Python模块之requests,urllib和re，Jupyter

目录

　　一、爬虫的步骤

　　二、使用Jupyter

　　三、爬虫请求模块之urllib

　　四、爬虫请求模块之requests

　　五、爬虫分析之re模块

一、爬虫的步骤

　　1.发起请求，模拟浏览器发送一个http请求

　　2.获取响应的内容

　　3.解析内容（解析出对自己有用的部分）

　　　　a.正则表达式

　　　　b.BeautifulSoup模块

　　　　c.pyquery模块

　　　　d.selenium模块

　　4.保存数据

　　　　a.文本文件(txt,csv等)

　　　　b.数据库(mysql)

　　　　c.redis,mongdb（最长使用）

二、使用Jupyter

　　2.1.使用理由：Jupyter可以一次执行，讲结果保存到内存里，供后面python语句多次使用，避免每次调试程序，都要重新请求网页，频繁爬取某个网页，容易导致该网站封IP

　　2.2.windows下使用步骤：

　　　　a.安装：pip install jupyter (前提是已经安装了python3)

　　　　b.运行：jupyter  notebook，浏览器自动弹出使用界面

　　　　c.右侧New-->python3，新建一个python程序

　　2.3.快捷键

　　　　shift + enter键  ：选定行执行，执行结果保留到内存

　　2.4 远程连接linux下使用步骤：

　　      a.   安装:pip install jupyter     和 pip install ipython  （为了设置远程登录jupyter密码）

             b.   生成配置文件   jupyter notebook --generate-config

             c.   生成远程登录密码

                  ipython                     

                      In [1]: from notebook.auth import passwd
                      In [2]: passwd('填写远程密码',algorithm='sha1')   #指定使用sha1加密方式
                      Enter password:
                      Verify password:
                      Out[2]: 'sha1:43b95b731276:5d330ee6f6054613b3ab4cc59c5048ff7c70f549'    #复制引号内所有内容，包含sha1，密码填在以下配置文件里

             e. 编辑配置文件

                   vi /root/.jupyter/jupyter_notebook_config.py

c.NotebookApp.ip = '*'			#改成*号的话，允许所有任何的ip来连接
c.NotebookApp.open_browser = False    #服务器端启动jupyter时，不自动打开浏览器
c.NotebookApp.port = 8889        #设置远程连接时的端口号
c.NotebookApp.password = 'sha1:43b95b731276:5d330ee6f6054613b3ab4cc59c5048ff7c70f549'   #将上面生成设置好的密码SHA1值填入，包含sha1
c.NotebookApp.allow_root =True		#允许使用root登录

　　      f.服务端启动jupyter

                    jupyter  notebook

            g. 客户端打开浏览器输入

                 http://remoteip:8889

      

   2.5  Jupyter notebook使用virtualenv虚拟环境

        1.进入虚拟环境  （此处默认已安装好搭建虚拟环境工具virtualenv和虚拟环境管理工具virtualenvwrapper，并且创建虚拟开发环境test02）

  

        2.  在虚拟环境test02里安装ipykernel

pip install -i https://pypi.douban.com/simple ipykernel

　　3.将虚拟环境映射到jupyter notebook的浏览器界面

python -m ipykernel install --user --name 虚拟环境名 --display-name Jupyter中要显示的名字

　　4.在虚拟环境或者真实环境启动  jupyter notebook

jupyter notebook

　　5.打开浏览器（本地浏览或者远程连接，请参照上面方法）

    

三、爬虫请求模块之urllib

　　3.1 urllib介绍

Python标准库中提供了:urllib等模块以供Http请求，但是它的API能力不佳，需要巨量的工作，甚至包括各种方法覆盖，来完成最简单的任务，不推荐使用，此处只是了解一下

　　3.2 简单使用

#方式一：
import urllib.request

f = urllib.request.urlopen('http://www.baidu.com')
result = f.read().decode('utf-8')
print(result)


