python爬虫下载文本是乱码 python爬虫下载文献

转载

字节小舞神 2024-08-11 07:31:33

文章标签 python爬虫下载文本是乱码 python IP 代理服务器服务器 文章分类 Python 后端开发

文章目录

request方法
get方法
POST方法

高级操作

获取cookies
会话保持
使用代理

request方法

request方法用于构造一个请求，可以是get\post\put等任意一种,参数列举如下：

url：请求 URL
params：请求参数，字典类型，常用于发送 GET 请求时使用
timeout：超时时间 ，整数类型
headers：设置请求头
auth：指定登陆时的账号和密码，元祖类型
verify:请求网站时是否需要验证，布尔类型
proxies:设置代理
cookies：cookies 值
allow_redirects：布尔值，默认为Ture，重定向开关
stream：布尔值，默认为True，为True时会先下载响应头，当Reponse调用content方法时才下载响应体
cert：传入客户端的SSL证书，为字符串时应是 SSL 客户端证书文件的路径(.pem格式，文件路径包含密钥和证书)，如果是元组，就应该是一个(‘cert’, ‘key’) 二元值对。

get方法

get方法主要是浏览器以get方法从客户端向服务端进行发送数据包

import requests
import json
url = 'https://www.taobao.com/'
response = requests.get(url=url)
#返回响应信息的URL
print(response.url)
print('------------------')
#返回响应的状态码
print(response.status_code)
print('----------------')
#返回响应的编码形式
print(response.encoding)
print('----------------------')
#返回响应的cookies信息
print(response.cookies)
print('-------------------')
#返回响应头
print(response.headers)
print('----------------------')
#返回byte响应体
print(response.content)
print('-------------------------')
#返回str的响应体
print(response.text)
#返回dict类型的响应体
print(response.json())

POST方法

post一般是客户端向服务端发送表单时使用该方法。注意：get类型传参是用params，post类型传参是用data。

import requests
url =''
headers = {
}
data ={
name:A
age:19
}
response = request.post(url=url,data=data,headers=headers)
print(response.text)

post返回的response参数和get的一样
post也可以来上传文件

import reuqests
url = ''
headers={}
files = {'file':open('1.txt','rb')}
r=requests.post(url=url,headers=headers,files=files)
print(r.text)

高级操作

获取cookies

import requests

r = requests.get('https://www.zhihu.com')
cookies = r.cookies
print(cookies)
print('\n')
for key,value in cookies:
    print(key+':'+value)

会话保持

requests库的session会话对象，可以保存一些cookie等参数，减少登录次数

#模拟淘宝登陆
import requests
url='https://login.taobao.com/member/login.jhtml?redirectURL=https%3A%2F%2Fai.taobao.com%2F%3Fpid%3Dmm_26632323_6762370_25910879'
headers={'user-agent':'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/78.0.3904.108 Safari/537.36'}
formdata={'TPL_username':'fsdafdfasf','TPL_password':'fsadfasf'}
se=requests.session() #建立session会话
ss=se.post(url=url,headers=headers,data=formdata) #发送post请求
if ss.status_code==200: #判断登陆状态
  print('登录成功')
else:
  print('登录失败')

