爬虫—使用Requests
Posted zivli
tags:
篇首语：本文由小常识网(cha138.com)小编为大家整理，主要介绍了爬虫—使用Requests相关的知识，希望对你有一定的参考价值。
一，安装
pip install requests
二，基本用法
1.简单示例
import requests res = requests.get(‘https://www.baidu.com‘) print(type(res)) print(res.status_code) print(res.text) print(type(res.text)) print(res.cookies)
运行结果：
<class ‘requests.models.Response‘> 200 <!DOCTYPE html> <!--STATUS OK--><html> <head><meta http-equiv=content-type content=text/html;charset=utf-8><meta http-equiv=X-UA-Compatible content=IE=Edge><meta content=always name=referrer><link rel=stylesheet type=text/css href=https://ss1.bdstatic.com/5eN1bjq8AAUYm2zgoY3K/r/www/cache/bdorz/baidu.min.css><title>ç?¾åº¦ä¸?ä¸?ï¼?ä½ å°±ç?¥é??</title></head> <body link=#0000cc> <div id=wrapper> <div id=head> <div class=head_wrapper> <div class=s_form> <div class=s_form_wrapper> <div id=lg> <img hidefocus=true src=//www.baidu.com/img/bd_logo1.png width=270 height=129> </div> <form id=form name=f action=//www.baidu.com/s class=fm> <input type=hidden name=bdorz_come value=1> <input type=hidden name=ie value=utf-8> <input type=hidden name=f value=8> <input type=hidden name=rsv_bp value=1> <input type=hidden name=rsv_idx value=1> <input type=hidden name=tn value=baidu><span class="bg s_ipt_wr"><input id=kw name=wd class=s_ipt value maxlength=255 autocomplete=off autofocus=autofocus></span><span class="bg s_btn_wr"><input type=submit id=su value=ç?¾åº¦ä¸?ä¸? class="bg s_btn" autofocus></span> </form> </div> </div> <div id=u1> <a href=http://news.baidu.com name=tj_trnews class=mnav>æ?°é?»</a> <a href=https://www.hao123.com name=tj_trhao123 class=mnav>hao123</a> <a href=http://map.baidu.com name=tj_trmap class=mnav>å?°å?¾</a> <a href=http://v.baidu.com name=tj_trvideo class=mnav>è§?é¢?</a> <a href=http://tieba.baidu.com name=tj_trtieba class=mnav>è´´å?§</a> <noscript> <a href=http://www.baidu.com/bdorz/login.gif?login&tpl=mn&u=http%3A%2F%2Fwww.baidu.com%2f%3fbdorz_come%3d1 name=tj_login class=lb>ç?»å½?</a> </noscript> <script>document.write(‘<a href="http://www.baidu.com/bdorz/login.gif?login&tpl=mn&u=‘+ encodeURIComponent(window.location.href+ (window.location.search === "" ? "?" : "&")+ "bdorz_come=1")+ ‘" name="tj_login" class="lb">ç?»å½?</a>‘); </script> <a href=//www.baidu.com/more/ name=tj_briicon class=bri style="display: block;">æ?´å¤?产å??</a> </div> </div> </div> <div id=ftCon> <div id=ftConw> <p id=lh> <a href=http://home.baidu.com>å?³äº?ç?¾åº¦</a> <a href=http://ir.baidu.com>About Baidu</a> </p> <p id=cp>©2017 Baidu <a href=http://www.baidu.com/duty/>使ç?¨ç?¾åº¦å??å¿?读</a> <a href=http://jianyi.baidu.com/ class=cp-feedback>æ??è§?å??é¦?</a> 京ICPè¯?030173å?· <img src=//www.baidu.com/img/gs.gif> </p> </div> </div> </div> </body> </html> <class ‘str‘> <RequestsCookieJar[<Cookie BDORZ=27315 for .baidu.com/>]>
通过运行结果可发现，它返回的类型是requests.models.Response，响应体字符串类型是str，Cookie的类型是RequestsCookieJar。
2.GET请求
这里使用httpbin测试接口进行测试，httpbin这个网站能测试 HTTP 请求和响应的各种信息，比如 cookie、ip、headers 和登录验证等，且支持 GET、POST 等多种方法，对 web 开发和测试很有帮助。它由 Python + Flask 编写，是一个开源项目（官方网站：http://httpbin.org/开源地址：https://github.com/Runscope/httpbin）。
# GET请求 res = requests.get(‘https://httpbin.org/get‘) print(res.text)
运行结果：
{ "args": {}, "headers": { "Accept": "*/*", "Accept-Encoding": "gzip, deflate", "Host": "httpbin.org", "User-Agent": "python-requests/2.18.4" }, "origin": "183.129.61.183, 183.129.61.183", "url": "https://httpbin.org/get" }
可以发现，我们成功的发起了GET请求，返回的结果中包含请求头，URL，IP等信息。
♦传递参数
对于GET请求，如何添加参数呢？比如name是rain，age是22。是不是需要写成:
res = requests.get(‘https://httpbin.org/get?name=rain&age=22‘)
其实这样也可以，但是这种数据信息一般使用字典来存储。
# 带参数 data = { ‘name‘: ‘rain‘, ‘age‘: 22 } res = requests.get(‘https://httpbin.org/get‘,params=data) print(res.text)
运行结果：
