Python爬虫利器一之Requests库的用法

灰太狼 2021-03-25 16:05 630阅读 0赞

## 官方文档 ##

以下内容大多来自于官方文档，本文进行了一些修改和总结。要了解更多可以参考

[官方文档][Link 1]

## 安装 ##

利用 pip 安装

$ pip install requests

或者利用 easy\_install

$ easy_install requests

通过以上两种方法均可以完成安装。

## 引入 ##

首先我们引入一个小例子来感受一下

import requests
     
    r = requests.get('http://cuiqingcai.com')
    print type(r)
    print r.status_code
    print r.encoding
    #print r.text
    print r.cookies

以上代码我们请求了本站点的网址，然后打印出了返回结果的类型，状态码，编码方式，Cookies等内容。

运行结果如下

怎样，是不是很方便。别急，更方便的在后面呢。

## 基本请求 ##

requests库提供了http所有的基本请求方式。例如

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")

嗯，一句话搞定。

## 基本GET请求 ##

最基本的GET请求可以直接用get方法

r = requests.get("http://httpbin.org/get")

如果想要加参数，可以利用 params 参数

import requests
     
    payload = {
          'key1': 'value1', 'key2': 'value2'}
    r = requests.get("http://httpbin.org/get", params=payload)
    print r.url

运行结果

http://httpbin.org/get?key2=value2&key1=value1

如果想请求JSON文件，可以利用 json() 方法解析

例如自己写一个JSON文件命名为a.json，内容如下

["foo", "bar", {
      "foo": "bar"
    }]

利用如下程序请求并解析

import requests
     
    r = requests.get("a.json")
    print r.text
    print r.json()

运行结果如下，其中一个是直接输出内容，另外一个方法是利用 json() 方法解析，感受下它们的不同

["foo", "bar", {
    "foo": "bar"
    }]
    [u'foo', u'bar', {u'foo': u'bar'}]

如果想获取来自服务器的原始套接字响应，可以取得 r.raw 。 不过需要在初始请求中设置 stream=True 。

r = requests.get('https://github.com/timeline.json', stream=True)
    r.raw
    <requests.packages.urllib3.response.HTTPResponse object at 0x101194810>
    r.raw.read(10)
    '\x1f\x8b\x08\x00\x00\x00\x00\x00\x00\x03'

这样就获取了网页原始套接字内容。

如果想添加 headers，可以传 headers 参数

import requests
     
    payload = {
          'key1': 'value1', 'key2': 'value2'}
    headers = {
          'content-type': 'application/json'}
    r = requests.get("http://httpbin.org/get", params=payload, headers=headers)
    print r.url

通过headers参数可以增加请求头中的headers信息

## 基本POST请求 ##

对于 POST 请求来说，我们一般需要为它增加一些参数。那么最基本的传参方法可以利用 data 这个参数。

import requests
     
    payload = {
          'key1': 'value1', 'key2': 'value2'}
    r = requests.post("http://httpbin.org/post", data=payload)
    print r.text

运行结果

{
      "args": {},
      "data": "",
      "files": {},
      "form": {
        "key1": "value1",
        "key2": "value2"
      },
      "headers": {
        "Accept": "*/*",
        "Accept-Encoding": "gzip, deflate",
        "Content-Length": "23",
        "Content-Type": "application/x-www-form-urlencoded",
        "Host": "httpbin.org",
        "User-Agent": "python-requests/2.9.1"
      },
      "json": null,
      "url": "http://httpbin.org/post"
    }

可以看到参数传成功了，然后服务器返回了我们传的数据。

有时候我们需要传送的信息不是表单形式的，需要我们传JSON格式的数据过去，所以我们可以用 json.dumps() 方法把表单数据序列化。

import json
    import requests
     
    url = 'http://httpbin.org/post'
    payload = {
          'some': 'data'}
    r = requests.post(url, data=json.dumps(payload))
    print r.text

运行结果

{
      "args": {},
      "data": "{\"some\": \"data\"}",
      "files": {},
      "form": {},
      "headers": {
        "Accept": "*/*",
        "Accept-Encoding": "gzip, deflate",
        "Content-Length": "16",
        "Host": "httpbin.org",
        "User-Agent": "python-requests/2.9.1"
      },
      "json": {
        "some": "data"
      },  
      "url": "http://httpbin.org/post"
    }

通过上述方法，我们可以POST JSON格式的数据

如果想要上传文件，那么直接用 file 参数即可

新建一个 a.txt 的文件，内容写上 Hello World!

import requests
     
    url = 'http://httpbin.org/post'
    files = {
        'file': open('test.txt', 'rb')}
    r = requests.post(url, files=files)
    print r.text

可以看到运行结果如下

{
      "args": {},
      "data": "",
      "files": {
        "file": "Hello World!"
      },
      "form": {},
      "headers": {
        "Accept": "*/*",
        "Accept-Encoding": "gzip, deflate",
        "Content-Length": "156",
        "Content-Type": "multipart/form-data; boundary=7d8eb5ff99a04c11bb3e862ce78d7000",
        "Host": "httpbin.org",
        "User-Agent": "python-requests/2.9.1"
      },
      "json": null,
      "url": "http://httpbin.org/post"
    }

这样我们便成功完成了一个文件的上传。

requests 是支持流式上传的，这允许你发送大的数据流或文件而无需先把它们读入内存。要使用流式上传，仅需为你的请求体提供一个类文件对象即可

with open('massive-body') as f:
        requests.post('http://some.url/streamed', data=f)

