Python网络爬虫与信息提取的示例分析

这篇文章主要介绍了Python网络爬虫与信息提取的示例分析，具有一定借鉴价值，感兴趣的朋友可以参考下，希望大家阅读完这篇文章之后大有收获，下面让小编带着大家一起了解一下。

创新互联主要从事成都做网站、网站设计、网页设计、企业做网站、公司建网站等业务。立足成都服务应县,10多年网站建设经验,价格优惠、服务专业,欢迎来电咨询建站服务:028-86922220

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")

感谢你能够认真阅读完这篇文章，希望小编分享的“Python网络爬虫与信息提取的示例分析”这篇文章对大家有帮助，同时也希望大家多多支持创新互联，关注创新互联行业资讯频道，更多相关知识等着你来学习!

分享文章：Python网络爬虫与信息提取的示例分析
本文网址：http://cdiso.cn/article/pshcge.html