爬蟲開發python工具包介紹 （2）

本文來自網易雲社區

做者：王濤

可選參數咱們一一介紹一下：

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方法中經常使用，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"             ]     },     ... }
json	post時使用，傳遞json數據到服務端， 不少ajax請求是傳遞的json	示例1： r = requests.post(url, json={"key":"value"}}) 抓取的報文頭以下，content-type：application/json
headers	自定義http頭，它會和request本身的缺省頭進行合併以後做爲請求的header. 注意: 全部的 header 值必須是 string、bytestring 或者 unicode。	示例1： r = requests.post(url,headers={"user-agent":"test"})
cookies	能夠經過cookies訪問應答裏的cookie, 也能夠向服務器發送自定義的cookie. 經過自定義的cookie對象,還能夠指定有效域等屬性	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頭以下： 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:鏈接等待時間，只針對socket鏈接過程有效。 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	若是你使用的是GET、OPTIONS、POST、PUT、PATCH 或者 DELETE， 那麼你能夠經過 allow_redirects 參數禁用重定向處理. 注：在爬蟲過程當中，咱們有些場景須要禁用跳轉,置爲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.根據實際狀況配置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	若是應答是流式的時候，須要把stream設置成true.注：須要調用主動關閉，不然鏈接不會釋放	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，至關於建立一個空的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	默認值爲True，即校驗服務端證書。 若是是字符串，則爲CA_BUNDLE的路徑，即證書路徑。若是找不到證書， 能夠用示例2中的Fiddler中的PEM替代，也能夠安裝certifi包（自帶了一套requests信任的根證書） 我的理解：即瀏覽器訪問Https網站有時會提示須要信任證書的功能同樣。	示例1：關閉證書驗證（推薦） r=requests.get(url, verify=False) 示例2 :借用Fiddler轉換以後的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 注: 證書中包含cer和pem兩種格式，建議先安裝信息cer證書。 固然你也能夠本身安裝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：表明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雙向認證的狀況）	暫未測試過，暫未遇到過須要用這個字段的狀況。感興趣的能夠研究一下

3、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. 你能夠調用它們的基類AsyncHTTPClient，經過AsyncHTTPClient.configure方法來選擇使用上面的哪個實現，或者直接實例化上面的任意一個子類。缺省的是SimpleAsyncHTTPClient,雖然它已經能知足絕大多數用戶的需求，可是咱們選擇有更多優勢的 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 版本以前，CurlAsyncHTTPClient是默認的。

2 tornado 關鍵函數、參數介紹

示例代碼(與前面相似）：

@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()  # 中止ioloop線程
    except:        print traceback.format_exc()

能夠看到，這個httpclient，使用起來也很方便。先建立一個HTTPRequest,而後調用HTTPClient的fetch方法來發起這個請求。
此處咱們就看一下HTTPRequest的定義，看看有哪些關鍵參數是咱們須要瞭解的。

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式
【推薦】 從細節處談Android冷啓動優化