Python爬蟲十六式 - 第三式：Requests的用法

時間  2019-11-17
標籤 python 爬蟲 十六 第三 requests 用法 欄目 Python 简体版
原文   原文鏈接

Requests: 讓 HTTP 服務人類

學習一時爽，一直學習一直爽html

  Hello，你們好，我是Connor，一個從無到有的技術小白。今天咱們繼續來講咱們的 Python 爬蟲，上一次咱們說到了 urllib 與 urllib3 ，不知道你們看了之後有何感想，今天咱們來繼續聊聊 Python爬蟲中的另外一個經常使用庫——requests，相信你今天看了這篇文章之後必定有想要揍個人衝動。python

1.request 的簡介

  上一篇文章介紹了Python的網絡請求庫 urllib 和 urllib3 的使用方法，那麼，做爲一樣是網絡請求庫的 Requests ，相較於 urllib 與 urllib3，它有哪些優點呢？git

Requests 惟一的一個非轉基因的 Python HTTP 庫，人類能夠安全享用。
警告：非專業使用其餘 HTTP 庫會致使危險的反作用，包括：安全缺陷症、冗餘代碼症、從新發明輪子症、啃文檔症、抑鬱、頭疼、甚至死亡。
                                                               ——requests官方文檔

  Emmn.... 官方吐槽最爲致命，從requests的話中，你就能夠看得出它是多麼的偉大了。程序員

  requests 仍是少有的被官方推薦的庫，在 urllib.request 的文檔中，有這樣的一句話來推薦 requests :github

The Requests packageis recommended for a higher-level HTTP client interface.json

  urllib 作爲Python的標準庫，由於歷史緣由，使用的方式能夠說是很是的麻煩而複雜的，並且官方文檔也十分的簡陋，經常須要去查看源碼。與之相反的是，Requests的使用方式很是的簡單、直觀、人性化，讓程序員的精力徹底從庫的使用中解放出來。瀏覽器

  吹牛皮吹了這麼久，那麼requests庫究竟能夠強大到什麼地方呢？Twitter、Spotify、Microsoft、Amazon、Lyft、BuzzFeed、Reddit、NASA、Amazon、Google、Twilio、Mozilla、Heroku、PayPal、NPR、Obama for America、Transifex、Native Instruments、Washington Post、Twitter、SoundCloud、Kippt、Readability、以及若干不肯公開身份的聯邦政府機構都在內部使用。安全

  怎麼樣，是否是有了一種想要打個人衝動了？這麼好的庫竟然不早點拿出來講，藏着掖着的...其實 requests 是很是少有的配備有官方中文文檔的第三方庫，若是有須要的話你也能夠去看看他們的官方文檔 點我走起>>>服務器

2.requests 的使用

  百度五分鐘解決問題，羣裏吹牛逼倆小時，哈哈哈，貌似今天你百度也要跟着吹牛兩小時了，下面咱們說點正經了，看看requests到底應該怎麼使用吧：cookie

2.1 requests 的簡單使用

  若是你想使用request訪問一個頁面的話，那麼你能夠直接這樣：

In [1]: import requests
    
In [2]: resp = requests.get('https://www.baidu.com')

In [3]: resp.status_code
Out[3]: 200

In [4]: resp.encoding
Out[4]: 'ISO-8859-1'

In [5]: resp.headers['Date']
Out[5]: 'Mon， 07 Jan 2019 07:30:15 GMT'
    
複製代碼

  能夠看到，不管是發起請求仍是響應處理，都是很是直觀明瞭的。requests目前能夠知足全部的請求需求，因此相較 urllib 與 urllib3 而言，你們仍是更加喜歡使用 requests 庫來發起訪問。

2.2 requests 的安裝

  requests 的安裝方式與全部的第三方庫的安裝方式都是相同的，你能夠直接用 pip 進行安裝

pip install requests
複製代碼

2.3 requests 的使用

   requests的請求再也不像urllib同樣須要去構造各類Request、opener和handler，使用requests構造的方法，並在其中傳入須要的參數便可。

2.3.1 發起請求

  在 reqeuest 模塊中，每一種method方法都有對應的封裝好的函數供你使用，好比說，進行GET請求的時候，你能夠直接使用 get() 方法：

In [1]: import requests

In [2]: resp = requests.get('https://www.baidu.com')
複製代碼

  而當你須要進行POST請求的時候，你能夠直接使用封裝好了的 post() 方法來進行訪問：

In [3]: resp = requests.post('https://www.baidu.com'， 
                             data = {'hello': 'world'})
複製代碼

