multiple_stati'),
208: ('already_reported',),
226: ('im_used',),

# Redirection.
300: ('multiple_choices',),
301: ('moved_permanently', 'moved', '\\'),
302: ('found',),
303: ('see_other', 'other'),
304: ('not_modified',),
305: ('use_proxy',),
306: ('switch_proxy',),
307: ('temporary_redirect', 'temporary_moved', 'temporary'),
308: ('permanent_redirect', 'resume_incomplete', 'resume',), # These 2 to be removed in 3.0

# Client Error.
400: ('bad_request', 'bad'),
401: ('unauthorized',),
402: ('payment_required', 'payment'),
403: ('forbidden',),
404: ('not_found', '-'),
405: ('method_not_allowed', 'not_allowed'),
406: ('not_acceptable',),
407: ('proxy_authentication_required', 'proxy_auth', 'proxy_authentication'),
408: ('request_timeout', 'timeout'),
409: ('conflict',),
410: ('gone',),
411: ('length_required',),
412: ('precondition_failed', 'precondition'),
413: ('request_entity_too_large',),
414: ('request_uri_too_large',),
415: ('unsupported_media_type', 'unsupported_media', 'media_type'),
416: ('requested_range_not_satisfiable', 'requested_range', 'range_not_satisfiable'),
417: ('expectation_failed',),
418: ('im_a_teapot', 'teapot', 'i_am_a_teapot'),
421: ('misdirected_request',),
422: ('unprocessable_entity', 'unprocessable'),
423: ('locked',),
424: ('failed_dependency', 'dependency'),
425: ('unordered_collection', 'unordered'),
426: ('upgrade_required', 'upgrade'),
428: ('precondition_required', 'precondition'),
429: ('too_many_requests', 'too_many'),
431: ('header_fields_too_large', 'fields_too_large'),
444: ('no_response', 'none'),
449: ('retry_with', 'retry'),
450: ('blocked_by_windows_parental_controls', 'parental_controls'),
451: ('unavailable_for_legal_reasons', 'legal_reasons'),
499: ('client_closed_request',),

# Server Error.
500: ('internal_server_error', 'server_error', '/o\\', '✗'),
501: ('not_implemented',),
502: ('bad_gateway',),
503: ('service_unavailable', 'unavailable'),
504: ('gateway_timeout',),
505: ('http_version_not_supported', 'http_version'),
506: ('variant_also_negotiates',),
507: ('insufficient_storage',),
509: ('bandwidth_limit_exceeded', 'bandwidth'),
510: ('not_extended',),
511: ('network_authentication_required', 'network_auth', 'network_authentication')

9 獲取/發送cookies

import requests

response = requests.get('https://www.baidu.com')
print(response.cookies)
for key, value in response.cookies.items():
    print(key, '=====', value)
print(response.cookies['BAIDUID'])
發送自已定義請求的COOKIES

url = 'http://httpbin.org/cookies'
cookies = {'mycookies':'working'}
response = requests.get(url, cookies = cookies)
print(response.text)

10 session會話保存

import requests

# 從requests中獲取session
session = requests.session()
# 使用seesion去請求保證了請求是同一個session
session.get('http://httpbin.org/cookies/set/number/12456')
response = session.get('http://httpbin.org/cookies')
print(response.text)

11 https安全訪問

11.1 無證書訪問

import requests

response = requests.get('https://www.12306.cn')
# 在請求https時，request會進行證書的驗證，如果驗證失敗則會拋出異常
print(response.status_code)

11.2 關閉證書驗證

import requests

# 關閉驗證，但是仍然會報出證書警告
response = requests.get('https://www.12306.cn',verify=False)
print(response.status_code)

11.3 消除關閉證書驗證的警告

from requests.packages import urllib3  # 可能會報錯，不用擔心，繼續運行即可
import requests

# 關閉警告
urllib3.disable_warnings()
response = requests.get('https://www.12306.cn',verify=False)
print(response.status_code)

11.4 手動設置證書

import requests

# 設置本地證書
response = requests.get('https://www.12306.cn', cert=('/path/server.crt', '/path/key'))
print(response.status_code)

12 設置代理

12.1 普通代理

import requests

proxies = {
    "http": "http://127.0.0.1:9743",
    "https": "https://127.0.0.1:9743",
}
# 往請求中設置代理(proxies
)
response = requests.get("https://www.taobao.com", proxies=proxies)
print(response.status_code)

12.2 需要認證的代理

import requests

proxies = {
    "http": "http://user:password@127.0.0.1:9743/",
}
response = requests.get("https://www.taobao.com", proxies=proxies)
print(response.status_code)

12.3 設置socks代理

import requests

proxies = {
    'http': 'socks5://127.0.0.1:9742',
    'https': 'socks5://127.0.0.1:9742'
}
response = requests.get("https://www.taobao.com", proxies=proxies)
print(response.status_code)

