目录
一、Http响应与请求
HTTP是一种客户端-服务器协议,通信的双方分别是客户端和服务器。客户端发送HTTP请求,服务器接收并处理请求后返回HTTP响应。
1、Http请求
HTTP请求由请求行、请求头部、空行和请求数据(如POST请求时的表单数据)组成。
- 请求行包含请求方法、请求的URL和协议版本。常见的请求方法包括GET、POST、PUT、DELETE等。
- 请求头部包含关于客户端和请求的其他信息,如User-Agent、Accept、Content-Type等。
- 空行用于分隔请求头部和请求数据。
- 请求数据通常用于POST请求,包含提交的数据。
请求示例:
POST /api/users HTTP/1.1
Host: www.example.com
User-Agent: Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/91.0.4472.124 Safari/537.36
Accept: application/json
Content-Type: application/json
Content-Length: 27
{
"name": "John",
"age": 30
}
请求行:POST /api/users HTTP/1.1
请求头:包含Host、User-Agent、Accept、Content-Type、Content-Length等
空行:请求头和请求体之间的空行
请求体:JSON数据
2、Http响应
HTTP响应由状态行、响应头部、空行和响应数据组成。
- 状态行包含协议版本、状态码和状态消息。状态码指示了请求的处理结果,如200表示成功,404表示未找到资源,500表示服务器内部错误等。
- 响应头部包含服务器和响应的其他信息,如Server、Content-Type、Content-Length等。
- 空行用于分隔响应头部和响应数据。
- 响应数据包含服务器返回的数据,如HTML、JSON等。
假设服务器返回一个简单的HTML页面,响应可能如下:
HTTP/1.1 200 OK
Date: Sun, 02 Jun 2024 10:20:30 GMT
Server: Apache/2.4.41 (Ubuntu)
Content-Type: text/html; charset=UTF-8
Content-Length: 137
Connection: keep-alive
<!DOCTYPE html>
<html>
<head>
<title>Example Page</title>
</head>
<body>
<h1>Hello, World!</h1>
<p>This is a sample HTML page.</p>
</body>
</html>
状态行:HTTP/1.1 200 OK
响应头:包含Date、Server、Content-Type、Content-Length、Connection等
空行:响应头和响应体之间的空行
响应体:包含HTML代码
3、状态码
HTTP状态码指示了服务器对请求的处理结果。常见的状态码包括:
- 1xx:信息响应,表示请求已接收,继续处理。
- 2xx:成功,表示请求已成功被服务器接收、理解、并接受。
- 3xx:重定向,表示需要进一步操作以完成请求。
- 4xx:客户端错误,表示服务器无法处理请求。
- 5xx:服务器错误,表示服务器在处理请求时发生了错误。
二、Requests库
Python的Requests库是一个非常强大且易于使用的HTTP库。
在使用之前,需要先安装Requests库:pip install requests
1、发起GET请求
GET请求用于从服务器请求数据。使用Requests库发起GET请求非常简单:
python
import requests
# 发起GET请求
response = requests.get('https://news.baidu.com')
# 检查响应状态码
if response.status_code == 200:
# 打印响应内容
print(response.text)
else:
print(f"请求失败,状态码:{response.status_code}")
2、发起POST请求
POST请求用于向服务器提交数据。例如,需要登录的网站通常使用POST请求提交用户名和密码。使用Requests库发起POST请求的方法如下:
python
import requests
# 定义要发送的数据
data = {
'username': '123123123',
'password': '1231231312'
}
# 发起POST请求
response = requests.post('https://passport.bilibili.com/x/passport-login/web/login', data=data)
# 检查响应状态码
if response.status_code == 200:
# 打印响应内容
print(response.text)
else:
print(f"请求失败,状态码:{response.status_code}")
3、处理请求头
在有些网站(例如豆瓣),不让爬虫有反爬取机制,需要设置HTTP请求头和参数,来伪装成浏览器通过身份验证。
python
import requests
response = requests.get("https://movie.douban.com/top250")
if response.ok:
print(response.text)
else:
print("请求失败:" + str(response.status_code))
例如,上面的代码,没有设置请求头,豆瓣就拒绝让我们访问。
我们可用随便进入网站,随便找个现成的User-Agent,放到我们的请求头里。
python
import requests
headers = {
"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/125.0.0.0 Safari/537.36 Edg/125.0.0.0"
}
response = requests.get("https://movie.douban.com/top250", headers=headers)
print(response.text)
这样,就能访问豆瓣,并且获取该网页的内容了。
三、BeautifulSoup库
