热门标签 | HotTags
当前位置:  开发笔记 > 编程语言 > 正文

Python爬虫之Requests库爬取海量图片!数据都是钱啊

Requests是一个Python的HTTP客户端库。Request支持HTTP连接保持和连接池,支持使用cookie保持会话,支持文件上传ÿ

Requests 是一个 Python 的 HTTP 客户端库。

Request支持HTTP连接保持和连接池,支持使用COOKIE保持会话,支持文件上传,支持自动响应内容的编码,支持国际化的URL和POST数据自动编码。

在python内置模块的基础上进行了高度的封装从而使得python进行网络请求时,变得人性化,使用Requests可以轻而易举的完成浏览器可有的任何操作。 现代,国际化,友好 。

目录

一、Requests基础

二、发送请求与接收响应(基本GET请求)

三、发送请求与接收响应(基本POST请求)

四、response属性

五、代理

六、COOKIE和session

七、案例


一、Requests基础


1.安装Requests库

pip install requests

2.使用Requests库

import requests

二、发送请求与接收响应(基本GET请求)

response = requests.get(url)

1.传送 parmas参数


  • 参数包含在url中

response = requests.get("http://httpbin.org/get?name=zhangsan&age=22")
print(response.text)


  • 通过get方法传送参数

data = {"name": "zhangsan","age": 30}
response = requests.get("http://httpbin.org/get", params=data)
print(response.text)

2.模拟发送请求头(传送headers参数)

headers = {"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/76.0.3809.100 Safari/537.36"
}
response = requests.get("http://httpbin.org/get", headers=headers)
print(response.text)

三、发送请求与接收响应(基本POST请求)

response = requests.post(url, data = data, headers=headers)

四、response属性

 


五、代理

proxies = {"http": "https://175.44.148.176:9000","https": "https://183.129.207.86:14002"
}
response = requests.get("https://www.baidu.com/", proxies=proxies)

六、COOKIE和session


  • 使用的COOKIE和session好处:很多网站必须登录之后(或者获取某种权限之后)才能能够请求到相关数据。
  • 使用的COOKIE和session的弊端:一套COOKIE和session往往和一个用户对应.请求太快,请求次数太多,容易被服务器识别为爬虫,从而使账号收到损害。

1.不需要COOKIE的时候尽量不去使用COOKIE。

2.为了获取登录之后的页面,我们必须发送带有COOKIEs的请求,此时为了确保账号安全应该尽量降低数据

采集速度。


1.COOKIE


(1)获取COOKIE信息

response.COOKIEs

2.session


(1)构造session回话对象

session = requests.session()

示例:

def login_renren():login_url = 'http://www.renren.com/SysHome.do'headers = {"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/76.0.3809.100 Safari/537.36"}session = requests.session()login_data = {"email": "账号","password": "密码"}response = session.post(login_url, data=login_data, headers=headers)response = session.get("http://www.renren.com/971909762/newsfeed/photo")print(response.text)login_renren()

七、案例

 


案例1:百度贴吧页面爬取(GET请求)

import requests
import sysclass BaiduTieBa:def __init__(self, name, pn, ):self.name = nameself.url = "http://tieba.baidu.com/f?kw={}&ie=utf-8&pn={}".format(name, pn)self.headers = {# "User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/76.0.3809.100 Safari/537.36"# 使用较老版本的请求头,该浏览器不支持js"User-Agent": "Mozilla/4.0 (compatible; MSIE 5.01; Windows NT 5.0)"}self.url_list = [self.url + str(pn*50) for pn in range(pn)]print(self.url_list)def get_data(self, url):"""请求数据:param url::return:"""response = requests.get(url, headers=self.headers)return response.contentdef save_data(self, data, num):"""保存数据:param data::param num::return:"""file_name = "./pages/" + self.name + "_" + str(num) + ".html"with open(file_name, "wb") as f:f.write(data)def run(self):for url in self.url_list:data = self.get_data(url)num = self.url_list.index(url)self.save_data(data, num)if __name__ == "__main__":name = sys.argv[1]pn = int(sys.argv[2])baidu = BaiduTieBa(name, pn)baidu.run()