   其它的請求方式也都有相對應的請求方法來進行請求，以下：

In [4]: resp = requests.put('http://httpbin.org/put', data = {'key':'value'})
In [5]: resp = requests.delete('http://httpbin.org/delete')
In [6]: resp = requests.head('http://httpbin.org/get')
In [7]: resp = requests.options('http://httpbin.org/get')
複製代碼

  雖然上述的幾種方法並不經常使用，可是 requests 官方依舊很人性化的將它們都封裝了進去。

2.3.2 傳遞 URL 參數

  傳遞URL參數的時候不再用使用 urllib 中的方法來將URL拼接起來了，它和 urllib3 的方式一致，直接將要拼接的 URL 構形成字典，傳遞給 params參數便可，和 urllib3 中的 request 方法中的 field 屬性一致：

In [1]: import requests

In [2]: params = {'searchtype': '1'， 'bookname': 'Detroit'}

In [3]: resp = requests.get('https://httpbin.org/get', params=params)

In [4]: resp.url
Out[4]: 'https://httpbin.org/get?searchtype=1&bookname=Detroit'
複製代碼

  能夠清晰的看到，request 自動幫咱們把 params 參數拼接到了一塊兒。固然，有的時候咱們也會遇到同名不一樣值的參數，可是python語法中並不支持鍵名的重複，這個時候咱們能夠把屬性名相同的參數變成一個列表，request會自動的幫咱們把它們拼接到一塊兒：

In [1]: import requests

In [2]: params = {'name': 'Connor', 'others': ['abc', 'def']}

In [3]: resp = requests.get('https://www.httpbin.org/get', params=params)

In [4]: resp.url
Out[4]: 'https://www.httpbin.org/get?name=Connor&others=abc&others=def'
複製代碼

2.3.3 自定義headers

  毫無疑問，requests 也可以設置 headers 參數，這是章口就萊的事，下面咱們來看看如何設置 headers ：

import requests
datas = {'name': 'Connor', 'age': '22', 'height': '166'}
headers = {'User-Agent': 'ABCDE'}
resp = requests.post('https://www.httpbin.org/post', headers=headers, data=datas)
print(resp.json()['headers'])

複製代碼

運行以後的結果以下：

{'Accept': '*/*', 'Accept-Encoding': 'gzip， deflate', 'Connection': 'close', 'Content-Length': '29', 'Content-Type': 'application/x-www-form-urlencoded', 'Host': 'www.httpbin.org', 'User-Agent': 'ABCDE'}
複製代碼

  能夠明顯的看到，咱們的 User-Agent 屬性已經變成了以前設定的 ABCDE，仍是很是簡單的

2.3.4 自定義Cookies

  reqeusts 還能夠幫咱們構建cookie，咱們不用再建立CookieJar對象了，直接將你的 Cookie傳遞給Cookies參數便可：

In [1]: import requests

In [2]: url = 'https://www.httpbin.org/cookies'

In [3]: cook = {'leijun': 'Are you OK?'}

In [4]: resp = requests.get(url, cookies=cook)

In [5]: resp.text
Out[5]: '{\n "cookies": {\n "leijun": "Are you OK?"\n }\n}\n'
複製代碼

2.3.5 設置代理

  requests 連cookie都幫咱們構建了，固然也少不了代理的構建，當咱們須要使用代理的時候須要把構造的字典傳遞給 proxies 參數便可

import requests
url = 'https://www.httpbin.org/ip'
datas = {'name': 'Connor', 'age': '22', 'height': '166'}
headers = {'User-Agent': 'ABCDE'}
proxy = {'http': 'http://110.52.235.90:9999', 'https': 'https://110.52.235.90:9999'}
resp1 = requests.get(url)
resp2 = requests.get(url， proxies=proxy)
print(resp1.text， resp2.text)
複製代碼

運行以後的結果以下：

{"origin": "221.192.178.130"}
{"origin": "110.52.235.90"}
複製代碼

2.3.6 重定向

  再網絡請求中，咱們經常會遇到狀態碼是3開頭的重定向問題，在 requests 中默認是開啓重定向的，即當咱們遇到重定向的時候，reqeusts 會自動幫咱們繼續訪問，你也能夠手動關閉重定向：

In [1]: import requests

In [2]: url = 'http://www.jianshu.com'

In [3]: resp = requests.get(url, allow_redirects=False)

