溫馨提示×
您好，登錄后才能下訂單哦！
點擊 登錄注冊 即表示同意《億速云用戶服務條款》
您好，登錄后才能下訂單哦！
小編給大家分享一下python3爬蟲的使用方法是什么，希望大家閱讀完這篇文章后大所收獲，下面讓我們一起去探討吧！
1. 準備工作
在開始之前，請確保已經正確安裝好了requests庫。如果沒有安裝，可以參考爬蟲利器：requests庫的安裝。
2. 實例引入
urllib庫中的urlopen()方法實際上是以GET方式請求網頁，而requests中相應的方法就是get()方法，是不是感覺表達更明確一些？下面通過實例來看一下：
import requests
r = requests.get('https://www.baidu.com/')
print(type(r))
print(r.status_code)
print(type(r.text))
print(r.text)
print(r.cookies)運行結果如下：
<class 'requests.models.Response'>
200
<class 'str'>
<html>
<head>
<script>
location.replace(location.href.replace("https://","http://"));
</script>
</head>
<body>
<noscript><meta http-equiv="refresh" content="0;url=http://www.baidu.com/"></noscript>
</body>
</html>
<RequestsCookieJar[<Cookie BIDUPSID=992C3B26F4C4D09505C5E959D5FBC005 for .baidu.com/>, <Cookie PSTM=1472227535
for .baidu.com/>, <Cookie __bsi=15304754498609545148_00_40_N_N_2_0303_C02F_N_N_N_0 for .www.baidu.com/>,
<Cookie BD_NOT_HTTPS=1 for www.baidu.com/>]>這里我們調用get()方法實現與urlopen()相同的操作，得到一個Response對象，然后分別輸出了Response的類型、狀態碼、響應體的類型、內容以及Cookies。
通過運行結果可以發現，它的返回類型是requests.models.Response，響應體的類型是字符串str，Cookies的類型是RequestsCookieJar。
使用get()方法成功實現一個GET請求，這倒不算什么，更方便之處在于其他的請求類型依然可以用一句話來完成，示例如下：
r = requests.post('http://httpbin.org/post')
r = requests.put('http://httpbin.org/put')
r = requests.delete('http://httpbin.org/delete')
r = requests.head('http://httpbin.org/get')
r = requests.options('http://httpbin.org/get')這里分別用post()、put()、delete()等方法實現了POST、PUT、DELETE等請求。是不是比urllib簡單太多了？
其實這只是冰山一角，更多的還在后面。
3. GET請求
HTTP中最常見的請求之一就是GET請求，下面首先來詳細了解一下利用requests構建GET請求的方法。
基本實例
首先，構建一個最簡單的GET請求，請求的鏈接為http://httpbin.org/get，該網站會判斷如果客戶端發起的是GET請求的話，它返回相應的請求信息：
import requests
r = requests.get('http://httpbin.org/get')
print(r.text)運行結果如下：
{
"args": {},
"headers": {
"Accept": "*/*",
"Accept-Encoding": "gzip, deflate",
"Host": "httpbin.org",
"User-Agent": "python-requests/2.10.0"
},
"origin": "122.4.215.33",
"url": "http://httpbin.org/get"
}可以發現，我們成功發起了GET請求，返回結果中包含請求頭、URL、IP等信息。
那么，對于GET請求，如果要附加額外的信息，一般怎樣添加呢？比如現在想添加兩個參數，其中name是germey，age是22。要構造這個請求鏈接，是不是要直接寫成：
r = requests.get('http://httpbin.org/get?name=germey&age=22')這樣也可以，但是是不是有點不人性化呢？一般情況下，這種信息數據會用字典來存儲。那么，怎樣來構造這個鏈接呢？
這同樣很簡單，利用params這個參數就好了，示例如下：
import requests
data = {
'name': 'germey',
'age': 22
}
r = requests.get("http://httpbin.org/get", params=data)
print(r.text)運行結果如下：
{
"args": {
"age": "22",
"name": "germey"
},
"headers": {
"Accept": "*/*",
"Accept-Encoding": "gzip, deflate",
"Host": "httpbin.org",
"User-Agent": "python-requests/2.10.0"
},
"origin": "122.4.215.33",
"url": "http://httpbin.org/get?age=22&name=germey"
}通過運行結果可以判斷，請求的鏈接自動被構造成了：http://httpbin.org/get?age=22&name=germey。
另外，網頁的返回類型實際上是str類型，但是它很特殊，是JSON格式的。所以，如果想直接解析返回結果，得到一個字典格式的話，可以直接調用json()方法。示例如下：
