一个网络爬虫的编写主要可以分为三个部分:

1.获取网页

2.提取信息

3.分析信息

本文主要介绍第一部分,如何用Python内置的库urllib和第三方库requests库来完成网页的获取。阅读完本文后,读者将能利用这2个库获取一个网页的HTML代码。

但是首先,我们需要一点网络方面的基本知识,才能更好的理解爬虫。

为此,读者应该理解以下知识:

1.什么是HTTP,HTTP报文及其格式

2.请求报文的几种方法

3.header(首部)常用字段

4.HTTP如何保存会话信息,cookie和session

 本文第一部分网络基础会讨论这些问题

一、网络基础

1.什么是HTTP,HTTP报文及其格式

超文本传输协议(HTTP,HyperText Transfer Protocol)位于OSI四层模型中的应用层协议。设计该协议的主要目的就是为了HTML的发送和接收。它基于TCP/IP协议。一次完整的HTTP事务包含以下过程:

1)当我们在浏览器输入网址后,首先经过DNS服务器,解析域名,得到我们要获取的服务器IP,端口,已经资源的路径

2)TCP三次握手,建立连接

3)客户端发起HTTP请求报文

4)服务器接受到客户端的请求报文,返回一个响应报文

5)浏览器收到响应报文,解析HTML,CSS

 

HTTP报文的三个组成部分(起始行,首部,主体)。

起始行和首部是ASCII文本。每行用CRLF作为终止(回车ASCII13和换行ASCII10)主体是可选数据块,可包含文本或二进制数据,也可为空。

报文主要分为请求报文和响应报文。

请求报文格式

<method><request-URL><version>
<headers>

<entity-body>

响应报文格式

<version><status><reason-phrase>
<headers>

<entity-body>

一个获取gif图的例子:

GET /specials/saw-blade.git HTTP/1.0
Host: www.joes-hardware.com

HTTP/1.0 200 OK
Content-Type: image/git
Content-Length: 8572
  • method:客户端希望服务器对资源执行的动作。GET/HEAD/POST
  • request-URL:命名了所请求的资源。
  • version:格式看起来是这样的 HTTP/.
  • status-code:三位数字描述了请求所发生的情况
  • reason-phrase:原因短语,数字状态码的可读版本。只对人类有意义,还是以status-code为准
  • header:可有0个或多个。每个首部包含:一个名字,冒号,一个可选的空格,值,最后是一个CRLF。一组HTTP首部应该总以一个空行(单个CRLF)结束。
  • entity-body:由任意数据组成的数据块。如果不包含实体的主题部分,以一个CRLF结束

 

 2.请求报文的几种方法

GET是HTTP的默认请求方式

POST一般用来上传文件或表单

HEAD获取某个URI响应头信息,基本与GET相同但是不返回响应主体。

PUT通过提供的URI获取到特定的内容主体,如果存在则修改内容,如果不存在则创建。

DELETE通过URI删除指定内容TRACE返回接受到的请求,用来查看数据经过中间服务器时发生了哪些变动

OPTIONS返回给定URL支持的所有HTTP方法

CONNECT要求使用SSL和TLS进行TCP通信

PATCH请求修改局部数据

Python爬虫对GET和POST方法使用的较多。

 

3.header(首部)常用字段

Accept

Accept-Encoding

Accept-Language

Connection

Host

Cache-control

User-Agent

Upgrade-Insecure-Requests

Cookies

Referer

Accept-Charset

If-Modified-Since

Pragma

Range

 

4.HTTP如何保存会话信息,cookie和session

HTTP是一种无状态的协议。

假设我们登陆一个网站,填完用户名和密码,然后点击提交按钮,浏览器发送了一个POST请求给服务器。服务器去查找数据库,比对用户名和密码成功后,返回一个响应报文,登陆成功,这一次HTTP事务结束。等用户再次发送一个请求,服务器也收到了这个请求,但是因为HTTP的无状态,服务器无法分辨这个报文是来自谁的。