案例2:金山词霸翻译(POST请求)

import requests
import sys
import jsonclass JinshanCiBa:def __init__(self, words):self.url = "http://fy.iciba.com/ajax.php?a=fy"self.headers = {"User-Agent": "Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/58.0.3029.110 Safari/537.36 SE 2.X MetaSr 1.0","X-Requested-With": "XMLHttpRequest"}self.post_data = {"f": "auto","t": "auto","w": words}def get_data(self):"""请求数据:param url::return:"""response = requests.post(self.url, data=self.post_data, headers=self.headers)return response.textdef show_translation(self):"""显示翻译结果:param data::param num::return:"""response = self.get_data()json_data = json.loads(response, encoding='utf-8')if json_data['status'] == 0:translation = json_data['content']['word_mean']elif json_data['status'] == 1:translation = json_data['content']['out']else:translation = Noneprint(translation)def run(self):self.show_translation()if __name__ == "__main__":words = sys.argv[1]ciba = JinshanCiBa(words)ciba.run()


案例3:百度贴吧图片爬取


(1)普通版

从已下载页面中提取url来爬取图片(页面下载方法见案例1)

from lxml import etree
import requestsclass DownloadPhoto:def __init__(self):passdef download_img(self, url):response = requests.get(url)index = url.rfind('/')file_name = url[index + 1:]print("下载图片:" + file_name)save_name = "./photo/" + file_namewith open(save_name, "wb") as f:f.write(response.content)def parse_photo_url(self, page):html = etree.parse(page, etree.HTMLParser())nodes = html.xpath("//a[contains(@class, 'thumbnail')]/img/@bpic")print(nodes)print(len(nodes))for node in nodes:self.download_img(node)if __name__ == "__main__":download = DownloadPhoto()for i in range(6000):download.parse_photo_url("./pages/校花_{}.html".format(i))

(2)多线程版

main.py

import requests
from lxml import etreefrom file_download import DownLoadExecutioner, file_downloadclass XiaoHua:def __init__(self, init_url):self.init_url = init_urlself.download_executioner = DownLoadExecutioner()def start(self):self.download_executioner.start()self.download_img(self.init_url)def download_img(self, url):html_text = file_download(url, type='text')html = etree.HTML(html_text)img_urls = html.xpath("//a[contains(@class,'thumbnail')]/img/@bpic")self.download_executioner.put_task(img_urls)# 获取下一页的连接next_page = html.xpath("//div[@id='frs_list_pager']/a[contains(@class,'next')]/@href")next_page = "http:" + next_page[0]self.download_img(next_page)if __name__ == '__main__':x = XiaoHua("http://tieba.baidu.com/f?kw=校花&ie=utf-8")x.start()

file_download.py

import requests
import threading
from queue import Queuedef file_download(url, type='content'):headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64; Trident/7.0; rv:11.0) like Gecko'}r = requests.get(url, headers=headers)if type == 'text':return r.textreturn r.contentclass DownLoadExecutioner(threading.Thread):def __init__(self):super().__init__()self.q = Queue(maxsize=50)# 图片保存目录self.save_dir = './img/'# 图片计数self.index = 0def put_task(self, urls):if isinstance(urls, list):for url in urls:self.q.put(url)else:self.q.put(urls)def run(self):while True:url = self.q.get()content = file_download(url)# 截取图片名称index = url.rfind('/')file_name = url[index+1:]save_name = self.save_dir + file_namewith open(save_name, 'wb+') as f:f.write(content)self.index += 1print(save_name + "下载成功! 当前已下载图片总数:" + str(self.index))