这是一个非常实用方便的功能。

## Cookies ##

如果一个响应中包含了cookie，那么我们可以利用 cookies 变量来拿到

import requests
     
    url = 'http://example.com'
    r = requests.get(url)
    print r.cookies
    print r.cookies['example_cookie_name']

以上程序仅是样例，可以用 cookies 变量来得到站点的 cookies

另外可以利用 cookies 变量来向服务器发送 cookies 信息

import requests
     
    url = 'http://httpbin.org/cookies'
    cookies = dict(cookies_are='working')
    r = requests.get(url, cookies=cookies)
    print r.text

运行结果

'{"cookies": {"cookies_are": "working"}}'

可以已经成功向服务器发送了 cookies

## 超时配置 ##

可以利用 timeout 变量来配置最大请求时间

requests.get('http://github.com', timeout=0.001)

**注：timeout 仅对连接过程有效，与响应体的下载无关。**

也就是说，这个时间只限制请求的时间。即使返回的 response 包含很大内容，下载需要一定时间，然而这并没有什么卵用。

## 会话对象 ##

在以上的请求中，每次请求其实都相当于发起了一个新的请求。也就是相当于我们每个请求都用了不同的浏览器单独打开的效果。也就是它并不是指的一个会话，即使请求的是同一个网址。比如

import requests
     
    requests.get('http://httpbin.org/cookies/set/sessioncookie/123456789')
    r = requests.get("http://httpbin.org/cookies")
    print(r.text)

结果是

{
      "cookies": {}
    }

很明显，这不在一个会话中，无法获取 cookies，那么在一些站点中，我们需要保持一个持久的会话怎么办呢？就像用一个浏览器逛淘宝一样，在不同的选项卡之间跳转，这样其实就是建立了一个长久会话。

解决方案如下

import requests
     
    s = requests.Session()
    s.get('http://httpbin.org/cookies/set/sessioncookie/123456789')
    r = s.get("http://httpbin.org/cookies")
    print(r.text)

在这里我们请求了两次，一次是设置 cookies，一次是获得 cookies

运行结果

{
      "cookies": {
        "sessioncookie": "123456789"
      }
    }

发现可以成功获取到 cookies 了，这就是建立一个会话到作用。体会一下。

那么既然会话是一个全局的变量，那么我们肯定可以用来全局的配置了。

import requests
     
    s = requests.Session()
    s.headers.update({
           'x-test': 'true'})
    r = s.get('http://httpbin.org/headers', headers={
          'x-test2': 'true'})
    print r.text

通过 s.headers.update 方法设置了 headers 的变量。然后我们又在请求中设置了一个 headers，那么会出现什么结果？

很简单，两个变量都传送过去了。

运行结果

{
      "headers": {
        "Accept": "*/*",
        "Accept-Encoding": "gzip, deflate",
        "Host": "httpbin.org",
        "User-Agent": "python-requests/2.9.1",
        "X-Test": "true",
        "X-Test2": "true"
      }
    }

如果get方法传的headers 同样也是 x-test 呢？

r = s.get('http://httpbin.org/headers', headers={
          'x-test': 'true'})

嗯，它会覆盖掉全局的配置

{
      "headers": {
        "Accept": "*/*",
        "Accept-Encoding": "gzip, deflate",
        "Host": "httpbin.org",
        "User-Agent": "python-requests/2.9.1",
        "X-Test": "true"
      }
    }

那如果不想要全局配置中的一个变量了呢？很简单，设置为 None 即可

r = s.get('http://httpbin.org/headers', headers={
          'x-test': None})

运行结果

{
      "headers": {
        "Accept": "*/*",
        "Accept-Encoding": "gzip, deflate",
        "Host": "httpbin.org",
        "User-Agent": "python-requests/2.9.1"
      }
    }

嗯，以上就是 session 会话的基本用法

## SSL证书验证 ##

现在随处可见 https 开头的网站，Requests可以为HTTPS请求验证SSL证书，就像web浏览器一样。要想检查某个主机的SSL证书，你可以使用 verify 参数

现在 12306 证书不是无效的嘛，来测试一下

import requests
     
    r = requests.get('https://kyfw.12306.cn/otn/', verify=True)
    print r.text

结果

requests.exceptions.SSLError: [SSL: CERTIFICATE_VERIFY_FAILED] certificate verify failed (_ssl.c:590)

果真如此

来试下 github 的

import requests
     
    r = requests.get('https://github.com', verify=True)
    print r.text

嗯，正常请求，内容我就不输出了。

如果我们想跳过刚才 12306 的证书验证，把 verify 设置为 False 即可

import requests
     
    r = requests.get('https://kyfw.12306.cn/otn/', verify=False)
    print r.text

发现就可以正常请求了。在默认情况下 verify 是 True，所以如果需要的话，需要手动设置下这个变量。

## 代理 ##

如果需要使用代理，你可以通过为任意请求方法提供 proxies 参数来配置单个请求

import requests
     
    proxies = {
      "https": "http://41.118.132.69:4433"
    }
    r = requests.post("http://httpbin.org/post", proxies=proxies)
    print r.text

也可以通过环境变量 HTTP\_PROXY 和 HTTPS\_PROXY 来配置代理

export HTTP_PROXY="http://10.10.1.10:3128"
    export HTTPS_PROXY="http://10.10.1.10:1080"

通过以上方式，可以方便地设置代理。

## API ##

以上讲解了 requests 中最常用的参数，如果需要用到更多，请参考官方文档 API

[API][]

[Link 1]: http://docs.python-requests.org/en/master/
[API]: http://docs.python-requests.org/en/master/api/