{ "args": { "age": "22", "name": "rain" }, "headers": { "Accept": "*/*", "Accept-Encoding": "gzip, deflate", "Host": "httpbin.org", "User-Agent": "python-requests/2.18.4" }, "origin": "183.129.61.183, 183.129.61.183", "url": "https://httpbin.org/get?name=rain&age=22" }
可以看到，请求的连接被自动构造成了：https://httpbin.org/get?name=rain&age=22。
需要注意的是网页返回的类型实际上是str类型，但其格式为JSON字符串，想要解析结果，获得一个字典类型的话，可以直接调用json（）方法：
# 转成字典 print(type(res.json()))
结果：
<class ‘dict‘>
如果返回的类型不是JSON类型，此时调用json（）方法，就会抛出json.decoder.JSONDecoderError异常。
♦抓取网页
如果请求普通的网页，就能获得相应的内容。下面以“知乎“的”发现“页面为例：
# 抓取网页，发现—知乎 import requests import re headers = { "user-agent": "Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/70.0.3538.110 Safari/537.36" } res = requests.get(‘https://www.zhihu.com/explore‘, headers=headers) parse = re.compile(‘explore-feed.*?question_link.*?>(.*?)</a>‘, re.S) text = re.findall(parse,res.text) print(text)
这里我们加入了，headers信息，也就是user-agent字段信息，也就是浏览器标识。如果不加上这个，就会被禁止抓取。之后使用正则表达式匹配出a节点里面的问题内容。结果如下：
[‘\\n现在的复古8-bit风格游戏和当时真正的8-bit游戏有哪些差别？\\n‘, ‘\\n如何评价罗云熙在《白发》中饰演的容齐？\\n‘, ‘\\n为什么要把敦煌莫高窟建在西北地区？\\n‘, ‘\\n猫的哪些行为会让你觉得猫是爱你的？\\n‘, ‘\\n老人总是通过骗孩子的方式让孩子服从自己的命令，这种情况怎么办？\\n‘, ‘\\n如何看待faker在直播中说白银怎么喜欢闪现放D？\\n‘, ‘\\n有哪些女演员在影视剧中的扮相让你惊艳？\\n‘, ‘\\nPowerPoint 到底有多厉害？\\n‘, ‘\\n如何评价华晨宇?\\n‘, ‘\\n毛细现象水液面是不是球面的一部分？\\n‘]
♦抓取二进制数据
浏览网页时，我们经常看到页面中会有图片，音频，视频等文件。这些文件本质上由二进制码组成的，使用了特定的保存格式和对应的解析方式，我们才得以看到这些形形色色的多媒体。想要抓取他们，就需要拿到其二进制码。
以GitHub站点的图标为例：
# 抓取二进制文件 res = requests.get(‘https://github.com/favicon.ico‘) print(res.text) print(res.content)
这里抓取的是站点图标，就是浏览器每一个标签上显示的小图标，如下图：
这里打印了text和content，结果如下：
+++G????????G+++ b‘\\x00\\x00\\x01\\x00\\x02\\x00\\x10\\x10\\x00\\x00\\x01\\x00 \\x00(\\x05\\x00\\x00&\\x00\\x00\\x00 \\x00\\x00\\x01\\x00 \\x00(\\x14\\x00\\x00N\\x05\\x00\\x00(\\x00\\x00\\x00\\x10\\x00\\x00\\x00 \\x00\\x00\\x00\\x01\\x00
可以看到前者出现了乱码，后者开头带上了一个b，说明是bytes类型。由于是二进制数据，所有text打印时转化成str类型，图片直接转化为字符串，自然就会出现乱码。接下来，我们将图片保存下来：
res = requests.get(‘https://github.com/favicon.ico‘) with open(‘favicon.ico‘,‘wb‘) as f: f.write(res.content)
使用open（）方法以二进制写的形式打开文件，向文件里写入二进制数据。之后我们打开刚才写入的文件：
这里可以看到，成功的获取到了网页上面的图标信息，同样的音频和视频也可以使用这种方法来获取。
3.POST请求
使用requests发送POST请求也同样简单：
# POST请求 data = { ‘name‘:‘rain‘, ‘age‘:‘22‘ } res = requests.post(‘https://httpbin.org/post‘,data=data) print(res.text)
运行结果：
{ "args": {}, "data": "", "files": {}, "form": { "age": "22", "name": "rain" }, "headers": { "Accept": "*/*", "Accept-Encoding": "gzip, deflate", "Content-Length": "16", "Content-Type": "application/x-www-form-urlencoded", "Host": "httpbin.org", "User-Agent": "python-requests/2.18.4" }, "json": null, "origin": "183.129.61.183, 183.129.61.183", "url": "https://httpbin.org/post" }
可以看到，我们成功的获取了返回结果，其中form里面的数据就是提交的数据，也证明了POST请求成功。
4.响应信息
发送请求成功后，得到的自然是相应。上面的例子中，我们使用text和content获取了响应的内容。此外还有很多方法可以用来获取响应的其他信息：
# 获取响应信息 res = requests.get(‘http://www.baidu.com‘) print(type(res.status_code), res.status_code) # 响应状态码 print(type(res.headers), res.headers) # 响应头信息 print(type(res.cookies), res.cookies) # Cookies信息 print(type(res.url), res.url) # 请求url print(type(res.history), res.history) # 请求历史信息
运行结果：
<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‘: ‘Fri, 24 May 2019 10:02:25 GMT‘, ‘Last-Modified‘: ‘Mon, 23 Jan 2017 13:28:37 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‘> []
其中响应状态码经常用来判断请求是否成功，而requests还提供了一个内置的状态码查询对象requests.codes:
# requests内置状态码查询 res = requests.get(‘http://www.baidu.com‘) exit() if not res.status_code == requests.codes.ok else print("Request Successful!")
运行结果：
Request Successful!
这里通过响应信息中的请求成功状态码与requests内置请求成功状态码进行比较来判断请求是否成功。其中requests.codes.ok的值为200。
以上是关于爬虫—使用Requests的主要内容，如果未能解决你的问题，请参考以下文章