(3)线程池版

main.py

import requests
from lxml import etreefrom file_download_pool import DownLoadExecutionerPool, file_downloadclass XiaoHua:def __init__(self, init_url):self.init_url = init_urlself.download_executioner = DownLoadExecutionerPool()def start(self):self.download_img(self.init_url)def download_img(self, url):html_text = file_download(url, type='text')html = etree.HTML(html_text)img_urls = html.xpath("//a[contains(@class,'thumbnail')]/img/@bpic")self.download_executioner.put_task(img_urls)# 获取下一页的连接next_page = html.xpath("//div[@id='frs_list_pager']/a[contains(@class,'next')]/@href")next_page = "http:" + next_page[0]self.download_img(next_page)if __name__ == '__main__':x = XiaoHua("http://tieba.baidu.com/f?kw=校花&ie=utf-8")x.start()

file_download_pool.py

import requests
import concurrent.futures as futuresdef file_download(url, type='content'):headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64; Trident/7.0; rv:11.0) like Gecko'}r = requests.get(url, headers=headers)if type == 'text':return r.textreturn r.contentclass DownLoadExecutionerPool():def __init__(self):super().__init__()# 图片保存目录self.save_dir = './img_pool/'# 图片计数self.index = 0# 线程池self.ex = futures.ThreadPoolExecutor(max_workers=30)def put_task(self, urls):if isinstance(urls, list):for url in urls:self.ex.submit(self.save_img, url)else:self.ex.submit(self.save_img, urls)def save_img(self, url):content = file_download(url)# 截取图片名称index = url.rfind('/')file_name = url[index+1:]save_name = self.save_dir + file_namewith open(save_name, 'wb+') as f:f.write(content)self.index += 1print(save_name + "下载成功! 当前已下载图片总数:" + str(self.index))

作者:Recalcitrant

链接: https://www.jianshu.com/p/140... 是一个 Python 的 HTTP 客户端库。

Request支持HTTP连接保持和连接池,支持使用COOKIE保持会话,支持文件上传,支持自动响应内容的编码,支持国际化的URL和POST数据自动编码。

在python内置模块的基础上进行了高度的封装,从而使得python进行网络请求时,变得人性化,使用Requests可以轻而易举的完成浏览器可有的任何操作。现代,国际化,友好。

requests会自动实现持久连接keep-alive

目录

一、Requests基础

二、发送请求与接收响应(基本GET请求)

三、发送请求与接收响应(基本POST请求)

四、response属性

五、代理

六、COOKIE和session

七、案例


一、Requests基础


1.安装Requests库

pip install requests

2.使用Requests库

import requests

二、发送请求与接收响应(基本GET请求)

response = requests.get(url)

1.传送 parmas参数


  • 参数包含在url中

response = requests.get("http://httpbin.org/get?name=zhangsan&age=22")
print(response.text)


  • 通过get方法传送参数

data = {"name": "zhangsan","age": 30}
response = requests.get("http://httpbin.org/get", params=data)
print(response.text)

2.模拟发送请求头(传送headers参数)

headers = {"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/76.0.3809.100 Safari/537.36"
}
response = requests.get("http://httpbin.org/get", headers=headers)
print(response.text)

三、发送请求与接收响应(基本POST请求)

response = requests.post(url, data = data, headers=headers)

四、response属性

属性描述response.text获取str类型(Unicode编码)的响应response.content获取bytes类型的响应response.status_code获取响应状态码response.headers获取响应头response.request获取响应对应的请求


五、代理

proxies = {"http": "https://175.44.148.176:9000","https": "https://183.129.207.86:14002"
}
response = requests.get("https://www.baidu.com/", proxies=proxies)

六、COOKIE和session


  • 使用的COOKIE和session好处:很多网站必须登录之后(或者获取某种权限之后)才能能够请求到相关数据。
  • 使用的COOKIE和session的弊端:一套COOKIE和session往往和一个用户对应.请求太快,请求次数太多,容易被服务器识别为爬虫,从而使账号收到损害。

