1. 程式人生 > >爬蟲開發python工具包介紹 (2)

爬蟲開發python工具包介紹 (2)

dir 部分 loop 網易 pat 選擇 服務器 mode follow

本文來自網易雲社區

作者:王濤


可選參數我們一一介紹一下:

參數釋義示例
params生成url中?號後面的查詢Key=value示例1:
>>>payload = {‘key1‘: ‘value1‘, ‘key2‘: ‘value2‘}
>>>r = requests.get("http://httpbin.org/get", params=payload)
查看結果:
>>> print(r.url)http://httpbin.org/get?key2=value2&key1=value1
示例2:
>>> param = ‘httpparams‘
>>> r = requests.get("http://httpbin.org/get",params=param)
>>> print r.urlhttp://httpbin.org/get?httpparams
data支持字典、列表、字符串。
post方法中常用,模擬html中的form表單
示例1:
>>> payload = {‘key1‘: ‘value1‘, ‘key2‘: ‘value2‘}
>>> r = requests.post("http://httpbin.org/post", data=payload)
>>> print(r.text)
{
...
    "form": {
    "key2": "value2",
    "key1": "value1"
    },
...
}
示例2:
>>> payload = ((‘key1‘, ‘value1‘), (‘key1‘, ‘value2‘))
>>> r = requests.post(‘http://httpbin.org/post‘, data=payload)
>>> print(r.text)
{
...
    "form": {
        "key1": [
            "value1",
            "value2"
            ]
    },
    ...
}
jsonpost時使用,傳遞json數據到服務端,
很多ajax請求是傳遞的json
示例1:
r = requests.post(url, json={"key":"value"}})
抓取的報文頭如下,content-type:application/json
技術分享圖片
headers自定義http頭,它會和request自己的缺省頭進行合並之後作為請求的header.
註意: 所有的 header 值必須是 string、bytestring 或者 unicode。
示例1:
r = requests.post(url,headers={"user-agent":"test"})


技術分享圖片
cookies可以通過cookies訪問應答裏的cookie,
也可以向服務器發送自定義的cookie.
通過自定義的cookie對象,還可以指定有效域等屬性
示例1:獲取應答中的cookie
>>> url =‘http://example.com/some/cookie/setting/url‘
>>> r = requests.get(url)
>>>r.cookies[‘example_cookie_name‘]
示例2: 向服務端發送cookie
>>> jar = requests.cookies.RequestsCookieJar()
>>> jar.set(‘tasty_cookie‘, ‘yum‘, domain=‘httpbin.org‘, path=‘/cookies‘)
>>> url = ‘‘
>>> r = requests.get(url, cookies=jar)
>>> r.text
‘{"cookies": {"tasty_cookie": "yum"}}‘
files上傳多部分編碼(multipart-encoded)文件示例1 :上傳一個文件
>>> url = ‘http://httpbin.org/post‘
>>> files = {‘file‘: open(‘report.xls‘, ‘rb‘)}
>>> r = requests.post(url, files=files)
示例2 : 顯示地設置文件名,文件類型和請求頭
>>> url = ‘http://httpbin.org/post‘
>>> files = {‘file‘: (‘report.xls‘, open(‘report.xls‘, ‘rb‘),
           ‘application/vnd.ms-excel‘, {‘Expires‘: ‘0‘})}
>>> r = requests.post(url, files=files)
auth支持多 HTTPBasicAuth/HTTPDigestAuth/HTTPProxyAuth 種認證示例1
>>>url = ‘http://httpbin.org/digest-auth/auth/user/pass‘
>>>requests.get(url, auth=HTTPDigestAuth(‘user‘, ‘pass‘))
抓包後,http頭如下:
GET http://httpbin.org/digest-auth/auth/user/pass HTTP/1.1
Host:httpbin.org
Connection: keep-alive
Accept-Encoding: gzip, deflate
Accept: /User-Agent: python-requests/2.12.4Authorization: Basic dXNlcjpwYXNz
timeout1 float:連接等待時間,只針對socket連接過程有效。 2 tuple:(connect timeout, read timeout)示例1:
>>> requests.get(‘http://github.com‘, timeout=0.001)
Traceback (most recent call last):
    File "", line 1, inrequests.exceptions.Timeout: 
    HTTPConnectionPool(host=‘github.com‘, port=80): 
        Request timed out. (timeout=0.001)
allow_redirects如果你使用的是GET、OPTIONS、POST、PUT、PATCH 或者 DELETE,
那麽你可以通過 allow_redirects 參數禁用重定向處理.
註:在爬蟲過程中,我們有些場景需要禁用跳轉,置為False,
默認True
示例1 收到3xx時,會主動跳轉訪問:
>>>r = requests.get(‘http://github.com‘, allow_redirects=False)
>>> r.status_code 
    301 
>>> r.history
    []
proxies配置代理信息,沒啥好講的.根據實際情況配置http,https代理示例1:
>>>proxies = {
    "http": "http://127.0.0.1:8888",
    "https": "https://127.0.0.1:8888",
}
>>>r=requests.get(url, headers=headers,proxies=proxies)
stream如果應答是流式的時候,需要把stream設置成true.註:需要調用主動關閉,否則連接不會釋放示例 1:下載百度圖片:
 import requests
from contextlib import closing
def download_image_improve():
    url = (‘‘
    ‘image&quality=80&size=b9999_10000‘
    ‘&sec=1504068152047&di=8b53bf6b8e5deb64c8ac726e260091aa&imgtype=0‘
    ‘&src=http%3A%2F%2Fpic.baike.soso.com%2Fp%2F‘
    ‘20140415%2Fbki-20140415104220-671149140.jpg‘)
    with closing(requests.get(url, stream=True,verify=False)) as response:
    # 這裏打開一個空的png文件,相當於創建一個空的txt文件,
    # wb表示寫文件 
        with open(‘selenium1.png‘, ‘wb‘) as file:
        #文件,這個文件最後寫入完成就是,selenium.png
            file.write(data)
verify默認值為True,即校驗服務端證書。 如果是字符串,則為CA_BUNDLE的路徑,即證書路徑。如果找不到證書, 可以用示例2中的Fiddler中的PEM替代,也可以安裝certifi包(自帶了一套requests信任的根證書) 個人理解:即瀏覽器訪問Https網站有時會提示需要信任證書的功能一樣。示例1:關閉證書驗證(推薦)
r=requests.get(url, verify=False)
示例2 :借用Fiddler轉換之後的PEM證書去訪問 中亞. FiddlerRoot.zip 下載地址:
http://nos.netease.com/knowledge/
2b99aacb-e9bf-42f7-8edf-0f8ca0326533?download=FiddlerRoot.zip
註: 證書中包含cer和pem兩種格式,建議先安裝信息cer證書。
當然你也可以自己安裝Fiddler,把Fiddler證書信任後,
導出cer格式,再使用
openssl x509 -inform der -in FiddlerRoot.cer -out FiddlerRoot.pem 轉換證書格式
headers = {
    "Host": "www.amazon.com",
    "Connection": "keep-alive",
    "Cache-Control": "max-age=0",
    "Upgrade-Insecure-Requests": "1",
    "User-Agent": ("Mozilla/5.0 (Windows NT 10.0; Win64; x64) "
                   "AppleWebKit/537.36 (KHTML, like Gecko) "
                   "Chrome/68.0.3440.106 Safari/537.36"),
    "Accept": ("text/html,application/xhtml+xml,"
               "application/xml;q=0.9,image/webp,image/apng,/;q=0.8"),
    "Accept-Encoding": "gzip, deflate, br",
    "Accept-Language": "zh-CN,zh;q=0.9,en;q=0.8"
}
print requests.get(‘https://www.amazon.com/‘, 
verify=r"FiddlerRoot.pem", headers=headers).content
cert類型: 字符串:代表ssl客戶端的cert文件(.pem)文件路徑 元組:(‘cert‘,‘key‘),verify給定的服務端證書, cert給定的是客戶端的證書(對於https雙向認證的情況)暫未測試過,暫未遇到過需要用這個字段的情況。感興趣的可以研究一下