import requests
r = requests.get("http://httpbin.org/get")
print(type(r.text))
print(r.json())
print(type(r.json()))運行結果如下：
<class 'str'>
{'headers': {'Accept-Encoding': 'gzip, deflate', 'Accept': '*/*', 'Host': 'httpbin.org', 'User-Agent':
'python-requests/2.10.0'}, 'url': 'http://httpbin.org/get', 'args': {}, 'origin': '182.33.248.131'}
<class 'dict'>可以發現，調用json()方法，就可以將返回結果是JSON格式的字符串轉化為字典。
但需要注意的書，如果返回結果不是JSON格式，便會出現解析錯誤，拋出json.decoder.JSONDecodeError異常。
抓取網頁
上面的請求鏈接返回的是JSON形式的字符串，那么如果請求普通的網頁，則肯定能獲得相應的內容了。下面以“知乎”→“發現”頁面為例來看一下：
import requests
import re
headers = {
'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_11_4) AppleWebKit/537.36 (KHTML, like Gecko)
Chrome/52.0.2743.116 Safari/537.36'
}
r = requests.get("https://www.zhihu.com/explore", headers=headers)
pattern = re.compile('explore-feed.*?question_link.*?>(.*?)</a>', re.S)
titles = re.findall(pattern, r.text)
print(titles)這里我們加入了headers信息，其中包含了User-Agent字段信息，也就是瀏覽器標識信息。如果不加這個，知乎會禁止抓取。
接下來我們用到了最基礎的正則表達式來匹配出所有的問題內容。關于正則表達式的相關內容，我們會在3.3節中詳細介紹，這里作為實例來配合講解。
運行結果如下：
['\n為什么很多人喜歡提及「拉丁語系」這個詞？\n', '\n在沒有水的情況下水系寶可夢如何戰斗？\n', '\n有哪些經驗可以送給 Kindle 新人？\n', '\n谷歌的廣告業務是如何賺錢的？\n', '\n程序員該學習什么，能在上學期間掙錢？\n', '\n有哪些原本只是一個小消息，但回看發現是個驚天大新聞的例子？\n', '\n如何評價今敏？\n', '\n源氏是怎么把那么長的刀從背后拔出來的？\n', '\n年輕時得了絕癥或大病是怎樣的感受？\n', '\n年輕時得了絕癥或大病是怎樣的感受？\n']
我們發現，這里成功提取出了所有的問題內容。
抓取二進制數據
在上面的例子中，我們抓取的是知乎的一個頁面，實際上它返回的是一個HTML文檔。如果想抓去圖片、音頻、視頻等文件，應該怎么辦呢？
圖片、音頻、視頻這些文件本質上都是由二進制碼組成的，由于有特定的保存格式和對應的解析方式，我們才可以看到這些形形色色的多媒體。所以，想要抓取它們，就要拿到它們的二進制碼。
下面以GitHub的站點圖標為例來看一下：
import requests
r = requests.get("https://github.com/favicon.ico")
print(r.text)
print(r.content)這里抓取的內容是站點圖標，也就是在瀏覽器每一個標簽上顯示的小圖標，如圖3-3所示。
圖3-3 站點圖標
這里打印了Response對象的兩個屬性，一個是text，另一個是content。
運行結果如圖3-4所示，其中前兩行是r.text的結果，最后一行是r.content的結果。
圖3-4 運行結果
可以注意到，前者出現了亂碼，后者結果前帶有一個b，這代表是bytes類型的數據。由于圖片是二進制數據，所以前者在打印時轉化為str類型，也就是圖片直接轉化為字符串，這理所當然會出現亂碼。
接著，我們將剛才提取到的圖片保存下來：
import requests
r = requests.get("https://github.com/favicon.ico")
with open('favicon.ico', 'wb') as f:
f.write(r.content)這里用了open()方法，它的第一個參數是文件名稱，第二個參數代表以二進制寫的形式打開，可以向文件里寫入二進制數據。
運行結束之后，可以發現在文件夾中出現了名為favicon.ico的圖標，如圖3-5所示。
圖3-5 圖標
同樣地，音頻和視頻文件也可以用這種方法獲取。
添加headers
與urllib.request一樣，我們也可以通過headers參數來傳遞頭信息。
比如，在上面“知乎”的例子中，如果不傳遞headers，就不能正常請求：
import requests
r = requests.get("https://www.zhihu.com/explore")
print(r.text)運行結果如下：
<html><body><h2>500 Server Error</h2> An internal server error occured. </body></html>
但如果加上headers并加上User-Agent信息，那就沒問題了：
import requests
headers = {
'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_11_4) AppleWebKit/537.36 (KHTML, like Gecko)
Chrome/52.0.2743.116 Safari/537.36'
}
r = requests.get("https://www.zhihu.com/explore", headers=headers)
