- 实例1：直接爬取网页
- 实例2 ： 构造headers，突破访问限制，模拟浏览器爬取网页
- 实例3 ： 分析请求参数，构造请求参数爬取所需网页
- 实例4： 爬取图片
- 实例5： 分析请求参数，构造请求参数爬取所需信息
实例1：京东商品页面的爬取
现在我们利用requests库爬取这个页面的商品信息
首先引入requests库
import requests
然后爬取页面
r =requests.get("https://item.jd.com/4645290.html")
然后我们测试状态码,编码和内容
r.status_code
r.encoding
r.text[:1000]
到此，说明我们已经成功利用requests库获取到了商品页面的信息。
完整的爬取代码
import requests
url = "https://item.jd.com/4645290.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")
实例2 ： 亚马逊商品页面爬取
我们选取如下界面进行爬取
首先，我们按照之前的步骤进行爬取
引入requests库，然后get，判断status_code
r = requests.get("https://www.amazon.cn/dp/B0011F7WU4/ref=s9_acss_bw_cg_JAVA_1a1_w?m=A1AJ19PSB66TGU&pf_rd_m=A1U5RCOVU0NYF2&pf_rd_s=merchandised-search-6&pf_rd_r=D9MK8AMFACZGHMFJGRXP&pf_rd_t=101&pf_rd_p=f411a6d2-b2c5-4105-abd9-69dbe8c05f1c&pf_rd_i=1899860071")
r.status_code
显示503，说明服务器错误，
503 （服务不可用） 服务器目前无法使用（由于超载或停机维护）。 通常，这只是暂时状态。
我们查看编码发现
r.encoding
'ISO-8859-1'
我们需要转换编码
r.encoding = r.apparent_encoding
然后显示爬取内容，发现
发现出现了错误。
网页告诉我们出现了错误，但只要我们正确获取到了网页的内容，就说明网路方面肯定是没有错误的。这说明亚马逊对爬虫有限制，一般对爬虫限制的话，就是robots协议，其中还可以对访问对象进行限制，限制只能通过相应的浏览器访问，而限制爬虫的访问。
我们通过request.header查看我们发给亚马逊的请求头部到底是什么内容
我们看到信息中的user-agent的信息是python。这说明我们的程序诚实的告诉亚马逊，这个程序是python的requests库发起的请求。
亚马逊的服务器看到这是个爬虫请求，所以就返回错误的信息。
那么我们如何才能访问呢？
我们都知道requests库可以更改请求的头部信息，我们可以模拟一个浏览器的请求
我们构造一个键值对
kv = {'user-agent':'Mozilla/5.0'}
url = "https://www.amazon.cn/dp/B0011F7WU4/ref=s9_acss_bw_cg_JAVA_1a1_w?m=A1AJ19PSB66TGU&pf_rd_m=A1U5RCOVU0NYF2&pf_rd_s=merchandised-search-6&pf_rd_r=D9MK8AMFACZGHMFJGRXP&pf_rd_t=101&pf_rd_p=f411a6d2-b2c5-4105-abd9-69dbe8c05f1c&pf_rd_i=1899860071"
r = requests.get(url, headers = kv)
我们查看状态码，发现为200，说明这一次成功获取到了页面的内容
完整的爬取代码
import requests
url = "https://www.amazon.cn/dp/B0011F7WU4/ref=s9_acss_bw_cg_JAVA_1a1_w?m=A1AJ19PSB66TGU&pf_rd_m=A1U5RCOVU0NYF2&pf_rd_s=merchandised-search-6&pf_rd_r=D9MK8AMFACZGHMFJGRXP&pf_rd_t=101&pf_rd_p=f411a6d2-b2c5-4105-abd9-69dbe8c05f1c&pf_rd_i=1899860071"
try:
kv = {'user-agent':'Mozilla/5.0'}
r = requests.get(url, headers = kv)
r.raise_for_status()
r.encoding = r.apparent_encoding
print(r.text[1000:2000])
except:
print("爬取失败")
实例3： 百度/360搜索关键词提交爬虫
搜索关键词提交的接口：
https://www.baidu.com/s?ie=UTF-8&wd=keyword
通过requests的params参数，构造查询参数
完整的代码
import requests
keyword = "刘德华"
url = "http://www.baidu.com/s?ie=UTF-8"
try:
kv = {"wd":keyword}
r = requests.get(url, params = kv)
print(r.request.url)
r.raise_for_status()
print(len(r.text))
print(r.text)
except:
print("爬取失败")
实例4 网络图片的爬取和存储
网络中图片连接的格式
http://www.example.com/picture.jpg
假设我们现在要爬取
http://www.nationalgeographic.com.cn/
图片连接:
http://image.nationalgeographic.com.cn/2015/0121/20150121033625957.jpg
完整的爬取代码：
import requests
import os
url = "http://image.nationalgeographic.com.cn/2015/0121/20150121033625957.jpg"
root = "D://pics//"
path = root + url.split('/')[-1]
try:
if not os.path.exists(root):
os.mkdir(root)
if not os.path.exists(path):
r = requests.get(url)
with open(path,'wb') as f:
f.write(r.content)
f.close()
print("文件保存成功")
else :
print("文件已存在")
except:
print("爬取失败")
实例5 IP地址归属地查询
此网站可以查询IP地址归属地
http://m.ip138.com/ip.asp
我们分析它请求的过程，发现它的请求接口就是在地址后附加参数，类似于百度搜索
http://m.ip138.com/ip.asp?ip=125.220.159.160
所以我们可以构造查询参数，发送给服务器，然后获取返回的结果
完整代码
import requests
url = "http://m.ip138.com/ip.asp?"
ip = "125.220.159.160"
kv = {"ip":ip}
try:
r = requests.get(url, params = kv)
r.raise_for_status()
r.encoding = r.apparent_encoding
print(r.text)
except:
print("爬取失败")
