《python3网络爬虫开发实战》--基本库的使用

1. urllib:

1. request:它是最基本的 HTTP 请求模块，可以用来模拟发送请求 。 就像在浏览器里输入网挝 然后回车一样，只需要给库方法传入 URL 以及额外的参数，就可以模拟实现这个过程了 。
2. error:
3. parse:一个工具模块，提供了许多 URL处理方法，比如拆分、解析 、 合并等。
4. robotparser:主要是用来识别网站的 robots.txt文件，然后判断哪些网站可以爬，哪些网站不可以爬，它其实用得 比较少 。

2. Handle类：

   当需要实现高级的功能时，使用Handle

import http.cookiejar,urllib.request

filename = 'cookies.txt'
#cookie = http.cookiejar.CookieJar
#cookie = http.cookiejar.MozillaCookieJar(filename)
cookie = http.cookiejar.LWPCookieJar(filename)
cookie.load('cookies.txt', ignore_discard=True, ignore_expires=True)
handle = urllib.request.HTTPCookieProcessor(cookie)
opener = urllib.request.build_opener(handle)
response = opener.open('http://www.baidu.com')
#for item in cookie:
   # print(item.name+"="+item.value)

#cookie.save(ignore_discard=True, ignore_expires=True)
print(response.read().decode('utf-8'))

3. urljoin

我们可以提供一个 base_url (基础链接 )作为第一个参数，将新的链接作为第二个参数，该方法会分析 base_url 的 scheme、 netloc 和 path这 3个内容并对新链接缺失的部分进行补充，最后返回结果 。

4. urlencode()

from urllib.parse import urlencode

params = {
    'name': 'germey',
    'age': '23'
}
base_url = 'http://www.baidu.com?'
url = base_url+urlencode(params)
print(url)

5.parse_qs

   反序列化,将get请求的参数，转回字典

from urllib.parse import parse_qs
query= 'name=germey&age=22'
print(parse_qs(query))

   parse_qsl:转化为元组组成的列表

from urllib.parse import parse_qsl
print(parse_qsl(query))

6. quote

   将内容转化为URL编码模式

7.分析Robots协议

  1. robots协议

     Robots 协议也称作爬虫协议、机器人协议，它的全名叫作网络爬虫排除标准( Robots ExclusionProtocol)，用来告诉爬虫和搜索引擎哪些页面可以抓取，哪些不可以抓取。它通常是一个叫作 robots.txt的文本文件，一般放在网站的根目录下 。

  2. robotparser

    set_url:用来设置 robots.txt 文件的链接。 如果在创建 RobotFileParser 对象时传入了链接，那么就不需要再使用这个方法设置了

    read:读取 robots.txt 文件并进行分析。 注意，这个方法执行一个读取和分析操作，如果不 调用这个方法 ， 接下来的判断都会为 False，所以一定记得调用这个方法。 这个方法不会返回任何内容，但是执行了读取操作 。

    parse:用来解析robots.txt文件，传人的参数是robots.txt某些行的内容，它会按照robots.txt的语法规则来分析这些内容 。

   can_fetch:该方法传人两个参数 ， 第一个是 User-agent，第二个是要抓取的 URL。 返回的 内容是该搜索引擎是否可以抓取这个 URL，返回结果是 True 或 Falsea

    mtime:返回的是上次抓取和分析 robots.txt的时间，这对于长时间分析和抓取的搜索爬虫是 很有必要的，你可能需要定期检查来抓取最新的 robots.txt。

    modified:

from urllib.robotparser import RobotFileParser

rp = RobotFileParser()
rp.set_url('http://www.jianshu.com/robots.txt')
rp.read()
print(rp.can_fetch('*', 'http://www.jianshu.com/p/b67554025d7d'))
print(rp.can_fetch('*', 'http://www.jianshu.com/search?q=python&page=l&type=collections'))

8. requests

它同样对长时间分析和抓取 的搜索爬虫很有帮助，将 当前时间设置为上次抓取和分析 robots.txt 的时间 。

1. get:

import requests
import re

#浏览器标时，如果没有，会禁止爬取
headers = {
    'User-Agent':'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_13_6) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/69.0.3497.100 Safari/537.36'
}
r = requests.get("http://www.zhihu.com/explore",headers=headers)
pattern = re.compile('explore-feed.*?question.*?>(.*?)</a>',re.S)
titles = re.findall(pattern, r.text)
print(titles)

r = requests.get("http://github.com/favicon.ico")
with open('favicon.ico','wb') as f:
    f.write(r.content)

