python3爬虫的使用方法是什么
小编给大家分享一下python3爬虫的使用方法是什么，希望大家阅读完这篇文章后大所收获，下面让我们一起去探讨吧！
1. 准备工作
在开始之前，请确保已经正确安装好了requests库。如果没有安装，可以参考爬虫利器：requests库的安装。
2. 实例引入
urllib库中的urlopen()方法实际上是以GET方式请求网页，而requests中相应的方法就是get()方法，是不是感觉表达更明确一些？下面通过实例来看一下：
importrequestsr=requests.get('https://www.baidu.com/')print(type(r))print(r.status_code)print(type(r.text))print(r.text)print(r.cookies)
运行结果如下：
<class'requests.models.Response'>200<class'str'><html><head><script>location.replace(location.href.replace("https://","http://"));</script></head><body><noscript><metahttp-equiv="refresh"content="0;url=http://www.baidu.com/"></noscript></body></html><RequestsCookieJar[<CookieBIDUPSID=992C3B26F4C4D09505C5E959D5FBC005for.baidu.com/>,<CookiePSTM=1472227535for.baidu.com/>,<Cookie__bsi=15304754498609545148_00_40_N_N_2_0303_C02F_N_N_N_0for.www.baidu.com/>,<CookieBD_NOT_HTTPS=1forwww.baidu.com/>]>
这里我们调用get()方法实现与urlopen()相同的操作，得到一个Response对象，然后分别输出了Response的类型、状态码、响应体的类型、内容以及Cookies。
通过运行结果可以发现，它的返回类型是requests.models.Response，响应体的类型是字符串str，Cookies的类型是RequestsCookieJar。
使用get()方法成功实现一个GET请求，这倒不算什么，更方便之处在于其他的请求类型依然可以用一句话来完成，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')
这里分别用post()、put()、delete()等方法实现了POST、PUT、DELETE等请求。是不是比urllib简单太多了？
其实这只是冰山一角，更多的还在后面。
3. GET请求
HTTP中最常见的请求之一就是GET请求，下面首先来详细了解一下利用requests构建GET请求的方法。
基本实例
首先，构建一个最简单的GET请求，请求的链接为http://httpbin.org/get，该网站会判断如果客户端发起的是GET请求的话，它返回相应的请求信息：
importrequestsr=requests.get('http://httpbin.org/get')print(r.text)
运行结果如下：
{"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"}
可以发现，我们成功发起了GET请求，返回结果中包含请求头、URL、IP等信息。
那么，对于GET请求，如果要附加额外的信息，一般怎样添加呢？比如现在想添加两个参数，其中name是germey，age是22。要构造这个请求链接，是不是要直接写成：
r=requests.get('http://httpbin.org/get?name=germey&age=22')
这样也可以，但是是不是有点不人性化呢？一般情况下，这种信息数据会用字典来存储。那么，怎样来构造这个链接呢？
这同样很简单，利用params这个参数就好了，示例如下：
importrequestsdata={'name':'germey','age':22}r=requests.get("http://httpbin.org/get",params=data)print(r.text)
运行结果如下：
{"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"}
通过运行结果可以判断，请求的链接自动被构造成了：http://httpbin.org/get?age=22&name=germey。
另外，网页的返回类型实际上是str类型，但是它很特殊，是JSON格式的。所以，如果想直接解析返回结果，得到一个字典格式的话，可以直接调用json()方法。示例如下：
importrequestsr=requests.get("http://httpbin.org/get")print(type(r.text))print(r.json())print(type(r.json()))
运行结果如下：
<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'>
可以发现，调用json()方法，就可以将返回结果是JSON格式的字符串转化为字典。
但需要注意的书，如果返回结果不是JSON格式，便会出现解析错误，抛出json.decoder.JSONDecodeError异常。
抓取网页
上面的请求链接返回的是JSON形式的字符串，那么如果请求普通的网页，则肯定能获得相应的内容了。下面以“知乎”→“发现”页面为例来看一下：
importrequestsimportreheaders={'User-Agent':'Mozilla/5.0(Macintosh;IntelMacOSX10_11_4)AppleWebKit/537.36(KHTML,likeGecko)Chrome/52.0.2743.116Safari/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)
这里我们加入了headers信息，其中包含了User-Agent字段信息，也就是浏览器标识信息。如果不加这个，知乎会禁止抓取。
接下来我们用到了最基础的正则表达式来匹配出所有的问题内容。关于正则表达式的相关内容，我们会在3.3节中详细介绍，这里作为实例来配合讲解。
运行结果如下：
['\n为什么很多人喜欢提及「拉丁语系」这个词？\n','\n在没有水的情况下水系宝可梦如何战斗？\n','\n有哪些经验可以送给Kindle新人？\n','\n谷歌的广告业务是如何赚钱的？\n','\n程序员该学习什么，能在上学期间挣钱？\n','\n有哪些原本只是一个小消息，但回看发现是个惊天大新闻的例子？\n','\n如何评价今敏？\n','\n源氏是怎么把那么长的刀从背后拔出来的？\n','\n年轻时得了绝症或大病是怎样的感受？\n','\n年轻时得了绝症或大病是怎样的感受？\n']
我们发现，这里成功提取出了所有的问题内容。
抓取二进制数据
在上面的例子中，我们抓取的是知乎的一个页面，实际上它返回的是一个HTML文档。如果想抓去图片、音频、视频等文件，应该怎么办呢？