print(r.text)當然，我們可以在headers這個參數中任意添加其他的字段信息。
4. POST請求
前面我們了解了最基本的GET請求，另外一種比較常見的請求方式是POST。使用requests實現POST請求同樣非常簡單，示例如下：
import requests
data = {'name': 'germey', 'age': '22'}
r = requests.post("http://httpbin.org/post", data=data)
print(r.text)這里還是請求http://httpbin.org/post，該網站可以判斷如果請求是POST方式，就把相關請求信息返回。
運行結果如下：
{
"args": {},
"data": "",
"files": {},
"form": {
"age": "22",
"name": "germey"
},
"headers": {
"Accept": "*/*",
"Accept-Encoding": "gzip, deflate",
"Content-Length": "18",
"Content-Type": "application/x-www-form-urlencoded",
"Host": "httpbin.org",
"User-Agent": "python-requests/2.10.0"
},
"json": null,
"origin": "182.33.248.131",
"url": "http://httpbin.org/post"
}可以發現，我們成功獲得了返回結果，其中form部分就是提交的數據，這就證明POST請求成功發送了。
5. 響應
發送請求后，得到的自然就是響應。在上面的實例中，我們使用text和content獲取了響應的內容。此外，還有很多屬性和方法可以用來獲取其他信息，比如狀態碼、響應頭、Cookies等。示例如下：
import requests
r = requests.get('http://www.jianshu.com')
print(type(r.status_code), r.status_code)
print(type(r.headers), r.headers)
print(type(r.cookies), r.cookies)
print(type(r.url), r.url)
print(type(r.history), r.history)這里分別打印輸出status_code屬性得到狀態碼，輸出headers屬性得到響應頭，輸出cookies屬性得到Cookies，輸出url屬性得到URL，輸出history屬性得到請求歷史。
運行結果如下：
<class 'int'> 200
<class 'requests.structures.CaseInsensitiveDict'> {'X-Runtime': '0.006363', 'Connection': 'keep-alive',
'Content-Type': 'text/html; charset=utf-8', 'X-Content-Type-Options': 'nosniff', 'Date': 'Sat, 27 Aug
2016 17:18:51 GMT', 'Server': 'nginx', 'X-Frame-Options': 'DENY', 'Content-Encoding': 'gzip', 'Vary':
'Accept-Encoding', 'ETag': 'W/"3abda885e0e123bfde06d9b61e696159"', 'X-XSS-Protection': '1; mode=block',
'X-Request-Id': 'a8a3c4d5-f660-422f-8df9-49719dd9b5d4', 'Transfer-Encoding': 'chunked', 'Set-Cookie':
'read_mode=day; path=/, default_font=font2; path=/, _session_id=xxx; path=/; HttpOnly', 'Cache-Control':
'max-age=0, private, must-revalidate'}
<class 'requests.cookies.RequestsCookieJar'> <RequestsCookieJar[<Cookie _session_id=xxx for www.jianshu.com/>,
<Cookie default_font=font2 for www.jianshu.com/>, <Cookie read_mode=day for www.jianshu.com/>]>
<class 'str'> http://www.jianshu.com/
<class 'list'> []因為session_id過長，在此簡寫。可以看到，headers和cookies這兩個屬性得到的結果分別是CaseInsensitiveDict和RequestsCookieJar類型。
狀態碼常用來判斷請求是否成功，而requests還提供了一個內置的狀態碼查詢對象requests.codes，示例如下：
import requests
r = requests.get('http://www.jianshu.com')
exit() if not r.status_code == requests.codes.ok else print('Request Successfully')這里通過比較返回碼和內置的成功的返回碼，來保證請求得到了正常響應，輸出成功請求的消息，否則程序終止，這里我們用requests.codes.ok得到的是成功的狀態碼200。
那么，肯定不能只有ok這個條件碼。下面列出了返回碼和相應的查詢條件：
# 信息性狀態碼
100: ('continue',),
101: ('switching_protocols',),
102: ('processing',),
103: ('checkpoint',),
122: ('uri_too_long', 'request_uri_too_long'),
# 成功狀態碼
200: ('ok', 'okay', 'all_ok', 'all_okay', 'all_good', '\\o/', '?'),