三、tornado中的關鍵函數及參數

1 tornado 非阻塞的httpclient

tornado有兩種非阻塞的httpclient的實現,一個是SimpleAsyncHTTPClient,一個是CurlAsyncHTTPClient. 你可以調用它們的基類AsyncHTTPClient,通過AsyncHTTPClient.configure方法來選擇使用上面的哪一個實現,或者直接實例化上面的任意一個子類。缺省的是SimpleAsyncHTTPClient,雖然它已經能滿足絕大多數用戶的需求,但是我們選擇有更多優點的 CurlAsyncHTTPClient .

  • CurlAsyncHTTPClient 有更多特性支持,例如 代理設置,指定網絡出接口等

  • 對於那些與HTTP兼容不太好的網站,CurlAsyncHTTPClient也能兼容訪問,

  • CurlAsyncHTTPClient 更快

  • Tornado 2.0 版本之前,CurlAsyncHTTPClient是默認的。

2 tornado 關鍵函數、參數介紹

示例代碼(與前面類似):

@gen.coroutinedef fetch_url(url):
    """抓取url"""
    try:
        c = CurlAsyncHTTPClient()  # 定義一個httpclient
        req = HTTPRequest(url=url)  # 定義一個請求
        response = yield c.fetch(req)  # 發起請求
        print response.body
        IOLoop.current().stop()  # 停止ioloop線程
    except:        print traceback.format_exc()

可以看到,這個httpclient,使用起來也很方便。先創建一個HTTPRequest,然後調用HTTPClient的fetch方法來發起這個請求。
此處我們就看一下HTTPRequest的定義,看看有哪些關鍵參數是我們需要了解的。

class HTTPRequest(object):
    """HTTP client request object."""

    # Default values for HTTPRequest parameters.
    # Merged with the values on the request object by AsyncHTTPClient
    # implementations.
    _DEFAULTS = dict(
        connect_timeout=20.0,
        request_timeout=20.0,
        follow_redirects=True,
        max_redirects=5,
        decompress_response=True,
        proxy_password=‘‘,
        allow_nonstandard_methods=False,
        validate_cert=True)

    def __init__(self, url, method="GET", headers=None, body=None,
                 auth_username=None, auth_password=None, auth_mode=None,
                 connect_timeout=None, request_timeout=None,
                 if_modified_since=None, follow_redirects=None,
                 max_redirects=None, user_agent=None, use_gzip=None,
                 network_interface=None, streaming_callback=None,
                 header_callback=None, prepare_curl_callback=None,
                 proxy_host=None, proxy_port=None, proxy_username=None,
                 proxy_password=None, proxy_auth_mode=None,
                 allow_nonstandard_methods=None, validate_cert=None,
                 ca_certs=None, allow_ipv6=None, client_key=None,
                 client_cert=None, body_producer=None,
                 expect_100_continue=False, decompress_response=None,
                 ssl_options=None):
        r"""All parameters except ``url`` are optional.



網易雲免費體驗館,0成本體驗20+款雲產品!

更多網易研發、產品、運營經驗分享請訪問網易雲社區。


相關文章:
【推薦】 雲計算交互設計師的正確出裝姿勢
【推薦】 從細節處談Android冷啟動優化

爬蟲開發python工具包介紹 (2)