Python3網絡爬蟲實戰---2四、requests：基本使用

時間 2019-12-10

標籤 python3 python 網絡爬蟲實戰 requests 基本使用欄目 Python 简体版

原文原文鏈接

上一篇文章： Python3網絡爬蟲實戰---2三、使用Urllib：分析Robots協議
下一篇文章：

在前面一節咱們瞭解了 Urllib 的基本用法，可是其中確實有不方便的地方。好比處理網頁驗證、處理 Cookies 等等，須要寫 Opener、Handler 來進行處理。爲了更加方便地實現這些操做，在這裏就有了更爲強大的庫 Requests，有了它，Cookies、登陸驗證、代理設置等等的操做都不是事兒。html

那麼接下來就讓咱們來領略一下它的強大之處吧。python

1 基本使用

本節咱們首先來了解下 Requests 庫的基本使用方法。git

1. 準備工做

在本節開始以前請確保已經正確安裝好了 Requests 庫，若是沒有安裝能夠參考第一章的安裝說明。github

2. 實例引入

在 Urllib 庫中有 urlopen() 的方法，實際上它是以 GET 方式請求了一個網頁。
那麼在 Requests 中，相應的方法就是 get() 方法，是否是感受表達更明確一些？
下面咱們用一個實例來感覺一下：正則表達式

import requests
r=requests.get('http://httpbin.org/get')
print(type(r),r.status_code,type(r.text),r.text,type(r.cookies),r.cookies,sep='\n')

運行結果以下：json

<class 'requests.models.Response'>
200
<class 'str'>
{
  "args": {}, 
  "headers": {
    "Accept": "*/*", 
    "Accept-Encoding": "gzip, deflate", 
    "Host": "httpbin.org", 
    "User-Agent": "python-requests/2.21.0"
  }, 
  "origin": "114.253.118.8, 114.253.118.8", 
  "url": "https://httpbin.org/get"
}

<class 'requests.cookies.RequestsCookieJar'>
<RequestsCookieJar[]>

上面的例子中咱們調用 get() 方法便可實現和 urlopen() 相同的操做，獲得一個 Response 對象，而後分別輸出了 Response 的類型，Status Code，Response Body 的類型、內容還有 Cookies。
經過上述實例能夠發現，它的返回類型是 requests.models.Response，Response Body 的類型是字符串 str，Cookies 的類型是 RequestsCookieJar。
使用了 get() 方法就成功實現了一個 GET 請求，但這倒不算什麼，更方便的在於其餘的請求類型依然能夠用一句話來完成。
用一個實例來感覺一下：segmentfault

r = requests.post('http://httpbin.org/post')
r = requests.put('http://httpbin.org/put')
r = requests.delete('http://httpbin.org/delete')
r = requests.head('http://httpbin.org/get')
r = requests.options('http://httpbin.org/get')

在這裏分別用 post()、put()、delete() 等方法實現了 POST、PUT、DELETE 等請求，怎麼樣？是否是比 Urllib 簡單太多了？
其實這只是冰山一角，更多的還在後面。windows

3. GET請求

HTTP 中最多見的請求之一就是 GET 請求，咱們首先來詳細瞭解下利用 Requests 來構建 GET 請求的方法以及相關屬性方法操做。瀏覽器

基本實例

首先讓咱們來構建一個最簡單的 GET 請求，請求的連接爲：http://httpbin.org/get，它會判斷若是若是是 GET 請求的話，會返回響應的 Request 信息。cookie

import requests

r = requests.get('http://httpbin.org/get')
print(r.text)
運行結果以下：
{
  "args": {}, 
  "headers": {
    "Accept": "*/*", 
    "Accept-Encoding": "gzip, deflate", 
    "Host": "httpbin.org", 
    "User-Agent": "python-requests/2.10.0"
  }, 
  "origin": "122.4.215.33", 
  "url": "http://httpbin.org/get"
}

能夠發現咱們成功發起了 GET 請求，返回的結果中包含了 Request Headers、URL、IP 等信息。
那麼 GET 請求，若是要附加額外的信息通常是怎樣來添加？好比如今我想添加兩個參數，名字 name 是 germey，年齡 age 是 22。構造這個請求連接是否是咱們要直接寫成：
r = requests.get('http://httpbin.org/get?name=g...;age=22')
能夠是能夠，可是不以爲很不人性化嗎？通常的這種信息數據咱們會用字典來存儲，那麼怎樣來構造這個連接呢？
一樣很簡單，利用 params 這個參數就行了。
實例以下：

import requests

data = {
    'name': 'germey',
    'age': 22
}
r = requests.get("http://httpbin.org/get", params=data)
print(r.text)

