Python爬虫学习（一）

获得网页内容

The website is the API

Reqests库
自动爬取html页面，自动提交相关请求

Requests: HTTP for Humans™ — Requests 2.21.0 documentation
要学会看官方文档

r = requests.get(url)
#这里通过get方法构造了一个向服务器请求资源的Request对象
#返回的是response对象

Beautful soup
对web页面进行解析

网络爬虫，盗亦有道
robots协议中对于网络爬虫的相关标准规定

• 一个通用的爬虫代码框架

网络连接并不一定是成立的，对于异常情况的处理非常重要

#如果状态码不是200，则产生异常
r.raise_for_status()
................................
#通用爬虫框架
import requests

def getHTMLText(url):
    try:
        r = requests.get(url, timeout = 30)
        r.raise_for_status()    #异常处理
        r.encoding = r.apparent_encoding
        return r.text
    except:
        return "Error"

if __name__ == "__main__":
    url = "http://www.baidu.com"
    print(getHTMLText(url))

• HTTP协议

注意get与post的区别

python数据类型，字典dict
使用{} ：的一系列键值对

robots协议
网站告知爬虫那些页面可以抓取，那些不能
网站根目录下的robot.txt文件

爬虫的header修改

url = "https://www.amazon.cn/dp/B078FFX8B6"
kv = {'User-agent' : 'Mozilla/5.0'}
r = requests.get(url, headers = kv)

• 网络图片的爬取和存储

import requests
path = "/Users/apple/Pictures/a.jpg"
url = "http://img0.dili360.com/ga/M01/48/E0/wKgBzFmyTcaACuVKACZ-qAthuNY888.tub.jpg@!rw9"
r = requests.get(url)

with open(path, "wb") as f:
    f.write(r.content)

f.close()