requests用法基础-进阶

Posted 2020-12-01 xbhog

本节内容

1. 模块的安装

   -----------------------基础用法---------------------

2. GET用法、POST用法

   -----------------------进阶用法--------------------

3. cookie处理、代理ip、session

一 模块安装：

1). 安装requests包还是很方便的，电脑中有python环境，打开cmd,输入pip install requests下载；

如果有同学使用pycharm的话，选择file-->setting-->Project interpreter-->右边"+"号点击--->输入模块名---->选中下载。

2). requests的作用、特点、以及使用流程

• 作用：模拟用户使用浏览器上网

• 特点：简单、高效

• 使用流程：

  1. 指定url;

  2. 发起请求(requests.get/post);

  3. 获取响应信息/数据(response);

  4. 持久化存储(保存csv、mysql、txt等);

 

二基本用法：

1). get(url,headers,params)：各用法

获取搜狗首页的页面数据:

 1 import requests #引包
 2 #1指定url
 3 url = ‘https://www.sogou.com/‘
 4 #2.发起请求
 5 response = requests.get(url=url)
 6 #3获取响应数据
 7 page_text = response.text #text返回的是字符串类型的数据
 8 #持久化存储
 9 with open(‘./sogou.html‘,‘w‘,encoding=‘utf-8‘) as fp:
10     fp.write(page_text)
11 print(‘over!‘)
12 #也可以直接打印
13 print(page_text)   #这就是服务器给我们返回的数据信息(response)

 

2). headers的使用：

如果没有伪装UA，你发送的请求中的UA是一个爬虫标识；而且现在大部分网站都是有UA检测(反爬机制)，所以我们需要UA伪装(反反爬策略)骗过网站，

• 我们可以打开网站，F12,随意点击一个信息，找到Headers这个标签，翻到最下面有一个 User-Agent ，在python中我们需要对他进行构造。

• python中有一个随机生成UserAgent的包----fake-useragent,它的安装方法也很简单，pip install fake-useragent。

3). 下面实现上面headers的构造：

1 #第一种方法
2 #user-agent放在字典中，不光useragent,后面我们讲到的cookie等都需要放入
3 import requests
4 headers== {
5     ‘User-Agent‘:‘Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/70.0.3538.77 Safari/537.36‘
6 }
7 #调用方法,get(传入了两个参数，url,headers)
8 response = requests.get("http://www.baidu.com",headers=headers)

使用fake-useragent获取并构造UA:

import requests
from fake_useragent import UserAgent
ua = UserAgent()
headers = {‘User-Agent‘: ua.random}
url = ‘待爬网页的url‘
resp = requests.get(url, headers=headers)

 

4). params 参数

我们使用一个例子来融合headers与params,还是以搜狗为例:

 1 import requests
 2 wd = input(‘enter a word:‘)
 3 url = ‘https://www.sogou.com/web‘
 4 #参数的封装
 5 param = {
 6     ‘query‘:wd
 7 }
 8 #UA伪装
 9 headers = {
10     ‘User-Agent‘:‘Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/70.0.3538.77 Safari/537.36‘
11 }
12 response = requests.get(url=url,params=param,headers=headers)
13 #手动修改响应数据的编码
14 response.encoding = ‘utf-8‘
15 page_text = response.text
16 fileName = wd + ‘.html‘
17 with open(fileName,‘w‘,encoding=‘utf-8‘) as fp:
18     fp.write(page_text)
19 print(fileName,‘爬取成功！！！‘)

上面的例子可以看出，如果需要将参数放在url中传递，可以利用 params 参数 。

5)post用法：我们访问网站的时候，有时候是需要提交数据给网页的，如果提交的数据中没有网站所认证的信息，那么网站将会返回给你错误或者其他信息。

最基本的POST请求：

1 response = requests.post("http://www.baidu.com/",data=data)

传入数据的之后就不需要使用urlencode进行编码了。

实例(实现百度翻译)：

 1 import requests
 2 #破解百度翻译
 3 url = ‘https://fanyi.baidu.com/sug‘
 4 word = input(‘enter a English word:‘)
 5 #请求参数的封装
 6 data = {
 7     ‘kw‘:word
 8 }
 9 #UA伪装
10 headers = {
11     ‘User-Agent‘:‘Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/70.0.3538.77 Safari/537.36‘
12 }
13 response = requests.post(url=url,data=data,headers=headers)
14 #text:字符串  json():对象
15 json_dict = response.json()
16 ?
17 print(json_dict)#返回是一个json列表，进行数据提取即可

 

现在大部分的网站都是通过动态加载(Ajax)该技术加载信息，有的网站防止数据的泄露或者用户隐私安全，会设置js、css字体加密等等；后面有机会在介绍。再举个例子如下，爬取肯德基餐厅位置：

 1 #爬取任意城市对应的肯德基餐厅的位置信息
 2 #动态加载的数据
 3 city = input(‘enter a cityName:‘)
 4 url = ‘http://www.kfc.com.cn/kfccda/ashx/GetStoreList.ashx?op=keyword‘
 5 #数据封装
 6 data = {
 7     "cname": "",
 8     "pid": "",
 9     "keyword": city,
10     "pageIndex": "2",
11     "pageSize": "10",
12 }
13 #UA伪装
14 headers = {
15     ‘User-Agent‘:‘Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/70.0.3538.77 Safari/537.36‘
16 }
17 #返回的数据
18 response = requests.post(url=url,headers=headers,data=data).text
19 print(response)#打印