運行結果以下：

{
  "args": {
    "age": "22", 
    "name": "germey"
  }, 
  "headers": {
    "Accept": "*/*", 
    "Accept-Encoding": "gzip, deflate", 
    "Host": "httpbin.org", 
    "User-Agent": "python-requests/2.10.0"
  }, 
  "origin": "122.4.215.33", 
  "url": "http://httpbin.org/get?age=22&amp;name=germey"
}

經過返回信息咱們能夠判斷，請求的連接自動被構形成了：http://httpbin.org/get?age=22...;name=germey。
另外，網頁的返回類型其實是 str 類型，可是它很特殊，是 Json 的格式，因此若是咱們想直接把返回結果解析，獲得一個字典格式的話，能夠直接調用 json() 方法。
用一個實例來感覺一下：

import requests

r = requests.get("http://httpbin.org/get")
print(type(r.text))
print(r.json())
print(type(r.json()))

運行結果以下：
<class 'str'>
{'headers': {'Accept-Encoding': 'gzip, deflate', 'Accept': '/', 'Host': 'httpbin.org', 'User-Agent': 'python-requests/2.10.0'}, 'url': 'http://httpbin.org/get', 'args': {}, 'origin': '182.33.248.131'}
<class 'dict'>
能夠發現，調用 json() 方法，就能夠將返回結果是 Json 格式的字符串轉化爲字典。
但注意，若是返回結果不是 Json 格式，便會出現解析錯誤，拋出 json.decoder.JSONDecodeError 的異常。

抓取網頁

如上的請求連接返回的是 Json 形式的字符串，那麼若是咱們請求普通的網頁，那麼確定就能得到相應的內容了。
下面咱們以知乎－發現頁面爲例來感覺一下：

import requests
import re

headers = {
    'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_11_4) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/52.0.2743.116 Safari/537.36'
}
r = requests.get("https://www.zhihu.com/explore", headers=headers)
pattern = re.compile('explore-feed.*?question_link.*?&gt;(.*?)&lt;/a&gt;', re.S)
titles = re.findall(pattern, r.text)
print(titles)

如上代碼，咱們請求了知乎－發現頁面：https://www.zhihu.com/explore，在這裏加入了 Headers 信息，其中包含了 User-Agent 字段信息，也就是瀏覽器標識信息。若是不加這個，知乎會禁止抓取。
在接下來用到了最基礎的正則表達式，來匹配出全部的問題內容，關於正則表達式會在後面的章節中詳細介紹，在這裏做爲用到實例來配合講解。
運行結果以下：

['\n如何評價楊超越對偶像意義的理解？\n', '\n中國綠髮會宣稱「穿山甲功能性滅絕」，引起學者質疑後反控對方誹謗，應該相信哪邊？\n', '\n如何科學地解釋MacBook Pro 2019的CPU性能表現接近甚至超過ROG玩家國度槍神3？\n', '\n如何評價楊超越對偶像意義的理解？\n', '\n盛京劍客爲啥退出知乎了？\n', '\n怎麼看我國跆拳道選手鄭姝音被判負後衆人不滿，我國參加相似比賽還有必要麼？\n', '\n你爲何這麼不肯意《極限挑戰》換人？\n', '\n「吉卜力工做室」是一家怎樣的動畫製做公司？\n', '\n你爲何不喜歡張雪迎？\n', '\n《王者榮耀》中，你遇到哪些有意思的隊友？\n']

發現成功提取出了全部的問題內容。

抓取二進制數據

在上面的例子中，咱們抓取的是知乎的一個頁面，實際上它返回的是一個 HTML 文檔，那麼若是咱們想抓去圖片、音頻、視頻等文件的話應該怎麼辦呢？
咱們都知道，圖片、音頻、視頻這些文件都是本質上由二進制碼組成的，因爲有特定的保存格式和對應的解析方式，咱們才能夠看到這些形形色色的多媒體。因此想要抓取他們，那就須要拿到他們的二進制碼。
下面咱們以 GitHub 的站點圖標爲例來感覺一下：

import requests

r = requests.get("https://github.com/favicon.ico")
print(r.text)
print(r.content)

抓取的內容是站點圖標，也就是在瀏覽器每個標籤上顯示的小圖標，如圖 3-3 所示：

圖 3-3 站點圖標
在這裏打印了 Response 對象的兩個屬性，一個是text，另外一個是 content。
運行結果以下，因爲包含特殊內容，在此放運行結果的圖片，如圖 3-4 所示：

