首页 / 爬虫 / 爬虫开发python工具包介绍 （2）
爬虫开发python工具包介绍 （2）
内容导读
互联网集市收集整理的这篇技术教程文章主要介绍了爬虫开发python工具包介绍 （2），小编现在分享给大家，供广大互联网技能从业者学习和参考。文章包含8488字，纯文字阅读大概需要13分钟。
内容图文
本文来自网易云社区
作者：王涛
可选参数我们一一介绍一下：
| 参数 | 释义 | 示例 |
| params | 生成url中?号后面的查询Key=value | 示例1： >>>payload = {'key1': 'value1', 'key2': 'value2'}
>>>r = requests.get("http://httpbin.org/get", params=payload)
查看结果:
>>> 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，模拟html中的form表单 | 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"
]
},
...
} |
| json | post时使用，传递json数据到服务端， 很多ajax请求是传递的json | 示例1：r = requests.post(url, json={"key":"value"}})抓取的报文头如下，content-type：application/json |
| headers | 自定义http头，它会和request自己的缺省头进行合并之后作为请求的header. 注意: 所有的 header 值必须是 string、bytestring 或者 unicode。 | 示例1： r = requests.post(url,headers={"user-agent":"test"}) |
| cookies | 可以通过cookies访问应答里的cookie, 也可以向服务器发送自定义的cookie. 通过自定义的cookie对象,还可以指定有效域等属性 | 示例1：获取应答中的cookie>>> url ='http://example.com/some/cookie/setting/url' >>> r = requests.get(url) >>>r.cookies['example_cookie_name']示例2: 向服务端发送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 | 上传多部分编码（multipart-encoded）文件 | 示例1 ：上传一个文件>>> url = 'http://httpbin.org/post'
>>> files = {'file': open('report.xls', 'rb')}
>>> r = requests.post(url, files=files)示例2 ： 显示地设置文件名，文件类型和请求头 >>> 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 种认证 | 示例1 >>>url = 'http://httpbin.org/digest-auth/auth/user/pass'
>>>requests.get(url, auth=HTTPDigestAuth('user', 'pass'))抓包后，http头如下： 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 |
| timeout | 1 float:连接等待时间，只针对socket连接过程有效。 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， 那么你可以通过 allow_redirects 参数禁用重定向处理. 注：在爬虫过程中，我们有些场景需要禁用跳转,置为False, 默认True | 示例1 收到3xx时，会主动跳转访问： >>>r = requests.get('http://github.com', allow_redirects=False)
>>> r.status_code
301
>>> r.history
[] |
| proxies | 配置代理信息，没啥好讲的.根据实际情况配置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 | 如果应答是流式的时候，需要把stream设置成true.注：需要调用主动关闭，否则连接不会释放 | 示例 1：下载百度图片: 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:
# 这里打开一个空的png文件，相当于创建一个空的txt文件,
# wb表示写文件
with open('selenium1.png', 'wb') as file:
#文件，这个文件最后写入完成就是，selenium.png
file.write(data) |
| verify | 默认值为True，即校验服务端证书。 如果是字符串，则为CA_BUNDLE的路径，即证书路径。如果找不到证书， 可以用示例2中的Fiddler中的PEM替代，也可以安装certifi包（自带了一套requests信任的根证书） 个人理解：即浏览器访问Https网站有时会提示需要信任证书的功能一样。 | 示例1：关闭证书验证（推荐） r=requests.get(url, verify=False)示例2 :借用Fiddler转换之后的PEM证书去访问 中亚. FiddlerRoot.zip 下载地址： http://nos.netease.com/knowledge/ 2b99aacb-e9bf-42f7-8edf-0f8ca0326533?download=FiddlerRoot.zip 注: 证书中包含cer和pem两种格式，建议先安装信息cer证书。 当然你也可以自己安装Fiddler，把Fiddler证书信任后， 导出cer格式，再使用 openssl x509 -inform der -in FiddlerRoot.cer -out FiddlerRoot.pem 转换证书格式 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 | 类型： 字符串：代表ssl客户端的cert文件（.pem）文件路径 元组:('cert','key'),verify给定的服务端证书， cert给定的是客户端的证书（对于https双向认证的情况） | 暂未测试过，暂未遇到过需要用这个字段的情况。感兴趣的可以研究一下 |
三、tornado中的关键函数及参数
1 tornado 非阻塞的httpclient
tornado有两种非阻塞的httpclient的实现,一个是SimpleAsyncHTTPClient，一个是CurlAsyncHTTPClient. 你可以调用它们的基类AsyncHTTPClient，通过AsyncHTTPClient.configure方法来选择使用上面的哪一个实现，或者直接实例化上面的任意一个子类。缺省的是SimpleAsyncHTTPClient,虽然它已经能满足绝大多数用户的需求，但是我们选择有更多优点的 CurlAsyncHTTPClient .
CurlAsyncHTTPClient 有更多特性支持，例如 代理设置，指定网络出接口等
对于那些与HTTP兼容不太好的网站，CurlAsyncHTTPClient也能兼容访问，
CurlAsyncHTTPClient 更快
Tornado 2.0 版本之前，CurlAsyncHTTPClient是默认的。
2 tornado 关键函数、参数介绍
示例代码(与前面类似）：
@gen.coroutinedef fetch_url(url): """抓取url""" try: c = CurlAsyncHTTPClient() # 定义一个httpclient req = HTTPRequest(url=url) # 定义一个请求 response = yield c.fetch(req) # 发起请求 print response.body IOLoop.current().stop() # 停止ioloop线程 except: print traceback.format_exc()
可以看到，这个httpclient，使用起来也很方便。先创建一个HTTPRequest,然后调用HTTPClient的fetch方法来发起这个请求。
此处我们就看一下HTTPRequest的定义，看看有哪些关键参数是我们需要了解的。
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.
网易云免费体验馆，0成本体验20+款云产品！
更多网易研发、产品、运营经验分享请访问网易云社区。
相关文章：
【推荐】 云计算交互设计师的正确出装姿势
【推荐】 从细节处谈Android冷启动优化
内容总结
以上是互联网集市为您收集整理的爬虫开发python工具包介绍 （2）全部内容，希望文章能够帮你解决爬虫开发python工具包介绍 （2）所遇到的程序开发问题。 如果觉得互联网集市技术教程内容还不错，欢迎将互联网集市网站推荐给程序员好友。
内容备注
版权声明：本文内容由互联网用户自发贡献，该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容， 请发送邮件至 gblab@vip.qq.com 举报，一经查实，本站将立刻删除。
内容手机端
扫描二维码推送至手机访问。
来源：【匿名】