Python学习——爬虫篇
requests
使用requests进行爬取
下面是我编写的第一个爬虫的脚本
import requests # 导入requests模块
r = requests.get(\’https://daohang.qq.com\’).content # 通过requests.get方法访问地址https://daohang.qq.com，再使用r.content获取返回的bytes内容
print(r) # 打印获取到的内容
结果是不是很熟悉？没错，这里的结果和使用urlopen的时候打印r.read()的结果是一样的，因为这里选择了r.content方法，使结果返回的是bytes型的数据，其实等于是html = bytes(bytearray(html, encoding=\’utf-8\’)) 。而requests中如果想使结果变的更加美观则不需要urlopen那么复杂。在urlopen中，我们需要使用decode()方法进行解析，而requests中我们只需要将r.content改变为r.text就可以了
import requests
r = requests.get(\’https://daohang.qq.com\’).text
print(r)
看到结果了吗？是不是很神奇？
注： urlopen通常是用来爬取网页内的内容 ，而requests.get/post通常是访问的网址接口类的来获取内容
设置headers
import requests
headers = {
“url”:””, # 配置headers中的各项参数，headers的作用类似一个字典，字典的键是唯一且不可变的
“Host”:””,
“Referer”:””,
“User – Agent”:””,
}
url = \’接口地址\’
data = {“service”:””,”tab”:”tab2″,”username”:\’xxxx\’,”password”:\’xxxx\’} # 在data中设置各项参数，在访问的时候可以传参
repsonse = requests.get(url,headers = headers,data = data) .text# 通过requests.get方法对目标链接进行访问，并且调用headers与data两个参数，实现自动登录功能.并通过过r.text实现转码
print(repsonse) # 打印从页面中获取的内容
运行上述代码，我们可以实现一个简单的接口，模拟登陆的功能。那么，为什么我们要去设置headers呢？有些时候，我们并不能够通过链接直接进行访问，所以这个时候，我们就需要通过设置headers，进行完全模拟请求的封包信息进行访问
设置代理
为了避免一些站点对访问的次数和IP的限制，我们在有些时候必须通过设置代理，以及更换代理来帮助我们工作。那么，怎么通过python，去设置代理呢，我们看下面这段代码
import requests
proxies = {\’代理地址\’}
response = requests.get(\’http://python.jobbole.com/81341/\’,proxies = proxies).text
print(response)
这里，我们把代理的地址赋予proxies，再通过使用requests.get进行访问的时候，通过代理去访问，并获取到返回内容
HTTP异常处理
在实际工作中，我们可能因为这样或者是那样的原因，导致请求失败。那么这个时候，我们想要去解决这个错误，首先就是要去定位这个错误。在python中，可是使用URLError库，以及try-except语句来帮助我们捕获相应的异常。下面是一个例子。
import requests
proxies = {\’代理地址\’}
try:
response = requests.get(\’http://python.jobbole.com/81341/\’,proxies = proxies).text
except requests.HTTPError as e :
print(e.code)
print(response)
在这里，我们使用的是URLError的子类，HTTPError进行检查并且打印出我们在发送HTTP请求时，请求对象返回的状态码。当然，我们也可以使用URLError进行对异常的捕获。具体情况具体对待，在这里，我就不一一进行举例说明了。
上面我们描述了对http的异常捕获，如果我们需要对HTTPError和URLError都进行捕获，需要怎么做呢？我们来看看下面的代码
import requests
proxies = {\’代理地址\’}
try:
response = requests.get(\’http://python.jobbole.com/81341/\’, proxies=proxies).text
except requests.HTTPError as e: # 捕获http的异常
print(e.code) # 打印http返回的状态码
except requests.URLError as e: # 捕获URLError
print(e.reason) # 打印捕获到的URLError信息
else:
print(response) # 打印爬取到的内容
首先我们来看一下，这里为什么先去捕获HTTPError呢？在上面我们也讲了，HTTPError是URLError的子类，在编程中，都是子类在父类之前的，所以，这里我们先对HTTPError进行捕获，如果捕获不到HTTPError，我们再对URLError进行捕获，如果，没有捕获到异常，就打印出爬取的内容。
