python爬虫之requests的基本使用

Posted peter200-ok

tags:

篇首语：本文由小常识网(cha138.com)小编为大家整理，主要介绍了python爬虫之requests的基本使用相关的知识，希望对你有一定的参考价值。

 简介

　　Requests是用python语言基于urllib编写的，采用的是Apache2 Licensed开源协议的HTTP库，Requests它会比urllib更加方便，可以节约我们大量的工作。

一、安装

 pip快速安装

1
pip install requests

 

 

二、使用

 　　1、先上一串代码

1
2
3
4
5
6
7
8
9
10
11
12
13
14
import requests
 
response  = requests.get("https://www.baidu.com")
print(type(response))
print(response.status_code)
print(type(response.text))
 
response.enconding = "utf-8‘
print(response.text)
 
print(response.cookies)
 
print(response.content)
print(response.content.decode("utf-8"))

　　response.text返回的是Unicode格式，通常需要转换为utf-8格式，否则就是乱码。response.content是二进制模式，可以下载视频之类的，如果想看的话需要decode成utf-8格式。
　　不管是通过response.content.decode("utf-8)的方式还是通过response.encoding="utf-8"的方式都可以避免乱码的问题发生

 

　　2、一大推请求方式

1
2
3
4
5
6
import requests
requests.post("http://httpbin.org/post")
requests.put("http://httpbin.org/put")
requests.delete("http://httpbin.org/delete")
requests.head("http://httpbin.org/get")
requests.options("http://httpbin.org/get")

　　

 

　　基本GET:

1
2
3
4
5
import requests
 
url = ‘https://www.baidu.com/‘
response = requests.get(url)
print(response.text)

　　

　　带参数的GET请求：

　　如果想查询http://httpbin.org/get页面的具体参数，需要在url里面加上，例如我想看有没有Host=httpbin.org这条数据，url形式应该是http://httpbin.org/get?Host=httpbin.org

　　下面提交的数据是往这个地址传送data里面的数据。

1
2
3
4
5
6
7
8
9
10
import requests
 
url = ‘http://httpbin.org/get‘
data = {
    ‘name‘:‘zhangsan‘,
    ‘age‘:‘25‘
}
response = requests.get(url,params=data)
print(response.url)
print(response.text)

　　

　　Json数据：

　　从下面的数据中我们可以得出，如果结果：

　　1、requests中response.json()方法等同于json.loads（response.text）方法

1
2
3
4
5
6
7
8
import requests
import json
 
response = requests.get("http://httpbin.org/get")
print(type(response.text))
print(response.json())
print(json.loads(response.text))
print(type(response.json())

　　

　　获取二进制数据

　　在上面提到了response.content，这样获取的数据是二进制数据，同样的这个方法也可以用于下载图片以及
　　视频资源

 

 

　　添加header

　　首先说，为什么要加header（头部信息）呢？例如下面，我们试图访问知乎的登录页面（当然大家都你要是不登录知乎，就看不到里面的内容），我们试试不加header信息会报什么错。

1
2
3
4
5
6
import requests
 
url = ‘https://www.zhihu.com/‘
response = requests.get(url)
response.encoding = "utf-8"
print(response.text)

　　结果：

　　提示发生内部服务器错误（也就说你连知乎登录页面的html都下载不下来）。

1
2
3
<html><body><h1>500 Server Error</h1>
An internal server error occured.
</body></html>

　　

　　如果想访问就必须得加headers信息。

　　技术分享图片

 

1
2
3
4
5
6
7
8
import requests
 
url = ‘https://www.zhihu.com/‘
headers = {
    ‘User-Agent‘:‘Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/57.0.2987.133 Safari/537.36‘
}
response = requests.get(url,headers=headers)
print(response.text)

　　

 　　基本post请求：

　　通过post把数据提交到url地址，等同于一字典的形式提交form表单里面的数据

1
2
3
4
5
6
7
8
9
import requests
 
url = ‘http://httpbin.org/post‘
data = {
    ‘name‘:‘jack‘,
    ‘age‘:‘23‘
    }
response = requests.post(url,data=data)
print(response.text)

　　结果：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
{
  "args": {},
  "data": "",
  "files": {},
  "form": {
    "age": "23",
    "name": "jack"
  },
  "headers": {
    "Accept": "*/*",
    "Accept-Encoding": "gzip, deflate",
    "Connection": "close",
    "Content-Length": "16",
    "Content-Type": "application/x-www-form-urlencoded",
    "Host": "httpbin.org",
    "User-Agent": "python-requests/2.13.0"
  },
  "json": null,
  "origin": "118.144.137.95",
  "url": "http://httpbin.org/post"
}

　　

　　响应：

1
2
3
4
5
6
7
8
9
10
11
12
13
import requests
 
response = requests.get("http://www.baidu.com")
#打印请求页面的状态（状态码）
print(type(response.status_code),response.status_code)
#打印请求网址的headers所有信息
print(type(response.headers),response.headers)
#打印请求网址的cookies信息
print(type(response.cookies),response.cookies)
#打印请求网址的地址
print(type(response.url),response.url)
#打印请求的历史记录（以列表的形式显示）
print(type(response.history),response.history)

技术分享图片

　　内置的状态码：

技术分享图片 内置的状态码

 

1
2
3
4
5
6
7
8
9
10
11
12
import requests
response = requests.get(‘http://www.jianshu.com/404.html‘)
# 使用request内置的字母判断状态码
 
#如果response返回的状态码是非正常的就返回404错误
if response.status_code != requests.codes.ok:
    print(‘404‘)
 