1.不需要COOKIE的时候尽量不去使用COOKIE。

2.为了获取登录之后的页面,我们必须发送带有COOKIEs的请求,此时为了确保账号安全应该尽量降低数据

采集速度。


1.COOKIE


(1)获取COOKIE信息

response.COOKIEs

2.session


(1)构造session回话对象

session = requests.session()

示例:

def login_renren():login_url = 'http://www.renren.com/SysHome.do'headers = {"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/76.0.3809.100 Safari/537.36"}session = requests.session()login_data = {"email": "账号","password": "密码"}response = session.post(login_url, data=login_data, headers=headers)response = session.get("http://www.renren.com/971909762/newsfeed/photo")print(response.text)login_renren()

七、案例

 


案例1:百度贴吧页面爬取(GET请求)

import requests
import sysclass BaiduTieBa:def __init__(self, name, pn, ):self.name = nameself.url = "http://tieba.baidu.com/f?kw={}&ie=utf-8&pn={}".format(name, pn)self.headers = {# "User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/76.0.3809.100 Safari/537.36"# 使用较老版本的请求头,该浏览器不支持js"User-Agent": "Mozilla/4.0 (compatible; MSIE 5.01; Windows NT 5.0)"}self.url_list = [self.url + str(pn*50) for pn in range(pn)]print(self.url_list)def get_data(self, url):"""请求数据:param url::return:"""response = requests.get(url, headers=self.headers)return response.contentdef save_data(self, data, num):"""保存数据:param data::param num::return:"""file_name = "./pages/" + self.name + "_" + str(num) + ".html"with open(file_name, "wb") as f:f.write(data)def run(self):for url in self.url_list:data = self.get_data(url)num = self.url_list.index(url)self.save_data(data, num)if __name__ == "__main__":name = sys.argv[1]pn = int(sys.argv[2])baidu = BaiduTieBa(name, pn)baidu.run()

案例2:金山词霸翻译(POST请求)

import requests
import sys
import jsonclass JinshanCiBa:def __init__(self, words):self.url = "http://fy.iciba.com/ajax.php?a=fy"self.headers = {"User-Agent": "Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/58.0.3029.110 Safari/537.36 SE 2.X MetaSr 1.0","X-Requested-With": "XMLHttpRequest"}self.post_data = {"f": "auto","t": "auto","w": words}def get_data(self):"""请求数据:param url::return:"""response = requests.post(self.url, data=self.post_data, headers=self.headers)return response.textdef show_translation(self):"""显示翻译结果:param data::param num::return:"""response = self.get_data()json_data = json.loads(response, encoding='utf-8')if json_data['status'] == 0:translation = json_data['content']['word_mean']elif json_data['status'] == 1:translation = json_data['content']['out']else:translation = Noneprint(translation)def run(self):self.show_translation()if __name__ == "__main__":words = sys.argv[1]ciba = JinshanCiBa(words)ciba.run()

案例3:百度贴吧图片爬取


(1)普通版

从已下载页面中提取url来爬取图片(页面下载方法见案例1)

from lxml import etree
import requestsclass DownloadPhoto:def __init__(self):passdef download_img(self, url):response = requests.get(url)index = url.rfind('/')file_name = url[index + 1:]print("下载图片:" + file_name)save_name = "./photo/" + file_namewith open(save_name, "wb") as f:f.write(response.content)def parse_photo_url(self, page):html = etree.parse(page, etree.HTMLParser())nodes = html.xpath("//a[contains(@class, 'thumbnail')]/img/@bpic")print(nodes)print(len(nodes))for node in nodes:self.download_img(node)if __name__ == "__main__":download = DownloadPhoto()for i in range(6000):download.parse_photo_url("./pages/校花_{}.html".format(i))

