• 实例1：直接爬取网页
• 实例2 ： 构造headers，突破访问限制，模拟浏览器爬取网页
• 实例3 ： 分析请求参数，构造请求参数爬取所需网页
• 实例4： 爬取图片
• 实例5： 分析请求参数，构造请求参数爬取所需信息

实例1：京东商品页面的爬取

现在我们利用requests库爬取这个页面的商品信息

首先引入requests库

 import requests

然后爬取页面

r 

然后我们测试状态码,编码和内容

r.status_code
r.encoding
r.text[:1000]

到此，说明我们已经成功利用requests库获取到了商品页面的信息。

完整的爬取代码

import requests
url = 
try:
    r = requests.get(url)
    r.raise_for_status()
    r.encoding = r.apparent_encoding
    print(r.text[:1000])
except:
    print("爬取失败")

实例2 ： 亚马逊商品页面爬取

我们选取如下界面进行爬取

首先，我们按照之前的步骤进行爬取
引入requests库，然后get，判断status_code

r = 
r.status_code

显示503，说明服务器错误，
503 （服务不可用） 服务器目前无法使用（由于超载或停机维护）。 通常，这只是暂时状态。

我们查看编码发现

r.encoding
'ISO-8859-1'

我们需要转换编码

r.encoding = r.apparent_encoding

然后显示爬取内容，发现

发现出现了错误。

网页告诉我们出现了错误，但只要我们正确获取到了网页的内容，就说明网路方面肯定是没有错误的。这说明亚马逊对爬虫有限制，一般对爬虫限制的话，就是robots协议，其中还可以对访问对象进行限制，限制只能通过相应的浏览器访问，而限制爬虫的访问。

我们通过request.header查看我们发给亚马逊的请求头部到底是什么内容

我们看到信息中的user-agent的信息是python。这说明我们的程序诚实的告诉亚马逊，这个程序是python的requests库发起的请求。
亚马逊的服务器看到这是个爬虫请求，所以就返回错误的信息。

那么我们如何才能访问呢？
我们都知道requests库可以更改请求的头部信息，我们可以模拟一个浏览器的请求

我们构造一个键值对

kv = {'user-agent':'Mozilla/5.0'}
url = 
r = requests.get(url, headers = kv)

我们查看状态码，发现为200，说明这一次成功获取到了页面的内容

完整的爬取代码

import requests
url = 
try:
    kv = {'user-agent':'Mozilla/5.0'}
    r = requests.get(url, headers = kv)
    r.raise_for_status()
    r.encoding = r.apparent_encoding
    print(r.text[1000:2000])
except:
    print("爬取失败")

实例3： 百度/360搜索关键词提交爬虫

搜索关键词提交的接口：

通过requests的params参数，构造查询参数

完整的代码

import requests

keyword = "刘德华"
url = 

try:
    kv = {"wd":keyword}
    r = requests.get(url, params = kv)
    print(r.request.url)
    r.raise_for_status()
    print(len(r.text))
    print(r.text)
except:
    print("爬取失败")

实例4 网络图片的爬取和存储

网络中图片连接的格式

假设我们现在要爬取

图片连接:

完整的爬取代码：

import requests
import os

url = 
root = "D://pics//"
path = root + url.split('/')[-1]

try:
    if not os.path.exists(root):
        os.mkdir(root)
    if not os.path.exists(path):
        r = requests.get(url)
        with open(path,'wb') as f:
            f.write(r.content)
            f.close()
            print("文件保存成功")
    else :
        print("文件已存在")
except:
    print("爬取失败")

实例5 IP地址归属地查询

我们分析它请求的过程，发现它的请求接口就是在地址后附加参数，类似于百度搜索

所以我们可以构造查询参数，发送给服务器，然后获取返回的结果

完整代码

import requests
url = 
ip = "125.220.159.160"
kv = {"ip":ip}

try:
    r = requests.get(url, params = kv)
    r.raise_for_status()
    r.encoding = r.apparent_encoding
    print(r.text)
except:
    print("爬取失败")