201: ('created',),
202: ('accepted',),
203: ('non_authoritative_info', 'non_authoritative_information'),
204: ('no_content',),
205: ('reset_content', 'reset'),
206: ('partial_content', 'partial'),
207: ('multi_status', 'multiple_status', 'multi_stati', 'multiple_stati'),
208: ('already_reported',),
226: ('im_used',),
# 重定向狀態碼
300: ('multiple_choices',),
301: ('moved_permanently', 'moved', '\\o-'),
302: ('found',),
303: ('see_other', 'other'),
304: ('not_modified',),
305: ('use_proxy',),
306: ('switch_proxy',),
307: ('temporary_redirect', 'temporary_moved', 'temporary'),
308: ('permanent_redirect',
'resume_incomplete', 'resume',), # These 2 to be removed in 3.0
# 客戶端錯誤狀態碼
400: ('bad_request', 'bad'),
401: ('unauthorized',),
402: ('payment_required', 'payment'),
403: ('forbidden',),
404: ('not_found', '-o-'),
405: ('method_not_allowed', 'not_allowed'),
406: ('not_acceptable',),
407: ('proxy_authentication_required', 'proxy_auth', 'proxy_authentication'),
408: ('request_timeout', 'timeout'),
409: ('conflict',),
410: ('gone',),
411: ('length_required',),
412: ('precondition_failed', 'precondition'),
413: ('request_entity_too_large',),
414: ('request_uri_too_large',),
415: ('unsupported_media_type', 'unsupported_media', 'media_type'),
416: ('requested_range_not_satisfiable', 'requested_range', 'range_not_satisfiable'),
417: ('expectation_failed',),
418: ('im_a_teapot', 'teapot', 'i_am_a_teapot'),
421: ('misdirected_request',),
422: ('unprocessable_entity', 'unprocessable'),
423: ('locked',),
424: ('failed_dependency', 'dependency'),
425: ('unordered_collection', 'unordered'),
426: ('upgrade_required', 'upgrade'),
428: ('precondition_required', 'precondition'),
429: ('too_many_requests', 'too_many'),
431: ('header_fields_too_large', 'fields_too_large'),
444: ('no_response', 'none'),
449: ('retry_with', 'retry'),
450: ('blocked_by_windows_parental_controls', 'parental_controls'),
451: ('unavailable_for_legal_reasons', 'legal_reasons'),
499: ('client_closed_request',),
# 服務端錯誤狀態碼
500: ('internal_server_error', 'server_error', '/o\\', '?'),
501: ('not_implemented',),
502: ('bad_gateway',),
503: ('service_unavailable', 'unavailable'),
504: ('gateway_timeout',),
505: ('http_version_not_supported', 'http_version'),
506: ('variant_also_negotiates',),
507: ('insufficient_storage',),
509: ('bandwidth_limit_exceeded', 'bandwidth'),
510: ('not_extended',),
511: ('network_authentication_required', 'network_auth', 'network_authentication')比如，如果想判斷結果是不是404狀態，可以用requests.codes.not_found來比對。
看完了這篇文章，相信你對python3爬蟲的使用方法是什么有了一定的了解，想了解更多相關知識，歡迎關注億速云行業資訊頻道，感謝各位的閱讀！
免責聲明：本站發布的內容（圖片、視頻和文字）以原創、轉載和分享為主，文章觀點不代表本網站立場，如果涉及侵權請聯系站長郵箱：is@yisu.com進行舉報，并提供相關證據，一經查實，將立刻刪除涉嫌侵權內容。