#方式二：
import urllib.request
req = urllib.request.Request('http://www.baidu.com')
response = urllib.urlopen(req)
result = response.read().decode('utf-8')
print(result)

ps：硬要使用urllib模块，推荐使用方式二，因为req是一个Request对象，在这个对象里，可以定义请求的头部信息，这样可以把自己包装成像个浏览器发起的请求，如下面的一个例子

　　3.3自定义请求头信息

import urllib.request
req = urllib.request.Request('http://www.example.com')

#自定义头部，第一个参数为关键字参数key，第二个参数为内容
req.add_header("User-Agent","Mozilla/5.0(X11;Ubuntu;Linux x86_64;rv:39.0) Gecko/20100101 Firefox/39.0") 

f = urllib.request.urlopen(req)
result = f.read().decode('utf-8')

#有一个模块fake_useragent可以随机产生User-Agent信息，对于网站的反爬虫机制有一定的欺骗作用

　　3.4 fake_useragent使用

#1.安装pip install fake_useragent

#2.基本使用
from fake_useragent import UserAgent
ua = UserAgent()
print(ua.chrome)   #产生一个谷歌的内核字段

#常用属性
ua.chrome      #产生一个谷歌的内核字段
ua.ie              #随机产生ie内核字段
ua.firefox       #随机产生火狐内核字段
ua.random    #随机产生不同浏览器的内核字段

　　3.5 urllib.parse.urljoin使用

　　a.使用场景

    遇到url地址需要拼接的时候，可以使用urllib.parse.urljoin （存在在python3）
如base='http://www.baidu.com'   ，  url = '/pg1'

full_url = urllib.parse.urljoin(base,url)  #结果如下

　　　　使parse.urljoin()细节问题

四、爬虫请求模块之requests

　　4.1 requests模块介绍

Requests是使用Apache2 Licensed许可证的，基于Python开发的HTTP库，其在Python内置模块的基础上进行了高度的封装，从而使得进行网络请求时，
变得美好了许多，而且使用Requests可以轻而易举的完成浏览器可以做到的任何操作

　　4.2 requests安装

pip3 install requests

　　4.3 简单使用

import requests

r = requests.get('http://www.example.com')
print(type(r))
print (r.status_code)   #服务器返回的状态码
print (r.encoding)       #网站使用的编码
print (r.text)              #返回的内容，字符串类型

　　4.4 get请求

#1.无参数实例
import requests
res = requests.get('http://www.example.com')

print (res.url)    #打印请求的url
print (res.text)    #打印服务器返回的内容


#2.有参数实例
import requests
payload = {'k1':'v1','k2':'v2'}
res = requests.get('http://httpbin.org/get'，params=payload)

print (res.url)
print (res.text)

#3.解析json
import requests
import json

response = rquests.get('http://httpbin.org/get')
print (type(response.text))    #返回结果是字符串类型
pirnt (response.json())          #字符串转成json格式
print (json.loads(response.text))  #字符串转成json格式
print (type(response.json()))    #json类型


#4.添加headers
import requests
from fake_useragent import UserAgent
ua = UserAgent()

#自定义请求头部信息
headers= {
    'User-Agent':ua.chrome
}
response = requests.get('http://www.zhihui.com',headers = headers)
print (response.text)

 　　4.5 post请求

#1.基本POST实例

import requests

#当headers为application/content的时候，请求实例如下：
payload = {'k1':'v1','k2':'v2'}
res = requests.post('http://httpbin.org/post',data = payload)

print (res.text)
print (type(res.headers),res.headers)
print (type(res.cookies),res.cookies)
print (type(res.url),res.url)
print (type(res.history),res.history)


#2.发送请求头和数据实例
import json
import requests

url = 'http://httpbin.org/post'
payload = {'some':'data'}
headers = {'content-type':'application/json'}

#当headers为application/json的时候,请求实例如下：
res = requests.post(url,data=json.dumps(payload), headers = headers)

print (res.text)