圖 3-4 運行結果
那麼前兩行即是 r.text 的結果，最後一行是 r.content 的結果。
能夠注意到，前者出現了亂碼，後者結果前面帶有一個 b，表明這是 bytes 類型的數據。因爲圖片是二進制數據，因此前者在打印時轉化爲 str 類型，也就是圖片直接轉化爲字符串，理所固然會出現亂碼。
兩個屬性有什麼區別？前者返回的是字符串類型，若是返回結果是文本文件，那麼用這種方式直接獲取其內容便可。若是返回結果是圖片、音頻、視頻等文件，Requests 會爲咱們自動解碼成 bytes 類型，即獲取字節流數據。
進一步地，咱們能夠將剛纔提取到的圖片保存下來。

import requests

r = requests.get("https://github.com/favicon.ico")
with open('favicon.ico', 'wb') as f:
    f.write(r.content)

在這裏用了 open() 方法，第一個參數是文件名稱，第二個參數表明以二進制寫的形式打開，能夠向文件裏寫入二進制數據，而後保存。
運行結束以後，能夠發如今文件夾中出現了名爲 favicon.ico 的圖標，如圖 3-5所示：

圖 3-5 圖標
一樣的，音頻、視頻文件也能夠用這種方法獲取。

添加Headers

如 urllib.request 同樣，咱們也能夠經過 headers 參數來傳遞頭信息。
好比上面的知乎的例子，若是不傳遞 Headers，就不能正常請求：

import requests

r = requests.get("https://www.zhihu.com/explore")
print(r.text)

運行結果以下：

<html>
<head><title>400 Bad Request</title></head>
<body bgcolor="white">
<center><h1>400 Bad Request</h1></center>
<hr><center>openresty</center>
</body>
</html>

但若是加上 Headers 中加上 User-Agent 信息，那就沒問題了：

import requests

headers = {
    'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_11_4) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/52.0.2743.116 Safari/537.36'
}
r = requests.get("https://www.zhihu.com/explore", headers=headers)
print(r.text)

固然咱們能夠在 headers 這個參數中任意添加其餘的字段信息。

4. POST請求

在前面咱們瞭解了最基本的 GET 請求，另一種比較常見的請求方式就是 POST 了，就像模擬表單提交同樣，將一些數據提交到某個連接。
使用 Request 是實現 POST 請求一樣很是簡單。
咱們先用一個實例來感覺一下：

import requests

data = {'name': 'germey', 'age': '22'}
r = requests.post("http://httpbin.org/post", data=data)
print(r.text)

這裏咱們仍是請求：http://httpbin.org/post，它能夠判斷若是請求是 POST 方式，就把相關請求信息輸出出來。
運行結果以下：

{
  "args": {}, 
  "data": "", 
  "files": {}, 
  "form": {
    "age": "22", 
    "name": "germey"
  }, 
  "headers": {
    "Accept": "*/*", 
    "Accept-Encoding": "gzip, deflate", 
    "Content-Length": "18", 
    "Content-Type": "application/x-www-form-urlencoded", 
    "Host": "httpbin.org", 
    "User-Agent": "python-requests/2.10.0"
  }, 
  "json": null, 
  "origin": "182.33.248.131", 
  "url": "http://httpbin.org/post"
}

能夠發現，成功得到了返回結果，返回結果中的 form 部分就是提交的數據，那麼這就證實 POST 請求成功發送了。

5. Response

發送 Request 以後，獲得的天然就是 Response，在上面的實例中咱們使用了 text 和 content 獲取了 Response 內容，不過還有不少屬性和方法能夠獲取其餘的信息，好比狀態碼 Status Code、Headers、Cookies 等信息。
下面用一個實例來感覺一下：

import requests

r = requests.get('http://www.baidu.com')
print(type(r.status_code), r.status_code)
print(type(r.headers), r.headers)
print(type(r.cookies), r.cookies)
print(type(r.url), r.url)
print(type(r.history), r.history)

在這裏分別打印輸出了 status_code 屬性獲得狀態碼， headers 屬性獲得 Response Headers，cookies 屬性獲得 Cookies，url 屬性獲得 URL，history 屬性獲得請求歷史。
運行結果以下：