使用代理

先说为什么要使用代理服务器，使用有效的代理IP地址

我们在做爬虫的过程中经常会遇到这样的情况，最初爬虫正常运行，正常抓取数据，一切看起来都是那么美好，然而一杯茶的功夫可能就会出现错误，比如403
Forbidden，这时候打开网页一看，可能会看到“您的IP访问频率太高”这样的提示。出现这种现象的原因是网站采取了一些反爬虫措施。比如，服务器会检测某个IP在单位时间内的请求次数，如果超过了这个阈值，就会直接拒绝服务，返回一些错误信息，这种情况可以称为封IP。 既然服务器检测的是某个IP单位时间的请求次数，那么借助某种方式来伪装我们的IP，让服务器识别不出是由我们本机发起的请求，不就可以成功防止封IP了吗？ 一种有效的方式就是使用葵芳IP代理，目前大的的爬虫代理服务商，后面会详细说明代理的用法。在这之前，需要先了解下代理的基本原理，它是怎样实现IP伪装的呢？
1.
基本原理
代理实际上指的就是代理服务器，英文叫作proxy
server，它的功能是代理网络用户去取得网络信息。形象地说，它是网络信息的中转站。在我们正常请求一个网站时，是发送了请求给Web服务器，Web服务器把响应传回给我们。如果设置了代理服务器，实际上就是在本机和服务器之间搭建了一个桥，此时本机不是直接向Web服务器发起请求，而是向代理服务器发出请求，请求会发送给代理服务器，然后由代理服务器再发送给Web服务器，接着由代理服务器再把Web服务器返回的响应转发给本机。这样我们同样可以正常访问网页，但这个过程中Web服务器识别出的真实IP就不再是我们本机的IP了，就成功实现了IP伪装，这就是代理的基本原理。
2.
代理的作用
那么，代理有什么作用呢？我们可以简单列举如下。 突破自身IP访问限制，访问一些平时不能访问的站点。 访问一些单位或团体内部资源：比如使用教育网内地址段免费代理服务器，就可以用于对教育网开放的各类FTP下上传，以及各类资料查询共享等服务。 提高访问速度：通常代理服务器都设置一个较大的硬盘缓冲区，当有外界的信息通过时，同时也将其保存到缓冲区中，当其他用户再访问相同的信息时，则直接由缓冲区中取出信息，传给用户，以提高访问速度。 隐藏真实IP：上网者也可以通过这种方法隐藏自己的IP，免受攻击。对于爬虫来说，我们用代理就是为了隐藏自身IP，防止自身的IP被封锁。
3.
代理分类(1)
根据协议区分
根据代理的协议，代理可以分为如下类别。 FTP代理服务器：主要用于访问FTP服务器，一般有上传、下以及缓存功能，端口一般为21、2121
等。 HTTP代理服务器：主要用于访问网页，一般有内容过滤和缓存功能，端口一般为80、8080、3128
等。 SSL / TLS代理：主要用于访问加密网站，一般有SSL或TLS加密功能（高的支持128位加密强度），端口一般为443。 RTSP代理：主要用于访问Real流媒体服务器，一般有缓存功能，端口一般为554。 Telnet代理：主要用于telnet远程控制（黑客 ** 计算机时常用于隐藏身份），端口一般为23。 POP3 / SMTP代理：主要用于POP3 / SMTP方式收发邮件，一般有缓存功能，端口一般为110 / 25。 SOCKS代理：只是单纯传递数据包，不关心具体协议和用法，所以速度快很多，一般有缓存功能，端口一般为1080。 SOCKS代理协议又分为SOCKS4和SOCKS5，前者只支持TCP，而后者支持TCP和UDP，还支持各种身份验证机制、服务器端域名解析等。简单来说，SOCK4能做到的SOCKS5都可以做到，但SOCKS5能做到的SOCK4不一定能做到。 (
    2)
根据匿名程度区分
根据代理的匿名程度，代理可以分为如下类别。 高度匿名代理：会将数据包原封不动地转发，在服务端看来就好像真的是一个普通客户端在访问，而记录的IP是代理服务器的IP。 普通匿名代理：会在数据包上做一些改动，服务端上有可能发现这是个代理服务器，也有一定几率追查到客户端的真实IP。代理服务器通常会加入的HTTP头有HTTP_VIA和HTTP_X_FORWARDED_FOR。 透明代理：不但改动了数据包，还会告诉服务器客户端的真实IP。这种代理除了能用缓存技术提高浏览速度，能用内容过滤提高安全性之外，并无其他显著作用，最常见的例子是内网中的硬件防火墙。 间谍代理：指组织或个人创建的用于记录用户传输的数据，然后进行研究、监控等目的的代理服务器。

有效代码：

import requests
import random
def getResponse(url):
    headers = {
        'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/68.0.3440.75 Safari/537.36',
        'Connection': 'keep-alive',
        'Accept-language': 'zh-CN,zh;q=0.9',
        'Accept-encoding': 'gzip, deflate, br',
        'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,image/apng,*/*;q=0.8',
        'Upgrade-insecure-requests': "1"
    }
    # 设置代理ip
    porxy_list = [
        {"http": "http://121.237.148.95:3000"}, {"http": "http://1.202.116.62:8118"},
        {"http": "http://218.75.102.198:8000"},
        {"http": "http://49.83.243.248:8118"}, {"http": "http://39.137.69.7:8080"},
        {"http": "http://221.180.170.104:8080"},
        {"http": "https://101.4.136.34:81"},
    ]
    proxy = random.choice(porxy_list)
    print(proxy)
    response = requests.get(url, headers=headers, proxies=proxy,timeout=2)
    if response.status_code==requests.codes.ok:  # 响应状态码是200 或者Requests还附带了一个内置的状态码查询对象
        return response.text
    return None
url = 'https://www.taobao.com/'

本文章为转载内容，我们尊重原作者对文章享有的著作权。如有内容错误或侵权问题，欢迎原作者联系我们进行内容更正或删除文章。