python爬虫基础知识

爬虫爬取策略

1.广度优先：在抓取过程中，在完成当前层次的搜索后，才进行下一层次的搜索。

2.最佳优先：只访问经过网页分析算法预测为“有用”的网页

3.深度优先：可能会陷入trapped问题

DOM(Document Object Model)

中文名文档主题模型，DOM将HTML文档表达为树结构，定义了访问和操作HTML文档的标准

Cookie

由服务器端生成，发送给User-Agent（一般为浏览器），之后浏览器会将Cookie的key/value保存到某个目录下的文本文件内，下次访问同一网站时就发送该Cookie给服务器（当然，前提是浏览器设置为启用Cookie）

Urllib2库的一些常用函数

urlopen（url,data,timeout）

--第一个参数url为URL

--第二个参数data是访问URL时要传送的数据

--第三个参数timeout是设置超时时间，也就是设置一个阈值，当超过该阈值时，不继续访问该网址

read()

--可以返回获取到的网页内容

下面我们看个例子：

import urllib2response = urllib2.urlopen("http://www.baidu.com")print response.read()

也可以换种写法：

import urllib2request = urllib2.Request("http://www.baidu.com")response = urllib2.urlopen(request)print response.read()

这里的urlopen方法的参数可以传入一个request请求（其实就是一个Request类的实例），两种写法都可以

HTTP定义了与服务器交互的不同方式

-- GET 【获取/查询】: 直接以链接形式访问，链接中包括了所有的参数

-- POST【更新】：把提交的数据放置在是HTTP包的包体中

下面看个POST的例子：

import urllibimport urllib2values = {"username": "[e-mail]","password": "xxx"}data = urllib.urlencode(values)url = "https://passport.csdn.net/account/login?xxx = yyyy"request = urllib2.Request(url,data)response = urllib2.urlopen(request)print response.read()

Headers设置

-- User-Agent：部分服务器或Proxy会通过该值来判断是否是浏览器发出的请求

-- Content-Type：在使用REST接口时，服务器会检查该值，用来确定HTTP Body中的内容该怎么解析

-- application/xml：在XML RPC，如RESTful/SOAP调用时使用

-- application/x-www.form-urlencoded：浏览器提交Web表单时使用

Urllib与Urllib2之间的区别

-- urllib2可以接受一个Request类的实例来设置URL请求的headers, urllib只可以接受URL，这样的话，就不可以伪装自己的User Agent字符串等

-- urllib提供urlencode方法来GET查询字符串的产生，而urllib2没有，这就是为什么urllib经常和urllib2一起使用的原因（urlencode方法，可以把key-value这样的键值对转化成我们想要的格式，返回的是

    a=1&b=2这样的字符串

下面看一个例子：

import urllib import urllib2 url = 'http://www.zhihu.com/login' user_agent = 'Mozila/5.0(compatible;MSIE 5.5;WindowsNT)' values = {'username' :'Lee','password':'XXXX'} headers = {'User-Agent':user-agent} data = urllib.rulencode(values) request = urllib2.Request(url,data,headers) response = urllib2.urlopen(request) page = response.read()

requests库

-- requests库用起来更加便捷，下面看一个例子：

>>> import requests>>> url = 'http://example/com/'>>> response  = requests.get(url)>>> response.status_code200>>>response.headers['content-type']'text/html; charset=utf-8'>>>response.contentu'Hello,world!'

发送请求

-- r = requests.get('https://github.com/timeline.json')  【GET】

-- r = requests.post("http://httpbin.org/post")  【POST】

为URL传递参数

>>>payload = {'key1':'value1','key2':'value2'}>>>r = requests.get("http://httpbin.org/get",params=payload)>>>print r.urlu'http://httpbin.org/get?key2=value2&key1=value1'

响应内容

>>>r = requests.get('https://github.com/timeline.json')>>>print r.text'[{"repository":{"open_issues":0,"url":"https://github.com/...

响应状态码

>>>r = requests.get('http://httpbin.org/get')>>>print r.status_code200 [OK] OR 403 [禁止访问]

响应头

>>>print r.headers>>>print r.headers['Content-Type'] 'application/json;charset=utf-8'

cookies

>>>print r.cookies['example_cookie_name']

超时

>>requests.get('http://github.com',timeout=0.001)

错误与异常

-- Requests异常一般都继承于requests.exceptions.RequestException

--遇到网络问题（DNS查询失败，拒绝连接等）时，Requests会抛出一个ConnectionError异常

-- 若请求超时，则抛出一个Timeout异常

-- 遇到罕见的无效HTTP响应时，Requests则会抛出一个HTTPError异常

--若请求超过了舍得的最大重定向次数，则会抛出一个TooManyRedirects异常

正则表达式(regular expression)

-- 描述了一种字符串匹配的模式，可以用来检查一个串是否含有某种子串，将匹配的子串替换或者从某个串中取出符合某个条件的子串等

Lxml

-- 是一个强大的处理HTML与XML的python库

------未完待续