Python爬虫01:数据抓取工具及类库
数据抓取的命令行工具
curl
curl是一个利用URL语法在命令行下进行网络通信的工具,类似于一个命令行版本的浏览器,但不会对页面进行渲染.其用法很简单,直接在命令行中输入curl [URL地址] [参数]即可,如:
curl https://www.baidu.com
其常用参数如下:
| 参数 | 意义 | 示例 |
|---|---|---|
-X或--request | 指定请求的HTTP类型(默认为GET) | curl -X POST http://httpbin.org/post |
-d或--data | 指定以POST类型发送请求,并指定发送的数据 | curl http://httpbin.org/post -d param1=value1 -d param2=value2curl http://httpbin.org/post -d "param1=value1¶m2=value2"curl http://httpbin.org/post -d @param_filename |
-I或--head | 只显示响应头信息 | |
-H或--header | 指定请求头信息 | curl http://httpbin.org/headers -H param1:value1 |
-A或--user-agent | 指定请求头中的User-Agent | curl -A Mozilla5.0 http://httpbin.org/user-agent |
-L或--location | 跟随页面重定向 | curl -IL https://baidu.com |
-k或--insecure | 允许发起不安全的SSL请求 | |
-b或--cookie | 指定cookies | curl http://httpbin.org/cookies -b 'param1=value1;param2=value2' |
-O 或--remote-name | 将输出写入到文件中并以远程文件名保存 | curl -O http://httpbin.org/image/jpeg |
-o或--output | 将输出写入到文件中并指定文件名 | curl -o img.jpeg http://httpbin.org/image/jpeg |
wget
wget也是一个利用URL语法在命令行环境下进行文件传输的工具,其基本用法为wget [URL地址] [参数],如:
wget https://www.baidu.com
其常用参数如下:
| 参数 | 意义 | 示例 |
|---|---|---|
-O或--output-document | 指定下载文件写入的文件名 | wget -O img.jpeg http://httpbin.org/image/jpeg |
--limit-rate | 指定下载速率 | wget --limit-rate=20k http://httpbin.org/image/jpeg |
-c或--continue | 设置下载过程断点续传 | |
-b或–-background | 设置下载过程后台下载 | |
-u或--user-agent | 指定请求头中的User-Agent | |
-m或--mirror | 下载整个目标网站的镜像 | |
-p或--page-requisites | 下载页面上相关的资源文件 | |
-k或--convert-links | 将下载的HTML和CSS文件中的链接改为指向本地文件的链接 |
下面例子演示如何使用wget镜像一个网站到本地并启动:
-
使用
wget --mirror命令将整个网站的镜像下载到本地wget --mirror -p --convert-links http://www.httpbin.org -
切换到下载好的资源目录下,使用Python自带的
http.server模块开启一个微型服务器python -m http.server -
访问
localhost:8000,即可访问我们搭建在本机上的镜像网站.
数据抓取的Python库
Python中有两个常用的抓取数据的库:urllib和requests.其中requests库封装了urllib库,且比urllib库更为优雅.因此,我们可以直接学习requests库.
requests库
下面内容仅供参考,更详细的内容请参考requests库的官方文档地址.
request库的应用比较简单,下面是官方提供的一段示例代码:
r = requests.get('https://api.github.com/user', auth=('user', 'pass'))
r.status_code # 返回 200
r.headers['content-type'] # 返回 'application/json; charset=utf8'
r.encoding # 返回 'utf-8'
r.text # 返回 u'{"type":"User"...'
r.json() # 返回 {u'private_gists': 419, u'total_private_repos': 77, ...}
requests库的简单使用
发送HTTP请求
下面几个方法可以发送HTTP请求,对应于HTTP的各种请求类型
requests.get(url, params=None, **kwargs)requests.post(url, data=None, json=None, **kwargs)requests.put(url, data=None, **kwargs)requests.delete(url, **kwargs)requests.head(url, **kwargs)requests.options(url, **kwargs)
上面六个方法分别对应HTTP请求类型中的GET,POST,PUT,DELETE,HEAD和OPTIONS,各参数意义如下:
url: 请求的URL地址.params:GET请求放进URL中的请求参数,以字典形式存储.data: 请求体中的数据.**kwargs: 该请求需要的其他参数,包括:headers: 以字典格式存储的请求头内容.json: 以字典形式存储的请求体中数据,等同于data参数cookies: 以字典形式存储的cookies.allow_redirects: 是否允许重定向,为一个布尔值timeout: 设置超时时间,单位为秒auth: 设置身份认证信息
解析HTTP响应
上述requests.get(), requests.post(), requests.put(), requests.delete(), requests.head(), requests.options()方法都会返回一个requests.models.Response对象,该对象封装了HTTP响应报文,该对象提供了下述常用方法和属性用于解析HTTP响应.
-
解析响应状态的属性和方法
-
url: 表示该HTTP请求的URL.payload = {'key1': 'value1', 'key2': ['value2', 'value3']} r = requests.get('http://httpbin.org/get', params=payload) r.url # 得到 http://httpbin.org/get?key1=value1&key2=value2&key2=value3 -
status_code: 该HTTP响应的状态码. -
reason: 响应状态码的说明.
-
-
解析响应内容的属性和方法:
encoding: 该HTTP响应的编码.content: 该HTTP响应的内容.text: 该HTTP响应的文本.根据r.encoding设置的编码格式对r.content进行解码得到..json(): 将json格式的相应内容解析为字典,若解析失败则抛出ValueError异常.
-
解析响应头的属性和方法:
-
headers: 以字典形式返回HTTP响应头,该字典的特殊之处在于其不区分键的大小写.r.headers['Content-Type'] # 得到 'application/json' r.headers.get('content-type') # 得到 'application/json'
-
报错
- 遇到网络问题(如DNS 查询失败、拒绝连接等)时,抛出一个
ConnectionError异常. - 若HTTP请求返回了不成功的状态码(4xx或5xx),调用
Response对象的raise_for_status()会抛出一个HTTPError异常. - 若请求超时,则抛出一个
Timeout异常. - 若请求超过了设定的最大重定向次数,则会抛出一个
TooManyRedirects异常.
上述所有异常都继承自requests.exceptions.RequestException .
身份认证
一些网站,如http://httpbin.org/basic-auth/username/password,所采用的身份认证方式为HTTP Basic Auth,这种认证方式在requests库中得到了很好的支持.
from requests.auth import HTTPBasicAuth
requests.get('https://api.github.com/user', auth=HTTPBasicAuth('用户名', '密码'))
实际上,HTTP Basic Auth认证方式如此常见,requests提供了一种简写的使用方式:
requests.get('https://api.github.com/user', auth=('用户名', '密码'))
在auth参数中直接传入(用户名, 密码)构成的元组,等价于创建一个HTTPBasicAuth进行验证.
实际上,requests库还支持其它认证方式和自定义认证方式,具体见官方文档.