BeautifulSoup 是一个用于解析 HTML 和 XML 文档的 Python 库,尤其适用于从网页中提取数据。
在使用之前,需要安装BeautifulSoup 库:pip install beautifulsoup4
1、解析HTML文档
html.parser
是Python内置的解析器,适用于大多数场景。以上面的豆瓣为例。
python
import requests
from bs4 import BeautifulSoup
headers = {
"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/125.0.0.0 Safari/537.36 Edg/125.0.0.0"
}
response = requests.get("https://movie.douban.com/top250", headers=headers)
html = response.text
# 使用html.parser来解析HTML内容
soup = BeautifulSoup(html, "html.parser")
2、查找和提取数据
BeautifulSoup提供了多种方法来查找和提取HTML文档中的数据。
BeautifulSoup常用方法:
find(tag, attributes)
: 查找第一个符合条件的标签。find_all(tag, attributes)
: 查找所有符合条件的标签。select(css_selector)
: 使用CSS选择器查找符合条件的标签。get_text()
: 获取标签内的文本内容。attrs
: 获取标签的属性字典。
Ⅰ、查找单个元素
find
方法用于查找第一个符合条件的元素。例如,查找页面中的第一个标题:
python
title = soup.find("span", class_="title")
print(title.string)
Ⅱ、查找所有元素
findAll
方法用于查找所有符合条件的元素。例如,查找页面中的所有标题:
python
all_titles = soup.findAll("span", class_="title")
for title in all_titles:
print(title.string)
Ⅲ、使用CSS选择器
select
方法允许使用CSS选择器来查找元素。例如,查找所有标题:
python
all_titles = soup.select("span.title")
for title in all_titles:
print(title.get_text())
Ⅳ、获取元素属性
可以使用attrs
属性获取元素的属性字典。例如,获取所有图片的URL:
python
all_images = soup.findAll("img")
for img in all_images:
print(img['src'])
四、爬取豆瓣电影榜
电影标题:HTML的标签名是:span,指定元素的 class 属性是 title
评分:HTML标签是:span,指定元素的class属性是rating_num
python
import requests
from bs4 import BeautifulSoup
headers = {
"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/125.0.0.0 Safari/537.36 Edg/125.0.0.0"
}
response = requests.get(f"https://movie.douban.com/top250", headers=headers)
html = response.text
soup = BeautifulSoup(html, "html.parser")
# 获取所有电影
all_movies = soup.find_all("div", class_="item")
for movie in all_movies:
# 获取电影标题
titles = movie.find_all("span", class_="title")
for title in titles:
title_string = title.get_text()
if "/" not in title_string:
movie_title = title_string
# 获取电影评分
rating_num = movie.find("span", class_="rating_num").get_text()
# 输出电影标题和评分
print(f"电影: {movie_title}, 评分: {rating_num}")
爬取成功了,但是爬取的内容只有第一页,后面的内容没有爬取成功。分析上面的url连接,每个页面通过URL中的start
参数进行分页。
python
import requests
from bs4 import BeautifulSoup
headers = {
"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/125.0.0.0 Safari/537.36 Edg/125.0.0.0"
}
for start_num in range(0, 250, 25):
response = requests.get(f"https://movie.douban.com/top250?start={start_num}", headers=headers)
html = response.text
soup = BeautifulSoup(html, "html.parser")
# 获取所有电影条目
all_movies = soup.find_all("div", class_="item")
for movie in all_movies:
# 获取电影标题
titles = movie.find_all("span", class_="title")
for title in titles:
title_string = title.get_text()
if "/" not in title_string:
movie_title = title_string
# 获取电影评分
rating_num = movie.find("span", class_="rating_num").get_text()
# 输出电影标题和评分
print(f"电影: {movie_title}, 评分: {rating_num}")