有人会问怎么看我们需要传输什么参数呢？我们打开网站币乎网站，点击登录，打开开发者模式(谷歌浏览器)，输入账号密码后，在标签为Network中的Headers中最下面的Request payload中。如图所示：

我们可以使用模拟参数进行登录(大部分网站进行加密)；在后面会讲解谷歌的一些操作以及加密的数据的解决方式，这里暂时略过。

三 cookie、代理ip、session

(1). cookie的介绍：

学习之前简单的了解一下cookie是做什么的，有什么作用；我们在百度上搜索一下，会出来很多的关于cookie的介绍，我截取了一段：

Cookie的作用：

cookie的用途是存储用户在特定网站上的密码和 ID。另外，也用于存储起始页的首选项。在提供个人化查看的网站上，将利用计算机硬驱上的少量空间来储存这些首选项。这样，每次登录该网站时，浏览器将检查是否有cookie。如果有，浏览器将此 cookie 随网页的请求一起发送给服务器 ，有一个基础的概念就行；

接下来我们获取一下cookies:

 1 import requests
 2 #网址
 3 url ="http:///www.baidu。com”
 4 #返回响应
 5 response = requests.get(url)
 6 #获取请求网页的cookies
 7 #打印出cookies
 8 print(response.cookies)##RequestCookieJar类型，我们使用items方法将其转换成元组，遍历美每个cookie的的名称跟值。
 9 #第一种方法
10 for k,v in response.cookies.items():
11     print(k +"="+ v)
12 #第二种方法
13 print(resp.cookies.get_dict())

我们也可以使用cookie来维持我们在网站上的登录状态，以我学校的网站为例(可以自行找登录网站)，首先登录网站，打开F12,进入network面板----headers中，将cookies复制下来放进我们构造的headers中；

 1 import requests
 2 ?
 3 headers = {
 4     "User-Agent": "Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/79.0.3941.4 Safari/537.36",
 5     "Cookie": "JSESSIONID=加密字符串"
 6 }
 7 ?
 8 r = requests.get(url,headers=headers)
 9 ?
10 print(r.text)

运行以后就会发现返回来的信息中有登陆后的结果，证明登录成功。

(2)session(会话维持):

多个请求之间是可以共享cookie的。那么如果使用requests，也要达到共享cookie的目的，那么可以使用requests库给我们提供的session对象。注意，这里的session不是web开发中的那个session，这个地方只是一个会话的对象而已。

上面的解释可能有些抽象，打个比方你在爬取一个网站，第一次请求利用post登录了网站，第二次想获取登录成功后的信息，你再使用get方法请求个人信息页面，你发现请求不到，实际上上面的两个操作是打开了两个浏览器，是完全不同的。

所以有需求就有解决方案，这样我们就引出session对象，它可以维持同一个会话，也就是打开一个浏览器的新标签页；这样就防止我们登陆后获取不到信息的烦恼。

以登录人人网为例，使用requests来实现。示例代码如下：

 1 import requests
 2 ?
 3 url = "http://www.renren.com/PLogin.do"
 4 data = {"email":"email",‘password‘:"password"}
 5 headers = {
 6     ‘User-Agent‘: "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/62.0.3202.94 Safari/537.36"
 7 }
 8 ?
 9 # 登录
10 session = requests.session()
11 #提交参数信息
12 session.post(url,data=data,headers=headers)
13 ?
14 # 访问大鹏个人中心
15 resp = session.get(‘http://www.renren.com/880151247/profile‘)
16 ?
17 print(resp.text)

注：session通常用于模拟登录成功后进行下一步操作。

(3).代理ip的使用

代理ip的使用场合：对于某些网站，我们测试的时候请求几次可以获取网页内容，但是当大规模且频繁的请求，网站可能出现验证码、或者跳到登录认证页面，更有的会直接封掉客户端IP,导致一定的时间内无法访问。

为了防止这种情况的发生，我们需要进行代理操作，代理其实就是代理服务器，代理网站的话自行百度一下。

代理的详情：https://www.kuaidaili.com/doc/wiki/

代理分为下面几种类型：

-匿名度：
    - 透明：对方服务器可以知道你使用了代理，并且也知道你的真实IP
    - 匿名：对方服务器可以知道你使用了代理，但不知道你的真实IP
    - 高匿：对方服务器不知道你使用了代理，更不知道你的真实IP。
- 类型：
    - http：该类型的代理ip只可以发起http协议头对应的请求
    - https：该类型的代理ip只可以发起https协议头对应的请求

设置代理的方式：

1 import requests
2 proxies = {
3     "http":"ip:端口"，
4     "https":"ip:端口"，
5 }
6 requests.get(url,proxies=proxies)

总结：

requests的get和post方法常用的参数：

• url

• headers

• data/params

• proxies

你可能看会了，但是你敲了吗？

初学者

分享及成功