In [4]: resp.status_code
Out[4]: 301
複製代碼

2.3.7 證書驗證

  有些時候，當咱們使用了抓包工具的時候，因爲抓包工具提供的證書不是受信任的數字證書頒發機構頒發的，因此會致使證書驗證失敗，這時咱們應該關閉證書驗證。

  在請求的時候，咱們能夠關閉證書驗證，只須要將 verify 屬性設置爲 False 便可：

In [1]: import requests

In [2]: resp = requests.get('https://www.baidu.com', verify=False)
d:\software\python\python\lib\site-packages\urllib3\connectionpool.py:847: InsecureRequestWarning: Unverified HTTPS request is being made. Adding certificate verification is strongly advised. See: https://urllib3.readthedocs.io/en/latest/advanced-usage.html#ssl-warnings
  InsecureRequestWarning)
複製代碼

  這個時候你會發現，關閉驗證後會有一個煩人的847警告，你可使用如下方式來關閉警告：

from requests.packages.urllib3.exceptions import InsecureRequestWarning
# 禁用安全請求警告
requests.packages.urllib3.disable_warnings(InsecureRequestWarning)
複製代碼

2.3.8 設置超時

  當咱們訪問一個網站的時候，若是訪問時間過久，或者響應時間太長，可能對咱們的效率有很大的影響，這個時候咱們能夠設置超時時間，放棄一些數據來提高爬蟲的效率。你只須要爲其設置timeout 參數便可：

In [1]: import requests
    
In [2]: requests.get('http://github.com', timeout=0.001)
Traceback (most recent call last):
  File "<stdin>", line 1, in <module>
requests.exceptions.Timeout: HTTPConnectionPool(host='github.com', port=80): Request timed out. (timeout=0.001)
複製代碼

2.4 requests的響應

  經過 requests 發起請求獲得的對象是 Resopnse 對象，經過這個對象咱們能夠方便的獲取響應的內容。

2.4.1 響應內容

  在上一式咱們講述 urllib 與 urllib3 的時候，咱們獲取到的內容是二進制格式的，這個時候須要咱們本身手動的 decode() 將二進制的bytes數據轉換成咱們能夠讀懂的字符串數據。可是在 requests 中，它的 text 屬性會主動的經過可能的方式幫咱們解碼：

In [1]: import requests

In [2]: url = 'https://www.httpbin.org/get'

In [3]: resp = requests.get(url)

In [4]: resp.text
Out[4]: '{\n "args": {}, \n "headers": {\n "Accept": "*/*", \n "Accept-Encoding": "gzip, deflate", \n "Connection": "close", \n "Host": "www.httpbin.org", \n "User-Agent": "python-requests/2.21.0"\n }, \n "origin": "221.192.178.130", \n "url": "https://www.httpbin.org/get"\n}\n'
複製代碼

  requests 會主動的幫咱們進行解碼，它會經過響應的報頭來猜想網頁的編碼是什麼，而後根據猜想的編碼來解碼網頁的內容。大部分的網頁他都可以正確的解碼，但也有解碼不正確的時候，若是發現解碼不正確了，咱們就須要本身來手動的指定解碼的編碼格式：

import requests
url = 'http://www.quanshuwang.com/'
resp = requests.get(url)
resp.encoding = 'GBK'
print(resp.text)
複製代碼

  在這裏我給你們推薦一個其餘的python自帶的庫，這個庫也是在猜想網頁的編碼格式，可是這個庫的準確率更高一些吧。何況咱們每次指定解碼格式就要求咱們去看網頁的編碼格式。像新浪微博這樣的網站，它在無序可視化的頁面上使用的是 GBK 編碼格式，在須要可視的頁面上的編碼格式是 UTF-8，咱們不但願每次訪問都手動的去更改它的編碼格式，這個時候就用下面這種方法：

  這個時候，咱們可使用 chardet 中的 detect 方法：

import requests
import chardet

url = 'https://www.httpbin.org/get'
resp = requests.get(url)
resp.encoding = chardet.detect(resp.content)
print(resp.text)
複製代碼

  若是你須要得到網頁的原始二進制數據的時候，那麼使用 content 屬性便可：

In [1]: import requests

In [2]: url = 'https://www.httpbin.org/get'

In [3]: resp = requests.get(url)
   
In [4]: resp.content
Out[4]: b'{\n "args": {}, \n "headers": {\n "Accept": "*/*", \n "Accept-Encoding": "gzip, deflate", \n "Connection": "close", \n "Host": "www.httpbin.org", \n "User-Agent": "python-requests/2.21.0"\n }, \n "origin": "221.192.178.130", \n "url": "https://www.httpbin.org/get"\n}\n'
複製代碼

  若是咱們訪問以後得到的數據是JSON格式的，那麼咱們可使用json()方法，直接獲取轉換成字典格式的數據：

In [1]: import requests

In [2]: url = 'https://www.httpbin.org/get'