图片、音频、视频这些文件本质上都是由二进制码组成的，由于有特定的保存格式和对应的解析方式，我们才可以看到这些形形色色的多媒体。所以，想要抓取它们，就要拿到它们的二进制码。
下面以GitHub的站点图标为例来看一下：
importrequestsr=requests.get("https://github.com/favicon.ico")print(r.text)print(r.content)
这里抓取的内容是站点图标，也就是在浏览器每一个标签上显示的小图标，如图3-3所示。
图3-3 站点图标
这里打印了Response对象的两个属性，一个是text，另一个是content。
运行结果如图3-4所示，其中前两行是r.text的结果，最后一行是r.content的结果。
图3-4 运行结果
可以注意到，前者出现了乱码，后者结果前带有一个b，这代表是bytes类型的数据。由于图片是二进制数据，所以前者在打印时转化为str类型，也就是图片直接转化为字符串，这理所当然会出现乱码。
接着，我们将刚才提取到的图片保存下来：
importrequestsr=requests.get("https://github.com/favicon.ico")withopen('favicon.ico','wb')asf:f.write(r.content)
这里用了open()方法，它的第一个参数是文件名称，第二个参数代表以二进制写的形式打开，可以向文件里写入二进制数据。
运行结束之后，可以发现在文件夹中出现了名为favicon.ico的图标，如图3-5所示。
图3-5 图标
同样地，音频和视频文件也可以用这种方法获取。
添加headers
与urllib.request一样，我们也可以通过headers参数来传递头信息。
比如，在上面“知乎”的例子中，如果不传递headers，就不能正常请求：
importrequestsr=requests.get("https://www.zhihu.com/explore")print(r.text)
运行结果如下：
<html><body><h2>500ServerError</h2>Aninternalservererroroccured.</body></html>
但如果加上headers并加上User-Agent信息，那就没问题了：
importrequestsheaders={'User-Agent':'Mozilla/5.0(Macintosh;IntelMacOSX10_11_4)AppleWebKit/537.36(KHTML,likeGecko)Chrome/52.0.2743.116Safari/537.36'}r=requests.get("https://www.zhihu.com/explore",headers=headers)print(r.text)
当然，我们可以在headers这个参数中任意添加其他的字段信息。
4. POST请求
前面我们了解了最基本的GET请求，另外一种比较常见的请求方式是POST。使用requests实现POST请求同样非常简单，示例如下：
importrequestsdata={'name':'germey','age':'22'}r=requests.post("http://httpbin.org/post",data=data)print(r.text)
这里还是请求http://httpbin.org/post，该网站可以判断如果请求是POST方式，就把相关请求信息返回。
运行结果如下：
{"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"}
可以发现，我们成功获得了返回结果，其中form部分就是提交的数据，这就证明POST请求成功发送了。
5. 响应
发送请求后，得到的自然就是响应。在上面的实例中，我们使用text和content获取了响应的内容。此外，还有很多属性和方法可以用来获取其他信息，比如状态码、响应头、Cookies等。示例如下：
importrequestsr=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)
这里分别打印输出status_code属性得到状态码，输出headers属性得到响应头，输出cookies属性得到Cookies，输出url属性得到URL，输出history属性得到请求历史。
运行结果如下：
<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,27Aug201617:18:51GMT','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=xxxforwww.jianshu.com/>,<Cookiedefault_font=font2forwww.jianshu.com/>,<Cookieread_mode=dayforwww.jianshu.com/>]><class'str'>http://www.jianshu.com/<class'list'>[]
因为session_id过长，在此简写。可以看到，headers和cookies这两个属性得到的结果分别是CaseInsensitiveDict和RequestsCookieJar类型。
状态码常用来判断请求是否成功，而requests还提供了一个内置的状态码查询对象requests.codes，示例如下：
importrequestsr=requests.get('http://www.jianshu.com')exit()ifnotr.status_code==requests.codes.okelseprint('RequestSuccessfully')
这里通过比较返回码和内置的成功的返回码，来保证请求得到了正常响应，输出成功请求的消息，否则程序终止，这里我们用requests.codes.ok得到的是成功的状态码200。
那么，肯定不能只有ok这个条件码。下面列出了返回码和相应的查询条件：
#信息性状态码100:('continue',),101:('switching_protocols',),102:('processing',),103:('checkpoint',),122:('uri_too_long','request_uri_too_long'),#成功状态码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',),#重定向状态码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',),#These2toberemovedin3.0#客户端错误状态码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',),#服务端错误状态码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，如果想判断结果是不是404状态，可以用requests.codes.not_found来比对。
看完了这篇文章，相信你对python3爬虫的使用方法是什么有了一定的了解，想了解更多相关知识，欢迎关注亿速云行业资讯频道，感谢各位的阅读！
声明：本站所有文章资源内容，如无特殊说明或标注，均为采集网络资源。如若本站内容侵犯了原著者的合法权益，可联系本站删除。