<class 'int'> 200
<class 'requests.structures.CaseInsensitiveDict'> {'Cache-Control': 'private, no-cache, no-store, proxy-revalidate, no-transform', 'Connection': 'Keep-Alive', 'Content-Encoding': 'gzip', 'Content-Type': 'text/html', 'Date': 'Mon, 17 Jun 2019 11:01:04 GMT', 'Last-Modified': 'Mon, 23 Jan 2017 13:27:32 GMT', 'Pragma': 'no-cache', 'Server': 'bfe/1.0.8.18', 'Set-Cookie': 'BDORZ=27315; max-age=86400; domain=.baidu.com; path=/', 'Transfer-Encoding': 'chunked'}
<class 'requests.cookies.RequestsCookieJar'> <RequestsCookieJar[<Cookie BDORZ=27315 for .baidu.com/>]>
<class 'str'> http://www.baidu.com/
<class 'list'> []

能夠看到，headers 還有 cookies 這兩個屬性獲得的結果分別是 CaseInsensitiveDict 和 RequestsCookieJar 類型。
在這裏 Status Code 經常使用來判斷請求是否成功，Requests 還提供了一個內置的 Status Code 查詢對象 requests.codes。
用一個實例來感覺一下：

import requests

r = requests.get('http://www.jianshu.com')
exit() if not r.status_code == requests.codes.ok else print('Request Successfully')

在這裏，經過比較返回碼和內置的成功的返回碼是一致的，來保證請求獲得了正常響應，輸出成功請求的消息，不然程序終止，在這裏咱們用 requests.codes.ok 獲得的是成功的狀態碼 200。
那麼確定不能只有 ok 這個條件碼，下面列出了返回碼和相應的查詢條件：

# Informational.
100: ('continue',),
101: ('switching_protocols',),
102: ('processing',),
103: ('checkpoint',),
122: ('uri_too_long', 'request_uri_too_long'),
200: ('ok', 'okay', 'all_ok', 'all_okay', 'all_good', '\\o/', '✓'),
201: ('created',),
202: ('accepted',),
203: ('non_authoritative_info', 'non_authoritative_information'),
204: ('no_content',),
205: ('reset_content', 'reset'),
206: ('partial_content', 'partial'),
207: ('multi_status', 'multiple_status', 'multi_stati', 'multiple_stati'),
208: ('already_reported',),
226: ('im_used',),

# Redirection.
300: ('multiple_choices',),
301: ('moved_permanently', 'moved', '\\o-'),
302: ('found',),
303: ('see_other', 'other'),
304: ('not_modified',),
305: ('use_proxy',),
306: ('switch_proxy',),
307: ('temporary_redirect', 'temporary_moved', 'temporary'),
308: ('permanent_redirect',
      'resume_incomplete', 'resume',), # These 2 to be removed in 3.0

# Client Error.
400: ('bad_request', 'bad'),
401: ('unauthorized',),
402: ('payment_required', 'payment'),
403: ('forbidden',),
404: ('not_found', '-o-'),
405: ('method_not_allowed', 'not_allowed'),
406: ('not_acceptable',),
407: ('proxy_authentication_required', 'proxy_auth', 'proxy_authentication'),
408: ('request_timeout', 'timeout'),
409: ('conflict',),
410: ('gone',),
411: ('length_required',),
412: ('precondition_failed', 'precondition'),
413: ('request_entity_too_large',),
414: ('request_uri_too_large',),
415: ('unsupported_media_type', 'unsupported_media', 'media_type'),
416: ('requested_range_not_satisfiable', 'requested_range', 'range_not_satisfiable'),
417: ('expectation_failed',),
418: ('im_a_teapot', 'teapot', 'i_am_a_teapot'),
421: ('misdirected_request',),
422: ('unprocessable_entity', 'unprocessable'),
423: ('locked',),
424: ('failed_dependency', 'dependency'),
425: ('unordered_collection', 'unordered'),
426: ('upgrade_required', 'upgrade'),
428: ('precondition_required', 'precondition'),
429: ('too_many_requests', 'too_many'),
431: ('header_fields_too_large', 'fields_too_large'),
444: ('no_response', 'none'),
449: ('retry_with', 'retry'),
450: ('blocked_by_windows_parental_controls', 'parental_controls'),
451: ('unavailable_for_legal_reasons', 'legal_reasons'),
499: ('client_closed_request',),

# Server Error.
500: ('internal_server_error', 'server_error', '/o\\', '✗'),
501: ('not_implemented',),
502: ('bad_gateway',),
503: ('service_unavailable', 'unavailable'),
504: ('gateway_timeout',),
505: ('http_version_not_supported', 'http_version'),
506: ('variant_also_negotiates',),
507: ('insufficient_storage',),
509: ('bandwidth_limit_exceeded', 'bandwidth'),
510: ('not_extended',),
511: ('network_authentication_required', 'network_auth', 'network_authentication')

好比若是咱們想判斷結果是否是 404 狀態，能夠用 requests.codes.not_found 來比對。