python 爬虫开发基础知识

发布时间：2020-07-16 16:28:32 作者：weady
来源：网络阅读：267

Request
请求方式常用的有get post
请求的url
第一部分是协议(或称为服务方式)
第二部分是存有该资源的主机IP地址(有时也包括端口号)
第三部分是主机资源的具体地址，如目录和文件名等
请求头包含请求时的头部信息，如User-Agent,Host,Cookies等信息
请求体请求时携带的数据，如提交表单数据时候的表单数据
Response
所有HTTP响应的第一行都是状态行，依次是当前HTTP版本号，3位数字组成的状态代码，以及描述状态的短语，彼此由空格分隔
相应状态有多种响应状态，如：200代表成功，301跳转，404找不到页面，502服务器错误
响应头如内容类型，类型的长度，服务器信息，设置Cookie
响应体最主要的部分，包含请求资源的内容，如网页HTMl,图片，二进制数据等
3.URL解析
urlparse
from urllib.parse import urlparse
result = urlparse("http://www.baidu.com/index.html;user?id=5#comment")
urlencode 这个方法可以将字典转换为url参数
urlencode(params) params 是字典格式
4.Requests是用python语言基于urllib编写的
response.text会出现乱码的问题，所以这个使用response.content
这样返回的数据格式其实是二进制格式，然后通过decode()转换为utf-8，这样就解决了通过response.text直接返回显示乱码的问题.
Requests模块允许使用params关键字传递参数，以一个字典来传递这些参数
response = requests.get("http://httpbin.org/get",params=data)
response = requests.post("http://httpbin.org/post",data=data)
文件上传
files= {"files":open("git.jpeg","rb")}
response = requests.post("http://httpbin.org/post",files=files)
获取cookie response.cookies
证书验证
from requests.packages import urllib3
urllib3.disable_warnings()
response = requests.get("https://www.12306.cn",verify=False)
代理设置
requests.get("https://www.baidu.com",proxies=proxies)
认证设置
response = requests.get("http://120.27.34.24:9001/",auth=HTTPBasicAuth("user","123"))
异常
所有的异常方法都在requests.exceptions，使用时根据需要进行引入即可

python 爬虫开发基础知识

相关阅读