#如果页面返回的状态码是200，就打印下面的状态
response = requests.get(‘http://www.jianshu.com‘)
if response.status_code == 200:
    print(‘200‘)

　　

 

　request的高级操作

　　文件上传

1
2
3
4
5
import requests
url = "http://httpbin.org/post"
files= {"files":open("test.jpg","rb")}
response = requests.post(url,files=files)
print(response.text)

　　结果：

技术分享图片

 

 　　获取cookie

1
2
3
4
5
import requests
response = requests.get(‘https://www.baidu.com‘)
print(response.cookies)
for key,value in response.cookies.items():
    print(key,‘==‘,value)

　　

 　　会话维持

　　cookie的一个作用就是可以用于模拟登陆，做会话维持

1
2
3
4
5
import requests
session = requests.session()
session.get(‘http://httpbin.org/cookies/set/number/12456‘)
response = session.get(‘http://httpbin.org/cookies‘)
print(response.text)

　　

　　

　　证书验证

 　  1、无证书访问

1
2
3
4
import requests
response = requests.get(‘https://www.12306.cn‘)
# 在请求https时，request会进行证书的验证，如果验证失败则会抛出异常
print(response.status_code)

　　报错：

技术分享图片

 

技术分享图片

　　

　　关闭证书验证

1
2
3
4
import requests
# 关闭验证，但是仍然会报出证书警告
response = requests.get(‘https://www.12306.cn‘,verify=False)
print(response.status_code)

　　为了避免这种情况的发生可以通过verify=False，但是这样是可以访问到页面结果

技术分享图片

 

 　　消除验证证书的警报

1
2
3
4
5
6
from requests.packages import urllib3
import requests
 
urllib3.disable_warnings()
response = requests.get(‘https://www.12306.cn‘,verify=False)
print(response.status_code)

　　

　　手动设置证书

1
2
3
4
import requests
 
response = requests.get(‘https://www.12306.cn‘, cert=(‘/path/server.crt‘, ‘/path/key‘))
print(response.status_code)

　　

　　代理设置

 　　1、设置普通代理

1
2
3
4
5
6
7
8
import requests
 
proxies = {
  "http": "http://127.0.0.1:9743",
  "https": "https://127.0.0.1:9743",
}
response = requests.get("https://www.taobao.com", proxies=proxies)
print(response.status_code)

　　2、设置用户名和密码代理

1
2
3
4
5
6
7
import requests
 
proxies = {
    "http": "http://user:[email protected]:9743/",
}
response = requests.get("https://www.taobao.com", proxies=proxies)
print(response.status_code)

　　　

　　设置socks代理

1
安装socks模块 pip3 install ‘requests[socks]‘
1
2
3
4
5
6
7
8
import requests
 
proxies = {
    ‘http‘: ‘socks5://127.0.0.1:9742‘,
    ‘https‘: ‘socks5://127.0.0.1:9742‘
}
response = requests.get("https://www.taobao.com", proxies=proxies)
print(response.status_code)

　　

　   超时设置

      通过timeout参数可以设置超时的时间

1
2
3
4
5
6
7
8
9
import requests
from requests.exceptions import ReadTimeout
 
try:
    # 设置必须在500ms内收到响应，不然或抛出ReadTimeout异常
    response = requests.get("http://httpbin.org/get", timeout=0.5)
    print(response.status_code)
except ReadTimeout:
    print(‘Timeout‘)

　　

　　认证设置

　　如果碰到需要认证的网站可以通过requests.auth模块实现  

1
2
3
4
5
6
import requests
from requests.auth import HTTPBasicAuth
<br>#方法一
r = requests.get(‘http://120.27.34.24:9001‘, auth=HTTPBasicAuth(‘user‘, ‘123‘))<br>
#方法二<br>r = requests.get(‘http://120.27.34.24:9001‘, auth=(‘user‘, ‘123‘))
print(r.status_code)

　　

　　异常处理

　　关于reqeusts的异常在这里可以看到详细内容：
      http://www.python-requests.org/en/master/api/#exceptions
　　所有的异常都是在requests.excepitons中

　　技术分享图片

 

 

　　从源码我们可以看出RequestException继承IOError,
　　HTTPError，ConnectionError,Timeout继承RequestionException
　　ProxyError，SSLError继承ConnectionError
　　ReadTimeout继承Timeout异常
　　这里列举了一些常用的异常继承关系，详细的可以看：
      http://cn.python-requests.org/zh_CN/latest/_modules/requests/exceptions.html#RequestException

　　

　　通过下面的例子进行简单的演示

1
2
3
4
5
6
7
8
9
10
11
import requests
from requests.exceptions import ReadTimeout, ConnectionError, RequestException
try:
    response = requests.get("http://httpbin.org/get", timeout = 0.5)
    print(response.status_code)
except ReadTimeout:
    print(‘Timeout‘)
except ConnectionError:
    print(‘Connection error‘)
except RequestException:
    print(‘Error‘)

　　首先被捕捉的异常是timeout,当把网络断掉的haul就会捕捉到ConnectionError，如果前面异常都没有捕捉到，最后也可以通过RequestExctption捕捉到











以上是关于python爬虫之requests的基本使用的主要内容，如果未能解决你的问题，请参考以下文章

Python爬虫之Urllib库的基本使用

python爬虫从入门到放弃之 Requests库的基本使用

python爬虫从入门到放弃之 Requests库的基本使用

Python瞎老弟的爬虫心得之requests篇②requests基本使用

python爬虫之reuqests库，及基本使用

python爬虫之reuqests库，及基本使用