投稿 资料上传 搜索
您现在的位置是: 首页 > 文章 > 正文

Python网络爬虫与信息提取讲解

网络爬虫是互联网上进行信息采集的通用手段,在互联网的各个专业方向上都是不可或缺的底层技术支撑,了解Python网络爬虫与信息提取,可以更好的掌握该项技术,通过一个朋友推荐的博客,带大家了解一下:

1.学习Python网络爬虫与信息提取,必须会一门编程语言和懂得一些网络相关知识,最好会Python语言;

2.Python网络爬虫讲解是建立在:

    a、Requests框架:自动爬取HTML页面与自动网络请求提交

    b、robots.txt:网络爬虫排除标准

    c、BeautifulSoup框架:解析HTML页面

    d、Re框架:正则框架,提取页面关键信息

    e、Scrapy框架:网络爬虫原理介绍,专业爬虫框架介绍

    等基础上的;

3. Requests的基础使用

注:Requests库是目前公认的爬取网页最好的Python第三方库,具有简单、简捷的特点。

官方网站:http://www.python-requests.org  

在"C:\Windows\System32"中找到"cmd.exe",使用管理员身份运行,在命令行中输入:“pip install requests”运行。  

使用IDLE测试Requests库:

>>> import requests
>>> r = requests.get("http://www.baidu.com")#比如抓取百度页面
>>> r.status_code
>>> r.encoding = 'utf-8'
>>> r.text

Requests库的7个主要方法 

方法 说明 
  requests. request()  构造一个请求,支撑一下各方法的基础方法
  requests.get()  获取HTML网页的主要方法,对应HTTP的GET
  requests.head()  获取HTML网页头的信息方法,对应HTTP的HEAD
  requests.post()  向HTML网页提交POST请求方法,对应HTTP的POST
  requests.put()  向HTML网页提交PUT请求的方法,对应HTTP的RUT
  requests.patch()  向HTML网页提交局部修改请求,对应于HTTP的PATCH
  requests.delete()  向HTML页面提交删除请求,对应HTTP的DELETE

get()方法详解:

r = requests.get(url)


get()方法构造一个向服务器请求资源的Request对象,返回一个包含服务器资源的Response对象。


requests.get(url, params=None, **kwargs)


url:拟获取页面的url链接
params:url中的额外参数,字典或字节流格式,可选
**kwargs:12个控制访问参数


Requests库的2个重要对象
· Request
· Response:Response对象包含爬虫返回的内容


Response对象的属性

     1. r.status_code :HTTP请求的返回状态,200表示连接成功,404表示失败
     2. r.text :HTTP响应内容的字符串形式,即,url对应的页面内容
    3. r.encoding : 从HTTP header中猜测的相应内容编码方式
    4. r.apparent_encoding : 从内容中分析出的相应内容编码方式(备选编码方式)
    5. r.content : HTTP响应内容的二进制形式
   6. r.encoding :如果header中不存在charset,则认为编码为ISO-8859-1 。
   7. r.apparent_encoding :根据网页内容分析出的编码方式可以 看作是r.encoding的备选。


Response的编码:

    8. r.encoding : 从HTTP header中猜测的响应内容的编码方式;如果header中不存在charset,则认为编码为ISO-8859-1,r.text根据r.encoding显示网页内容
     9.r.apparent_encoding : 根据网页内容分析出的编码方式,可以看作r.encoding的备选
    10.r.raise_for_status() : 如果不是200,产生异常requests.HTTPError;

 4.Robots协议

    Robots Exclusion Standard 网络爬虫排除标准

    作用:网站告知网络爬虫哪些页面可以抓取,哪些不行。

     形式:在网站根目录下的robots.txt文件。

例如:

# 注释:*代表所有,/代表根目录
User-agent: *
Disallow: /?*
Disallow: /pop/*.html
Disallow: /pinpai/*.html?*
User-agent: EtaoSpider
Disallow: /
User-agent: HuihuiSpider
Disallow: /
User-agent: GwdangSpider
Disallow: /
User-agent: WochachaSpider
Disallow: /

注:Robots协议是建议但非约束性,网络爬虫可以不遵守,但存在法律风险。

 实例:

import requests
url = "https://item.jd.com/5145492.html"
try:
r = requests.get(url)
r.raise_for_status()
r.encoding = r.apparent_encoding
print(r.text[:1000])
except:
print("爬取失败")

详细介绍可参考:Python网络爬虫与信息提取(实例讲解)


转载于:

文章标签:
阿里云服务器采购季
给作者打赏,鼓励TA抓紧创作!
评论