　　4.6关于get与post请求的差别

get请求方法参数只有params，而没有data参数，而post请求中两者都是有的

　　4.7 http返回代码

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 : rest_content , reset
206 : partial_content, partial
207 :multi_status , multiple_status multi_stati multiple_stati
208 : already_reported
226 : im_used

#Redirection
300 :multipel_choices
301 : moved_permanently , moved , \o-
302 : found
303 : see_other , other
304 : not_modified
305 : use_proxy
306 : switch_proxy
307 : remporay_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 : forbiden
404 : not_found , -o-
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 : requests_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')

 　　4.8 获得cookies

#会话登录
import requests

s = requests.Session()
s.get('http://www.httpbin.org/cookies/set/123456789') #设置cookies
res = s.get('http://www.httpbin.org/cookies')  #获得cookies
print (res.text)   #打印cookies

此httpbin.org是通过以上方式来设置cookies


#获得cookie
import requests
response = requests.get('http://www.baidu.com')
#print ('response.cookies')

for key,value in reponse.cookies.items():
    print (key + '=' + value)         #组合key = value

　　4.7 SSL设置

#ssl设置
import requests
from requests.packages import urllib3
urllib3.disable_warnings()
res = requests.get('http://www.12306.cn',verify = False)
print (res.status_code)


#证书认证
import requests
res = requests.get('https://www.12306.cn',cert=('/path/server.crt','/path/key'))
print (res.status_code)

　　4.8 代理设置

import requests
proxies = {
    "http":"http://127.0.0.1:9746",
    "https":"https://127.0.0.1:9924"
}

res = requests.get("http://www.taobao.com",proxies = procies)
print (res.status_code)


#有密码的代理
import requests
proxies = {
    "https":"https://user:password@127.0.0.1:9924"
}

res = requests.get("http://www.taobao.com",proxies = procies)
print (res.status_code)

　　4.9 超时时间设置与异常处理

import requests
from requests.exceptions import ReadTimeout
try:
    res = requests.get('http://httpbin.org/get',timeout=0.5)
except ReadTimeout:
    print ('Timeout')

　　4.10 案例：检测QQ是否在线

import urllib
import requests
from xml.etree import ElementTree as ET

#使用内置模块urllib发送http请求
r = urllib.request.urlopen('http://www.webxml.com.cn/webservices/qqOnlineWebService.asmx/qqCheckOnline?qqCode=3455306**')
result = r.read().decode('utf-8')


#使用第三方模块requests发送http请求
r = requetsts.get('http://www.webxml.com.cn/webservices/qqOnlineWebService.asmx/qqCheckOnline?qqCode=3455306**')
result = r.text

#解析XML格式内容
node = ET.XML(result)

#获取内容
if node.text =='Y':
    print ('在线')
else:
    print ('离线')

五、爬虫分析之re模块

　　5.1 关于re模块的使用方法

http://www.cnblogs.com/lisenlin/articles/8797892.html#1

　　5.2 爬虫简单案例

import requests
import re
from fake_useragent import UserAgent

def get_page(url):
    ua = UserAgent()
    headers = {
        'User-Agent':ua.chrome,
    }
    response = requests.get(url, headers = headers)
    try:
        if response.status_code == 200:
            res = response.text
            return res
        return None
    except Exception as e:
        print(e)

def get_movie(html):
    partten = '<p.*?><a.*?>(.*?)</a></p>.*?<p.*?>(.*?)</p>.*?<p.*?>(.*?)</p>'
    items = re.findall(partten, html, re.S)
    #print((items))
    return items
    
def write_file(items):
    fileMovie = open('movie.txt', 'w', encoding='utf8')
    try:
        for movie in items:
            fileMovie.write('电影排名：' + movie[0] + '
')
            fileMovie.write('电影主演：' + movie[1].strip() + '
')
            fileMovie.write('上映时间：' + movie[2] + '

')
        print('文件写入成功...')
    finally:
        fileMovie.close()
        
def main(url):
    html = get_page(url)
    items = get_movie(html)
    write_file(items)
    
if __name__ == '__main__':
    url = "http://maoyan.com/board/4"
    main(url)