(2)多线程版

main.py

import requests
from lxml import etreefrom file_download import DownLoadExecutioner, file_downloadclass XiaoHua:def __init__(self, init_url):self.init_url = init_urlself.download_executioner = DownLoadExecutioner()def start(self):self.download_executioner.start()self.download_img(self.init_url)def download_img(self, url):html_text = file_download(url, type='text')html = etree.HTML(html_text)img_urls = html.xpath("//a[contains(@class,'thumbnail')]/img/@bpic")self.download_executioner.put_task(img_urls)# 获取下一页的连接next_page = html.xpath("//div[@id='frs_list_pager']/a[contains(@class,'next')]/@href")next_page = "http:" + next_page[0]self.download_img(next_page)if __name__ == '__main__':x = XiaoHua("http://tieba.baidu.com/f?kw=校花&ie=utf-8")x.start()

file_download.py

import requests
import threading
from queue import Queuedef file_download(url, type='content'):headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64; Trident/7.0; rv:11.0) like Gecko'}r = requests.get(url, headers=headers)if type == 'text':return r.textreturn r.contentclass DownLoadExecutioner(threading.Thread):def __init__(self):super().__init__()self.q = Queue(maxsize=50)# 图片保存目录self.save_dir = './img/'# 图片计数self.index = 0def put_task(self, urls):if isinstance(urls, list):for url in urls:self.q.put(url)else:self.q.put(urls)def run(self):while True:url = self.q.get()content = file_download(url)# 截取图片名称index = url.rfind('/')file_name = url[index+1:]save_name = self.save_dir + file_namewith open(save_name, 'wb+') as f:f.write(content)self.index += 1print(save_name + "下载成功! 当前已下载图片总数:" + str(self.index))

(3)线程池版

main.py

import requests
from lxml import etreefrom file_download_pool import DownLoadExecutionerPool, file_downloadclass XiaoHua:def __init__(self, init_url):self.init_url = init_urlself.download_executioner = DownLoadExecutionerPool()def start(self):self.download_img(self.init_url)def download_img(self, url):html_text = file_download(url, type='text')html = etree.HTML(html_text)img_urls = html.xpath("//a[contains(@class,'thumbnail')]/img/@bpic")self.download_executioner.put_task(img_urls)# 获取下一页的连接next_page = html.xpath("//div[@id='frs_list_pager']/a[contains(@class,'next')]/@href")next_page = "http:" + next_page[0]self.download_img(next_page)if __name__ == '__main__':x = XiaoHua("http://tieba.baidu.com/f?kw=校花&ie=utf-8")x.start()

file_download_pool.py

import requests
import concurrent.futures as futuresdef file_download(url, type='content'):headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64; Trident/7.0; rv:11.0) like Gecko'}r = requests.get(url, headers=headers)if type == 'text':return r.textreturn r.contentclass DownLoadExecutionerPool():def __init__(self):super().__init__()# 图片保存目录self.save_dir = './img_pool/'# 图片计数self.index = 0# 线程池self.ex = futures.ThreadPoolExecutor(max_workers=30)def put_task(self, urls):if isinstance(urls, list):for url in urls:self.ex.submit(self.save_img, url)else:self.ex.submit(self.save_img, urls)def save_img(self, url):content = file_download(url)# 截取图片名称index = url.rfind('/')file_name = url[index+1:]save_name = self.save_dir + file_namewith open(save_name, 'wb+') as f:f.write(content)self.index += 1print(save_name + "下载成功! 当前已下载图片总数:" + str(self.index))