所以,为了能够让服务器知道这个请求的发送者和上次发送POST请求的发送者是同一个,我们需要标识用户的身份,来方便服务器辨认。

 对于服务器而言,我们需要有一个保存上下文的机制。session正是这样一种机制。对于每个用户产生的信息,服务器会以变量的方式保存下来,而每个用户都有一个ID,我们称为sessionID。

但是仅有服务器的sessionID是没用的。就像你去图书馆借书,图书馆有你借书证的信息,但你没带借书证,就无法证明自己的身份信息。同样,客户端要证明自己的身份,就需要在请求报文中包含sessionID。对此,我们有以下几种方式。一种是URL重写,直接在URL中包含sessionID;一种是在表单中设置一个隐藏字段,将sessionID放在隐藏字段中提交表单,还有一种就是使用cookie。

和session放在服务器相对,cookie作为一段数据储存在本地客户端。服务器在生成sessionID后,会再响应报文中包含set-cookie字段。客户端从中解析出cookie信息。之后在发请求报文时,将cookie加在报文里面发出去,服务器就能辨认这个请求报文的发送者是谁了。

 

二、urllib库和requests库的使用

1.urllib库

urllib是Python3中的内置库,将Python2中的urllib和urllib2合二为一。

urllib有四个重要属性:error,parser,request,response

下面介绍一些比较常用的方法:

urllib.request.urlopen

def urlopen(url, data=None, timeout=socket._GLOBAL_DEFAULT_TI
            MEOUT,*, cafile=None, capath=None, 
            cadefault=False, context=None):
    pass

 data参数常用在POST请求,是一个byte object.我们可以先写成字典格式,然后用urllib.parse.urlencode()转换

timeout是超时时间,单位是秒

该函数返回一个类文件对象。该对象有如下常用方法:

read:读出html

geturl:返回url,常用来看是否重定向

info:返回元信息,例如headers

getcode:返回HTTP状态码

 

urllib.request.Request

class Request:
    def __init__(self, url, data=None, headers={},
                 origin_req_host=None, unverifiable=False,
                 method=None):

 headers用来写头部信息如user-agent,来伪装成浏览器发出的请求。

一个例子:

from urllib import request, error, parse


try:
    headers = {'Accept':'text/html, application/xhtml+xml, image/jxr, */*',
               'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64; Trident/7.0; rv:11.0) like Gecko',
               'Accept-Language': 'zh-Hans-CN,zh-Hans;q=0.5'}
    value = {'source':'index_nav',
            'form_email':'user',  #这里是豆瓣用户名
            'form_password':'passwd'}  #这里是密码
    data = parse.urlencode(value).encode('utf-8')
    req = request.Request('https://www.douban.com', headers=headers, data=data)
    res = request.urlopen(req)
    print(res.read().decode('utf-8'))

except error.HTTPError as e:
    print('http error.')
except error.URLError as e:
    print('url error')

 

 

urllib.error.HTTPError和urllib.error.URLError

from urllib import request, error


try:
    header = {'user-agent': r'Mozilla/5.0 (Windows NT 10.0; Win64; x64; rv:58.0) Gecko/20100101 Firefox/58.0'}
    req = request.Request('http://www.baidu.com', headers = header)
    res = request.urlopen(req)
    print(res.read().decode('utf-8'))
except error.HTTPError as e:
    print('http error.')
except error.URLError as e:
    print('url error.')

 

urllib.request.proxyHandle

设置代理ip信息。用以下代码替换urlopen

    # 创建代理字典
    proxy={'http':'115.2.332.1:8081'}
    # 使用ProxyHandler方法生成处理器对象
    proxy_handler=request.ProxyHandler(proxy)
    # 创建代理IP的opener实例
    opener=request.build_opener(proxy_handler)
    html = opener.open(req)

 

 

 

2.requests库

 requests库是第三方库,需要安装。如果你有pip工具,可以执行‘pip install requests’安装

 

 

 

参考资料:

《HTTP权威指南》

“解读爬虫中HTTP的秘密”

Requests文档