2. post:

import requests

data = {
    'name': 'name',
    'age': '22'
}
r = requests.post("http://httpbin.org/post", data=data)
print(r.text)
r = requests.get('http://www.zhihu.com')
print(type(r.status_code), r.status_code)#得到状态码
print(type(r.headers), r.headers)#得到响应头
print(type(r.cookies), r.cookies)#得到cookies
print(type(r.url), r.url)#得到URL
print(type(r.history), r.history)#得到请求历史

9. request的高级语法：

1.文件上传：

2. cookies:

import requests

files = {'file':open('favicon.ico', 'rb')}
r = requests.post("http://httpbin.org/post", files=files)
print(r.text)
r = requests.get("http://www.baidu.com")
print(r.cookies)
for key, value in r.cookies.items():
    print(key + '=' + value)

headers = {
    'Cookies': 'tst=r; __utma=51854390.2112264675.1539419567.1539419567.1539433913.2; __utmb=51854390.0.10.1539433913; __utmc=51854390; __utmv=51854390.100--|2=registration_date=20160218=1^3=entry_date=20160218=1; __utmz=51854390.1539433913.2.2.utmcsr=zhihu.com|utmccn=(referral)|utmcmd=referral|utmcct=/; tgw_l7_route=e0a07617c1a38385364125951b19eef8; q_c1=d3c7341e344d460ead79171d4fd56f6f|1539419563000|1516290905000; _xsrf=713s0UsLfr6m5Weplwb4offGhSqnugCy; z_c0="2|1:0|10:1533128251|4:z_c0|92:Mi4xS2VDaEFnQUFBQUFBZ09DVGo1ZUtEU1lBQUFCZ0FsVk5PX3hPWEFEVXNtMXhSbmhjbG5NSjlHQU9naEpLbkwxYlpB|e71c25127cfb23241089a277f5d7c909165085f901f9d58cf93c5d7ec7420217"; d_c0="AIDgk4-Xig2PTlryga7LwT30h_-3DUHnGbc=|1525419053"; __DAYU_PP=zYA2JUmBnVe2bBjq7qav2ac8d8025bbd; _zap=d299f20c-20cc-4202-a007-5dd6863ccce9',
    'Host': 'www.zhihu.com',
    'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_13_6) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/69.0.3497.100 Safari/537.36',

}
r = requests.get("http://www.zhihu.com",headers=headers)
print(r.text)

3. 会话维持:

import requests

requests.get("http://httpbin.org/cookies/set/umber/123456789")
r = requests.get("http://httpbin.org/cookies")
print(r.text)
s = requests.Session()
s.get("http://httpbin.org/cookies/set/umber/123456789")
r = s.get('http://httpbin.org/cookies')
print(r.text)

{
  "cookies": {}
}

{
  "cookies": {
    "umber": "123456789"
  }
}


Process finished with exit code 0

4. SSl证书验证

requests还提供了证书验证的功能。 当发送 HTTP请求的时候，它会检查 SSL证书，我们可以使用 verify参数控制是否检查此证书。 其实如果不加 verify参数的话，默认是 True，会自动验证。

import requests
#from requests.packages import urllib3
import logging

logging.captureWarnings(True)
#urllib3.disable_warnings()
response = requests.get('https://www.12306.cn', verify=False)
print(response.status_code)

5. 代理设置

6. 超时设置

r = requests.get('http://www.taobao.com', timeout=1)

7. 身份认证

import requests
from requests.auth import HTTPBasicAuth

r = requests.get('http://localhost:5000', auth=HTTPBasicAuth('username', 'password'))
print(r.status_code)

8.Prepared Request:将请求表示为数据结构

from requests import Request, Session

url = 'http://httpbin.org/post'
data = {
    'name': 'germey'
}
headers = {
    'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_13_6) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/69.0.3497.100 Safari/537.36'
}
s = Session()
req = Request('POST',url,data=data,headers=headers)
prepped = s.prepare_request(req)
r = s.send(prepped)
print(r.text)

10. 正则表达式：

https://www.cnblogs.com/chengchengaqin/p/9708044.html