完整项目代码获取点这里


推荐阅读
  • Python + Pytest 接口自动化测试中 Token 关联登录的实现方法
    本文将深入探讨 Python 和 Pytest 在接口自动化测试中如何实现 Token 关联登录,内容详尽、逻辑清晰,旨在帮助读者掌握这一关键技能。 ... [详细]
  • Python处理Word文档的高效技巧
    本文详细介绍了如何使用Python处理Word文档,涵盖从基础操作到高级功能的各种技巧。我们将探讨如何生成文档、定义样式、提取表格数据以及处理超链接和图片等内容。 ... [详细]
  • 1.如何在运行状态查看源代码?查看函数的源代码,我们通常会使用IDE来完成。比如在PyCharm中,你可以Ctrl+鼠标点击进入函数的源代码。那如果没有IDE呢?当我们想使用一个函 ... [详细]
  • Python自动化处理:从Word文档提取内容并生成带水印的PDF
    本文介绍如何利用Python实现从特定网站下载Word文档,去除水印并添加自定义水印,最终将文档转换为PDF格式。该方法适用于批量处理和自动化需求。 ... [详细]
  • Python 异步编程:ASGI 服务器与框架详解
    自 Python 3.5 引入 async/await 语法以来,异步编程迅速崛起,吸引了大量开发者的关注。本文将深入探讨 ASGI(异步服务器网关接口)及其在现代 Python Web 开发中的应用,介绍主流的 ASGI 服务器和框架。 ... [详细]
  • 本文详细介绍如何使用Python进行配置文件的读写操作,涵盖常见的配置文件格式(如INI、JSON、TOML和YAML),并提供具体的代码示例。 ... [详细]
  • 技术分享:从动态网站提取站点密钥的解决方案
    本文探讨了如何从动态网站中提取站点密钥,特别是针对验证码(reCAPTCHA)的处理方法。通过结合Selenium和requests库,提供了详细的代码示例和优化建议。 ... [详细]
  • 深入理解Tornado模板系统
    本文详细介绍了Tornado框架中模板系统的使用方法。Tornado自带的轻量级、高效且灵活的模板语言位于tornado.template模块,支持嵌入Python代码片段,帮助开发者快速构建动态网页。 ... [详细]
  • 本文详细介绍了如何使用Python编写爬虫程序,从豆瓣电影Top250页面抓取电影信息。文章涵盖了从基础的网页请求到处理反爬虫机制,再到多页数据抓取的全过程,并提供了完整的代码示例。 ... [详细]
  • 掌握远程执行Linux脚本和命令的技巧
    本文将详细介绍如何利用Python的Paramiko库实现远程执行Linux脚本和命令,帮助读者快速掌握这一实用技能。通过具体的示例和详尽的解释,让初学者也能轻松上手。 ... [详细]
  • 5G至4G空闲态移动TAU流程解析
    本文详细解析了用户从5G网络移动到4G网络时,在空闲态下触发的跟踪区更新(TAU)流程。通过N26接口实现无缝迁移,确保用户体验不受影响。 ... [详细]
  • 根据最新发布的《互联网人才趋势报告》,尽管大量IT从业者已转向Python开发,但随着人工智能和大数据领域的迅猛发展,仍存在巨大的人才缺口。本文将详细介绍如何使用Python编写一个简单的爬虫程序,并提供完整的代码示例。 ... [详细]
  • 本文介绍如何使用 Python 的 xlrd 库读取 Excel 文件,并将其数据处理后存储到数据库中。通过实际案例,详细讲解了文件路径、合并单元格处理等常见问题。 ... [详细]
  • 本文介绍了如何利用Python进行批量图片尺寸调整,包括放大和等比例缩放。文中提供了详细的代码示例,并解释了每个步骤的具体实现方法。 ... [详细]
  • Python 工具推荐 | PyHubWeekly 第二十一期:提升命令行体验的五大工具
    本期 PyHubWeekly 为大家精选了 GitHub 上五个优秀的 Python 工具,涵盖金融数据可视化、终端美化、国际化支持、图像增强和远程 Shell 环境配置。欢迎关注并参与项目。 ... [详细]
author-avatar
豆芽哥的马甲_206
这个家伙很懒,什么也没留下!
PHP1.CN | 中国最专业的PHP中文社区 | DevBox开发工具箱 | json解析格式化 |PHP资讯 | PHP教程 | 数据库技术 | 服务器技术 | 前端开发技术 | PHP框架 | 开发工具 | 在线工具
Copyright © 1998 - 2020 PHP1.CN. All Rights Reserved | 京公网安备 11010802041100号 | 京ICP备19059560号-4 | PHP1.CN 第一PHP社区 版权所有