技能树共建Python requests 模块

Posted 2022-04-26 梦想橡皮擦

文章目录

• • Python requests 模块是什么
  • 怎么用
  • • 请求参数以及请求方法
    • 响应对象的属性与方法
    • 会话对象
    • SSL 证书验证，客户端证书，CA 证书
    • 代理
    • Cookie
  • 提高场景

Python requests 模块是什么

Python 爬虫或网络请求时，最先接触的第三方库就是 requests，该库开源地址为：https://github.com/psf/requests，
官方的 solgan 为 Requests is a simple, yet elegant, HTTP library。

我们在日常编码的过程中，经常执行的一个操作就是查询手册，
requests 库提供了中文手册 - https://docs.python-requests.org/zh_CN/latest/，因此大幅度降低了学习的难度。

不过中文翻译夹带了不少翻译者的情绪化文字，阅读的时候忽略即可。

怎么用

请求参数以及请求方法

导入 requests 库之后，你首先学习到的就是 requests.get() 方法，下面首先从 get 方法的参数开始学习，
下述内容在官方手册没有呈现清单，学习的时候可以直接查阅 requests 模块最新版的源码。

除 url 参数外，其余都为可选参数，即非必选。

• url：请求地址；
• params：要发送的查询字符串，可以为字典，列表，元组，字节；
• data：body 对象中要传递的参数，可以为字段，列表，元组，字节或者文件对象；
• json：JSON 序列化对象；
• headers：请求头，字典格式；
• cookies：传递 cookie，字段或 CookieJar 类型；
• files：最复杂的一个参数，一般出现在 POST 请求中，格式举例 "name":文件对象 或者 'name':文件对象，还可以在一个请求中发送多个文件，不过一般爬虫场景不会用到；
• auth：指定身份验证机制；
• timeout：服务器等待响应时间，在源码中检索到可以为元组类型，这个之前没有使用过，即 (connect timeout, read timeout)；
• allow_redirects：是否允许重定向；
• proxies：代理；
• verify：SSL 验证；
• stream：流式请求，主要对接流式 API；
• cert：证书。

以上内容就是 GET 请求中可以配置的参数，除了 GET 请求外，requests 还内置了其他的服务器请求方式，
这些方法需要的参数与上述清单一致。

GET, OPTIONS, HEAD, POST, PUT, PATCH, DELETE

在 Python 爬虫的实战当中，主要以 GET 与 POST 为主，
常用的参数为：url，params，data，headers，cookies，timeout，proxies，verify。

响应对象的属性与方法

使用 requests 库请求之后，会得到一个 Response 对象，掌握该对象的技巧就是了解其属性与方法，
通过 dir() 函数可以获取 Response 对象的属性和方法。

help(res)
print(dir(res))

获取到的内容如下所示，其中有我们之前案例中常见的一些内容。

['__attrs__', '__bool__', '__class__', '__delattr__', '__dict__', '__dir__', '其余内容自行查询']

如果只将 requests 库应用在爬虫采集领域，那上述属性与方法中，比较常用的有：

属性 property

• ok：只要状态码 status_code 小于 400，都会返回 True；
• is_redirect：重定向属性；
• content：响应内容，字节类型；
• text：响应内容，Unicode 类型；
• status_code：响应状态码；
• url：响应的最终 URL 位置；
• encoding：当访问 r.text 时的编码；

方法

• json()：将响应结果序列化为 JSON；

会话对象

在本专栏前面的文章中，存在一个被忽略的 requests 高级特性，即会话对象，
该对象能够在跨域请求的时候，保持住某些参数，尤其是 cookie，如果你想向同一主机发送多个请求，
使用会话对象可以将底层的 TCP 连接进行重用，从而带来显著的性能提升。

会话对象使用非常简单，在发起 requests 对象之前，增加如下所示代码即可。

# 建立会话对象
s = requests.Session()
# 后续都使用会话对象进行进行，而不是直接使用 requests 对象
s.get('http://httpbin.org/cookies/set/sessioncookie/123456789')
r = s.get("http://httpbin.org/cookies")
print(r.text)

由于专栏前面并未涉及相关案例，故直接引入官方手册案例说明。

下述代码演示的是 会话也可用来为请求方法提供缺省数据，顾名思义就是直接给会话对象增加的请求参数，
在后续代码中默认可用。

import requests
s = requests.Session()
s.auth = ('user', 'pass')
s.headers.update('x-test': 'true')

# both 'x-test' and 'x-test2' are sent
r = s.get('http://httpbin.org/headers', headers='x-test2': 'true')

print(r.text)

接下来官网案例还展示了 方法级别的参数也不会被跨请求保持，即在 s.get() 方法中如果传递了 cookie，那不会被保持住，
这两个案例，从正面与反面为我们核心展示的就是，如何使用会话对象保持参数，
通过会话对象的属性设置的参数，能被保持，而通过会话对象方法传递的参数，不能被保持。

SSL 证书验证，客户端证书，CA 证书

在爬虫采集数据的过程中，碰到 https 的网站在正常不过，requests 库使用过程中 SSL 验证是默认开启的，
如果证书验证失败，即抛出 SSLError错误。

不过在实战的时候，我们可以通过设置 verify = False ，忽略对 SSL 证书的验证。
部分场景无法忽略证书，必须增加相关证书逻辑。

代理

有的网站在采集过程中，会针对 IP 进行限制，此时就需要使用代理进行跳过操作，设置 proxies 参数即可，
本部分内容比较简单，后续很多案例还会复用到。

除了 HTTP 代理外， requests 2.10 版本之后，增加了 SOCKS 代理，如果你需要使用，需要通过 pip 安装相应库。

pip install requests[socks]

安装完毕，出现新的第三方库 PySocks，使用方式与 HTTP 代理一致。

Cookie

爬虫采集过程会大量的与 cookie 打交道，获取网站响应的 cookie，使用 response 对象的 cookies 属性即可。
如果希望向服务器传递 cookie，可以通过 cookies 参数，例如下述代码：

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

如果你希望对 cookie 有更加细致的操作，重点研究 requests.cookies.RequestsCookieJar 对象即可，
简单的代码使用如下所示：

jar = requests.cookies.RequestsCookieJar()
jar.set('tasty_cookie', 'yum', domain='httpbin.org', path='/cookies')
jar.set('gross_cookie', 'blech', domain='httpbin.org', path='/elsewhere')
url = 'http://httpbin.org/cookies'
r = requests.get(url, cookies=jar)
print(r.text)

RequestsCookieJar 对象具备更加丰富的接口，适合跨域名跨路径使用，相关接口可在 https://docs.python-requests.org/zh_CN/latest/api.html#requests.cookies.RequestsCookieJar 查询。

requests 非常适合作为 Python 爬虫入门阶段第一选择，其简单的接口与代码封装，能大幅度降低网络请求代码编写难度，
让你专注与目标数据的提取，更有基于高级请求的封装作为提高部分，该库完全可以贯穿你的整个爬虫工程师生涯。

提高场景

学习基本使用之后，可以使用 requests 模块实现一些简易爬虫案例，例如参考《Python 爬虫小课》，全部都是基于 requests 模块完成。

requests 模块目前在 Python 爬虫领域的出场率极高，很多简单的接口开发，也会基于它进行实现，
因此，该模块十分重要，需要牢牢掌握