13 超時設置

import requests
from requests.exceptions import ReadTimeout

try:
   # 設置必須在500ms內收到響應，不然或拋出ReadTimeout異常
   response = requests.get("http://httpbin.org/get", timeout=0.5)
   print(response.status_code)
except ReadTimeout:
   print('Timeout')

14 json解析

requests中內置了一個JSON解碼器，幫助你處理JSON數據

import requests

response  = requests.get('https://github.com/timeline.json')
print(response .json())
如果JSON解碼失敗，response .json就會拋出一個異常

15 網站認證

import requests
from requests.auth import HTTPBasicAuth

response = requests.get('http://120.27.34.24:9001', auth=HTTPBasicAuth('user', '123'))
print(response.status_code)

16 異常處理

import requests
from requests.exceptions import ReadTimeout, ConnectionError, RequestException

try:
    response = requests.get("http://httpbin.org/get", timeout=0.5)
    print(response.status_code)
except ReadTimeout:
    # 超時異常
    print('Timeout')
except ConnectionError:
    # 連接異常
    print('Connection error')
except RequestException:
    # 請求異常
    print('Error')

17 原始響應內容

如果你想獲取來自服務器的原始套接字響應，那么你可以訪問r.raw，前提是需要在初始請求中設置stream=True

import requests

response = requests.get('https://github.com/timeline.json', stream=True)
print(response.raw)
print(response.raw.read(10))

摘自：https://www.jianshu.com/p/50bdcb7cd5f6

第二篇：解析工具

xpath

1、簡介

XPath，全稱 XML Path Language，即 XML 路徑語言，它是一門在 XML 文檔中查找信息的語言。最初是用來搜尋 XML 文檔的，但同樣適用於 HTML 文檔的搜索。所以在做爬蟲時完全可以使用 XPath 做相應的信息抽取。

2、安裝

pip install lxml

3、使用文檔

1 實際案例

from lxml import etree

text = '''
<div>
<ul>
<li class="item-0"><a href="link1.html">first item</a></li>
<li class="item-1"><a href="link2.html">second item</a></li>
<li class="item-inactive"><a href="link3.html">third item</a></li>
<li class="item-1"><a href="link4.html">fourth item</a></li>
<li class="item-0"><a href="link5.html">fifth item</a>
</ul>
</div>
'''
x_data = etree.HTML(text)
result = x_data.xpath('//li/a[@href="link4.html"]/text()')  
printn(result)     # ['fourth item']

2 xml和html的不同

（1）html標簽被預定義，xml標簽需要自己定義
（2）html設計用來顯示數據，xml設計用來傳輸數據

3 xpath常用路徑表達式

/ : 從根節點開始查找
// : 從任意位置開始查找
. : 從當前節點開始查找
.. : 從上一級節點開始查找
@ ：選取指定屬性
* ：匹配所有的節點
@* : 匹配所有的屬性節點
具體使用：
    屬性定位
        input[@id="kw"]
    層級定位、索引定位
        //div[@class="head_wrapper"]/div[@id="u1"]/a[1]
        //div[@class="head_wrapper"]//a
    模糊匹配
        contains
            //a[contains(@class,"lb")]
            查找所有的a，class屬性值包含lb的a
            //a[contains(text(),"新")]
            查找所有的a，文本內容包含 新 的a
        starts-with
            //a[starts-with(@class,"lb")]
            查找所有的a。class屬性值以lb開頭的
            //a[starts-with(text(),"更多")]
            查找所有的a，文本內容以更多開頭
    獲取文本內容
        //div[@id="u1"]/a[1]/text()
    獲取屬性值
        //div[@id="u1"]/a[2]/@href
        //div[@id="u1"]/img[1]/@src

eg：                  
       bookstore/book : 查找bookstore下面的所有book節點，該book必須是bookstore的直接子節點
       //book : 查找所有的book
       bookstore//book : 查找bookstore下面的所有book節點，但是該book是bookstore的子節點或者子孫節點
        //@lang : 查找所有有lang屬性的節點
	bookstore/book[1] : 取出bookstore下面的第一個本book
	bookstore/book[last()] : 取出bookstore下面的最后一個本book
	bookstore/book[last()-1] : 取出bookstore下面的倒數第二本book
	//title[@lang] ： 查找所有的有lang屬性的title節點
	//title[@lang='eng'] ：查找所有lang屬性為eng的title節點

免責聲明！

本站轉載的文章為個人學習借鑒使用，本站對版權不負任何法律責任。如果侵犯了您的隱私權益，請聯系本站郵箱yoyou2525@163.com刪除。

猜您在找 爬蟲---Beautiful Soup 初始 Python爬蟲利器：Beautiful Soup （最全）Xpath、Beautiful Soup、Pyquery三種解析庫解析html 功能概括 Beautiful Soup 解析html表格示例 Beautiful Soup常見的解析器爬蟲(三)：對requests、xpath模塊 python之Beautiful Soup的基本用法 Python之Beautiful Soup 4使用實例 Beautiful Soup 如何獲取到href 爬蟲之解析庫Xpath