Cookies
获取cookies
cookie，是指某些网站为了辨别用户身份，进行session跟踪而存储在用户本地终端上的数据（通常经过加密）。
比如说有些网站需要登录之后才能访问某些页面，，在登录之前你想爬取某些页面，是不被允许的。这个时候，我们就可以利用cookie，进行爬取就可以啦。
import requests
request_req = \’https://www.baidu.com/\’
response = requests.get(request_req)
print(response.text)
print(response.cookies) # 打印获取到的内容中的cookies
运行上述代码我们可以获得从百度爬取到的代码和cookies，我这里仅仅只是打印了爬取到的所有的cookies。
当然我们也可以在cookies后面输入我们需要的key来打印我们需要的cookie，那么这个key要怎么打印呢，我举个例子，把上面的 print(response.cookies)换成 print(response.cookies[\’PSTM\’]) 就可以打印出key为[\’PSTM\’]的cookies了。
再来说说key的作用。我们可以通过打印key的cookies获取到我们想要value,是不是很方便呢？
我们也可以自己去定义请求的cookies。那么自己定义cookies的作用又是什么呢？
我们通过自己定义cookies，把cookies写死，其实就是为了伪造请求，然后实现自动登录。
好吧，这里又讲到了自动登录，那么通过cookies实现的自动登录与上面我们传参的自动登录有什么不同呢？从功能上来讲，是没有区别的。但是注意，请注意，cookies是有时效性的。一旦当cookies超时之后，就无法继续自动登录了。而我们传参进行的自动登录，是可以保证每一次都会成功的。
通过cookies自动登录
下面给大家做一个通过获取cookies，并保存到本地，再通过cookies进行模拟登录的示范。
import requests
import unittest
import json
class Login():
#定义一个方法，对请求方法进行封装
def login(self,method,url,getparams,postparams):
#创建ssesion
ssesion = requests.session()
result=\’\’
#对请求方法进行判断，进而选择使用的请求方法,并且打印错误信息
if method==\’GET\’:
if getparams!=\’\’:
try:
result=ssesion.get(url,getparams)
except:
print(result.status_code,result.reason)
else:
result=ssesion.get(url)
print(result)
if method==\’POST\’:
if postparams!=\’\’:
try:
result=ssesion.post(url,postparams)
except:
print(result.status_code,result.reason)
#将返回值进行json格式解码
jsdata=json.loads(result.text)
return jsdata
#定义一个类，对上面的方法，类进行调用
class APIGetAdList(unittest.TestCase):
def test_call(self):
api=Login()
getparams=\’\’
postparams=\’\’
api.login(\’GET\’,\’url\’, getparams, postparams)
if __name__ == “__main__”:
unittest.main()
上面这段代码，是通过ssesion方法，获取cookies，从而实现了一个初级的模拟登陆的功能。我们来讲一下上面这段代码的逻辑。
1、我们定义一个Login的类，里面用来定义login的方法
2、定义一个login的方法，里面包含method,url,getparams,postparams四项参数
3、创建一个ssesion，
4、通过if对method参数进行判断，进而对请求方法进行选择
5、尝试去请求目标url，如果出错就打印http状态码和错误信息
6、对返回的内容进行json格式的解码并返回解码后的内容
7、定义一个APIGetAdList类，用来定义一个传参的函数
8、通过定义一个test_call(self)函数，对Login类的login方法中的各项参数进行传参
9、调用主方法，运行脚本
注：
get和post的选择
如果是爬虫，那么抓包就能看到请求方法，如果有接口文档，就可以根据接口文档去选择请求方法。
看起来，并不是很难不是吗？用到的都是我们目前已经掌握的东西。requests，ssesion，httperror，json.
到这里，我们的第一个，初级的登录脚本也算是正式完成了。是不是很有成就感呢？我这段代码，自己查查找找，问人，网上这里扣点代码，那里扣点代码，写写，改改的总共花了差不多一周的时间才完成。我们很多时候都面临一个问题，就是，思路很清晰，但是真的要自己写的时候，却发现总是有这样或者是那样的问题。这个时候，我们不妨去网上，搜索一下，找一下类似的代码作为借鉴。我们并不是抄袭，自学嘛，就是这样。多写写，多练练，就会掌握了。希望大家共同进步。
版权声明：本文为rookie-c原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。