In [3]: resp = requests.get(url)
    
In [4]: resp.json()
Out[4]:
{'args': {},
 'headers': {'Accept': '*/*',
  'Accept-Encoding': 'gzip, deflate',
  'Connection': 'close',
  'Host': 'www.httpbin.org',
  'User-Agent': 'python-requests/2.21.0'},
 'origin': '221.192.178.130',
 'url': 'https://www.httpbin.org/get'}
複製代碼

2.4.2 狀態碼

  有時候咱們過於頻繁的訪問一個網址以後，或者某些網站對訪問速度有限制的話，那咱們應該判斷如下響應的狀態碼，而後再判斷是否須要數據的提取。你能夠經過 status_code 屬性來獲取響應的狀態碼：

In [1]: import requests

In [2]: url = 'https://www.httpbin.org/get'

In [3]: resp = requests.get(url)
    
In [4]: resp.status_code
Out[4]: 200
複製代碼

2.4.3 響應報頭

  當咱們進行了訪問以後，若是你想查看該網頁的響應報頭，那麼你能夠經過 headers 屬性來查看你的響應報頭：

In [1]: import requests

In [2]: url = 'https://www.httpbin.org/get'

In [3]: resp = requests.get(url)
    
In [4]: resp.headers
Out[4]: {'Connection': 'keep-alive', 'Server': 'gunicorn/19.9.0', 'Date': 'Mon, 07 Jan 2019 11:36:04 GMT', 'Content-Type': 'application/json', 'Content-Length': '277', 'Access-Control-Allow-Origin': '*', 'Access-Control-Allow-Credentials': 'true', 'Via': '1.1 vegur'}
複製代碼

2.4.4 服務器返回的cookies

  你能夠經過響應對象的 cookies 屬性來獲取服務器返回的 cookies ：

In [1]: import requests

In [2]: url = 'https://www.httpbin.org/get'

In [3]: resp = requests.get(url)
    
In [4]: resp.cookies
Out[4]: <RequestsCookieJar[]>
複製代碼

  返回的cookies是一個CookieJar對象，若是你想使用這個cookie，你仍是須要構建CookieJar對象。cookies 在後續的內容裏我會專門抽出一節課來說這個的，這裏咱們掠過，只須要知道經過 cookie 屬性能夠獲取從網頁上訪問的 cookies 便可。

2.4.5 url

  你也能夠經過 url 屬性來查看響應的url，你能夠經過這種方式來判斷網頁是否進行了重定向等各種操做：

In [1]: import requests

In [2]: url = 'http://www.jianshu.com'

In [3]: resp = requests.get(url)

In [4]: resp.url
Out[4]: 'https://www.jianshu.com'
複製代碼

2.5 Session對象

2.5.1 Session 的簡單使用

  在 requests 中，實現了 Session 會話功能，當咱們使用 Session 的時候，可以像瀏覽器同樣，在沒有關閉瀏覽器的時候，保持訪問的狀態，這個功能經常用於登錄以後，能夠避免咱們一次又一次的傳遞 cookies。session 其實很是的簡單易用，它和 requests 對象幾乎沒有任何的差異，requests 的經常使用方法在 session 這裏依舊適用。下面咱們舉一個簡單的例子：

import requests

url = 'https://www.httpbin.org/cookies'
session = requests.session()
resp = sesssion.get('https://www.httpbin.org/get')
print(resp.text)
複製代碼

  運行結果以下：

{"args": {}, "headers": {"Accept": "*/*", "Accept-Encoding": "gzip, deflate", "Connection": "close", "Cookie": "eare=https://www.httpbin.org", "Host": "www.httpbin.org", "User-Agent": "python-requests/2.20.0"}, "origin": "221.192.178.173", "url": "https://www.httpbin.org/get"}
複製代碼

  從上面的運行結果中咱們能夠看到，session 操做起來仍是很是容易上手的，它的方法和requests 的用法幾乎是徹底一致的。固然 session 也有本身更爲獨有的功能，下面咱們一塊兒來看看它還有哪些其它的功能：

2.5.2 updata方法

  既然以前咱們說 session 是一個能夠大大提升效率的工具，能夠保持一些數據，不用頻繁的重複傳參，那咱們來試試看：

import requests

url = 'https://www.httpbin.org/cookies'
session = requests.session()
cook = {'eare': 'https://www.httpbin.org'}
resp = session.get(url, cookies=cook)
print(resp.text)
resp = session.get('https://www.httpbin.org/get')
print(resp.text)
複製代碼

