python网络爬虫实战教学——requests的使用（1）

news2024/9/21 19:31:19

在这里插入图片描述

文章目录

专栏导读
1、前言
2、get请求
3、抓取网页
4、抓取二进制数据
5、请求头

专栏导读

✍ 作者简介：i阿极，CSDN 数据分析领域优质创作者，专注于分享python数据分析领域知识。

✍ 本文录入于《python网络爬虫实战教学》，本专栏针对大学生、初级数据分析工程师精心打造，对python基础知识点逐一击破，不断学习，提升自我。
✍ 订阅后，可以阅读《python网络爬虫实战教学》中全部文章内容，包含python基础语法、数据结构和文件操作，科学计算，实现文件内容操作，实现数据可视化等等。
✍ 其他专栏：《数据分析案例》，《机器学习案例》

😊😊😊如果觉得文章不错或能帮助到你学习，可以点赞👍收藏📁评论📒+关注哦！👍👍👍

1、前言

我们了解了urllib库的基本用法，其中确实有不方便的地方，例如处理网页验证和Cookie时，需要写Opener类和Handler类来处理。另外实现POST、PUT等请求时的写法也不太方便。
为了更加方便地实现这些操作，产生了更为强大的库—requests。有了它，Cookie、登录验证、代理设置等操作都不是事儿。

接下来，让我们领略一下requests库的强大之处吧。

2、get请求

HTTP中最常见的请求之一就是GET请求，首先来详细了解一下利用requests库构建GET请求的方法。
下面构建一个最简单的GET请求，请求的链接为https://www.baidu.com/,该网站会判断客户
端发起的是否为GET请求，如果是，那么它将返回相应的请求信息：

import requests
res = requests.get("https://www.baidu.com/")
print(res.text)

运行结果如下：
在这里插入图片描述

可以发现，我们成功发起了GET请求，返回结果中包含请求头、URL、IP等信息。

3、抓取网页

我们以一个实例页面https://ssrl.scrape.center/作为演示，往里面加入一点提取信息的逻辑，将代码完善成如下的样子：

import requests
import re
r =requests.get('https://ssr1.scrape.center/')
pattern = re.compile(r'<h2.*?>(.*?)</h2>',re.S)  
titles =re.findall(pattern,r.text)
print(titles)

运行结果如下：

['霸王别姬 - Farewell My Concubine', '这个杀手不太冷 - Léon', '肖申克的救赎 - The Shawshank Redemption',
 '泰坦尼克号 - Titanic', '罗马假日 - Roman Holiday', '唐伯虎点秋香 - Flirting Scholar', 
 '乱世佳人 - Gone with the Wind', '喜剧之王 - The King of Comedy',
  '楚门的世界 - The Truman Show', '狮子王 - The Lion King']

这个例子中，我们用最基础的正则表达式来匹配所有的标题内容。关于正则表达式，后面会详细介绍，这里其只作为实例来配合讲解。
我们发现，这里成功提取出了所有电影标题，只需一个最基本的抓取和提取流程就完成了。

4、抓取二进制数据

在上面的例子中，我们抓取的是网站的一个页面，实际上它返回的是一个HTML文档。要是想抓取图片、音频、视频等文件，应该怎么办呢?
图片、音频、视频这些文件本质上都是由二进制码组成的，由于有特定的保存格式和对应的解析方式，我们才可以看到这些形形色色的多媒体。所以，要想抓取它们，就必须拿到它们的二进制数据。

下面以示例网站的站点图标为例来看一下：

import requests
r=requests.get('https://scrape.center/favicon.ico')
print(r.text)
print(r.content)

这里抓取的内容是站点图标，也就是浏览器中每一个标签上显示的小图标

上述实例将会打印Response对象的两个属性，一个是text,另一个是content。
下图分别是r.text和r.content的结果。

在这里插入图片描述

可以注意到，r.text中出现了乱码，r.content的前面带有一个b,代表这是bytes类型的数据。由于图片是二进制数据，所以前者在打印时会转化为str类型，也就是图片直接转化为字符串，理所当然会出现乱码。

上面的运行结果我们并不能看懂，它实际上是图片的二进制数据。不过没关系，我们将刚才提取到的信息保存下来就好了，代码如下：

import requests
r =requests.get('https://scrape.center/favicon.ico')
with open('favicon.ico','wb')as f:
    f.write(r.content)

这样，我们就把二进制数据成功保存成了一张图片，这个小图标被我们成功爬取下来了。
在这里插入图片描述

5、请求头

我们知道，在发起HTTP请求的时候，会有一个请求头Request Headers,那么怎么设置这个请求头呢?
很简单，使用headers参数就可以完成了。

在刚才的实例中，实际上是没有设置请求头信息的，这样的话，某些网站会发现这并不是一个由正常浏览器发起的请求，于是可能会返回异常结果，导致网页抓取失败。

要添加请求头信息，例如这里我们想添加一个User-Agent字段，就可以这么写：

import requests
headers ={
    'User-Agent':'Mozllla/5.0(Nacintosh;Intel Nac OS X 10_11_4)AppleWebKit/537.36(KHTML,like Gecko)Chrome/52.0.2743.116 Safari/537.36'
}
r=requests.get('https://ssr1.scrape.center/',headers=headers)
print(r.text)