  運行後的結果以下：

{"cookies": {"eare": "https://www.httpbin.org"}}

{"args": {}, "headers": {"Accept": "*/*", "Accept-Encoding": "gzip, deflate", "Connection": "close", "Host": "www.httpbin.org", "User-Agent": "python-requests/2.20.0"}, "origin": "221.192.178.173", "url":"https://www.httpbin.org/get"}
複製代碼

  經過上面的結果咱們會發現，第二次訪問的時候並無維持第一次訪問時設置的 session 啊，這是爲何呢？難道是session的 doman 有問題？不是的，經過單次訪問傳參的方式來添加參數是不會對下一次訪問起做用的，這個時候咱們須要使用一個方法 session.args.updata() ：

import requests

url = 'https://www.httpbin.org/cookies'
session = requests.session()
cook = {'eare': 'https://www.httpbin.org'}
session.cookies.update(cook)
resp = session.get(url)
print(resp.text)
resp = session.get('https://www.httpbin.org/get')
print(resp.text)
複製代碼

  此次咱們再來看運行結果：

{"cookies": {"eare": "https://www.httpbin.org"}}

{"args": {}, "headers": {"Accept": "*/*", "Accept-Encoding": "gzip, deflate", "Connection": "close", "Cookie": "eare=https://www.httpbin.org", "Host": "www.httpbin.org", "User-Agent": "python-requests/2.20.0"}, "origin": "221.192.178.173", "url": "https://www.httpbin.org/get"}
複製代碼

  這一次咱們明顯的發現了第二次訪問的時候帶上了第一次設置的 cookie 參數，這樣設置的話咱們以後的每次訪問都無需再次傳參了。固然，前提是在同一個域名下的訪問。關於 cookie 的做用域的問題，我在以前的文章：Python 爬蟲十六式 - 第一式：HTTP協議 >>> 中已經寫到過了,若是看不懂的話請參照該文章。

  在上面的內容中，有一點尤其須要注意： session.args.updata() 並不指實際的方法，這只是一類參數的統稱，我的的命名習慣，若有錯誤，歡迎指出！ session.args.updata（）包括以下的幾種參數：

名稱 做用
headers 設置session的請求頭參數
cookies 設置session的cookies
params 設置session的url拼接參數
proxies 設置session的proxy代理

2.5.3 Session.verify

  session 固然也爲咱們提供了批量管理驗證的方法，這與 requests 中的管理方式幾乎相同，但和 session 的其它參數的管理相比又有所不一樣。session.verify 是一個屬性，它是一個 Boolean 型的變量，你只須要將它設置爲 False 便可關閉 session 對象的全部證書驗證：

import requests

url = 'https://www.httpbin.org/user-agent'
session = requests.session()
head = {'User-Agent': 'ABCDE'}
session.verify = False
session.headers.update(head)
resp = session.get(url)
print(resp.text)
複製代碼

  運行結果以下：

py:847: InsecureRequestWarning: Unverified HTTPS request is being made. Adding certificate verification is strongly advised. See: https://urllib3.readthedocs.io/en/latest/advanced-usage.html#ssl-warnings
  InsecureRequestWarning)
{"user-agent": "ABCDE"}
複製代碼

  嗯，又看到了煩人的 847報錯，想要關閉它的話查看本文第2.3.7節證書驗證，裏面有如何關閉證書驗證警告的方法，點我直達 >>>

  好啦，到這裏咱們就說完 requests 的使用了，不知道你學到了多少東西，可是依舊但願這些東西對你有幫助，最後仍是那句話送給你們：

學習一時爽， 一直學習一直爽！

  我是一個從無到有的技術小白，Connor，咱們下期再見！

系列文章鏈接：

Python 爬蟲十六式 - 第一式：HTTP協議 >>>
Python 爬蟲十六式 - 第二式：urllib 與 urllib3 >>>
Python 爬蟲十六式 - 第四式：使用Xpath提取網頁內容 >>>
Python 爬蟲十六式 - 第五式：BeautifulSoup，美味的湯 >>>
Python 爬蟲十六式 - 第六式：JQuery的假兄弟-pyquery >>>
Python 爬蟲十六式 - 第七式：正則的藝術 >>>
Python 爬蟲十六式 - 第八式：實例解析-全書網 >>>

相關文章
相關標籤/搜索
每日一句
    每一个你不满意的现在，都有一个你没有努力的曾经。
本站公眾號
   歡迎關注本站公眾號,獲取更多信息
聯繫我們 最近搜索 最新文章 沪ICP备13005482号-10 MyBatis教程 SQL 教程 MySQL教程 Java 教程 Thymeleaf 教程 Hibernate教程 Spring教程 Redis教程