爬虫（Requests）

Posted 2020-11-01 l736

什么是Requests

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，但他比urllib更加方便，可以完全替代urllib。一句话，requests是python实现的最简单易用的HTTP库，建议爬虫使用requests库。以下为总体功能的一个演示：

import requests

response  = requests.get("https://www.baidu.com")
print(type(response))
print(response.status_code)
print(type(response.text))
print(response.text)
print(response.cookies)
print(response.content)
print(response.content.decode("utf-8"))

我们可以看出response使用起来确实非常方便，这里有个问题需要注意一下：
很多情况下的网站如果直接response.text会出现乱码的问题，所以这个使用response.content，这样返回的数据格式其实是二进制格式，然后通过decode()转换为utf-8，这样就解决了通过response.text直接返回显示乱码的问题.

请求发出后，Requests 会基于 HTTP 头部对响应的编码作出有根据的推测。当你访问 response.text 之时，Requests 会使用其推测的文本编码。你可以找出 Requests 使用了什么编码，并且能够使用 response.encoding 属性来改变它.如：

response =requests.get("http://www.baidu.com")
response.encoding="utf-8"
print(response.text)

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

一、各种请求方式

requests里提供个各种请求方式，但主要用的还是get和post。

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")

（一）get方式

1.基本GET请求

import requests

response = requests.get(‘http://httpbin.org/get‘)
print(response.text)

2.带参数的GET请求，例子1

import requests

response = requests.get("http://httpbin.org/get?name=zhaofan&age=23")
print(response.text)

如果我们想要在URL查询字符串传递数据，通常我们会通过httpbin.org/get?key=val方式传递。Requests模块允许使用params关键字传递参数，以一个字典来传递这些参数，例子如下：

import requests
data = {
    "name":"zhaofan",
    "age":22
}
response = requests.get("http://httpbin.org/get",params=data)
print(response.url)
print(response.text)

上述两种的结果是相同的，通过params参数传递一个字典内容，从而直接构造url
注意：第二种方式通过字典的方式的时候，如果字典中的参数为None则不会添加到url上

3.解析json

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()))

从结果可以看出requests里面集成的json其实就是执行了json.loads()方法，两者的结果是一样的

4.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。

 1 import requests
 2 resp=requests.get("https://pic2.zhimg.com/v2-a1f9b040fc2ab292faf162c44e4bf4ff_b.jpg")
 3 print(resp.status_code)
 4 
 5 #获取的内容为二进制
 6 print(resp.content)
 7 #wb 以二进制的方式进行写。先读后写
 8 with open ("2.jpg","wb") as f:
 9     f.write(resp.content)
10     f.close()

5.添加headers

和前面我们将urllib模块的时候一样，我们同样可以定制headers的信息，如当我们直接通过requests请求知乎网站的时候，默认是无法访问的。

import requests
response =requests.get("https://www.zhihu.com")
print(response.text)

这样会得到如下的错误

因为访问知乎需要头部信息，这个时候我们在谷歌浏览器里输入chrome://version,就可以看到用户代理，将用户代理添加到头部信息

 

 

import requests
headers = {

    "User-Agent":"Mozilla/5.0 (Macintosh; Intel Mac OS X 10_12_4) AppleWebKit/537.36 (Khtml, like Gecko) Chrome/58.0.3029.110 Safari/537.36"
}
response =requests.get("https://www.zhihu.com",headers=headers)

print(response.text)

这样就可以正常的访问知乎了

（二）基本POST请求

通过在发送post请求时添加一个data参数，这个data参数可以通过字典构造成，这样对于发送post请求就非常方便。

注：post的三个参数

response = requests.post("http://httpbin.org/post", data=data, headers=headers)

import requests

data = {
    "name":"zhaofan",
    "age":23
}
response = requests.post("http://httpbin.org/post",data=data)
print(response.text)

同样的在发送post请求的时候也可以和发送get请求一样通过headers参数传递一个字典类型的数据

 

二、响应

我们可以通过response获得很多属性，例子如下

 1 import requests
 2 response = requests.get("http://www.baidu.com")
 3 
 4 print(type(response.status_code),response.status_code) #显示状态
 5 print(type(response.headers),response.headers)
 6 print(type(response.cookies),response.cookies)
 7 print(type(response.url),response.url)
 8 print(type(response.history),response.history)
 9 print(response.text)     #显示内容
10 print(response.content)  #显示内容（二进制）

 

结果如下：

 1 注：状态码判断
 2 Requests还附带了一个内置的状态码查询对象
 3 主要有如下内容：
 4 
 5 100: (‘continue‘,),
 6 101: (‘switching_protocols‘,),
 7 102: (‘processing‘,),
 8 103: (‘checkpoint‘,),
 9 122: (‘uri_too_long‘, ‘request_uri_too_long‘),
10 200: (‘ok‘, ‘okay‘, ‘all_ok‘, ‘all_okay‘, ‘all_good‘, ‘\\o/‘, ‘?‘),
11 201: (‘created‘,),
12 202: (‘accepted‘,),
13 203: (‘non_authoritative_info‘, ‘non_authoritative_information‘),
14 204: (‘no_content‘,),
15 205: (‘reset_content‘, ‘reset‘),
16 206: (‘partial_content‘, ‘partial‘),
17 207: (‘multi_status‘, ‘multiple_status‘, ‘multi_stati‘, ‘multiple_stati‘),
18 208: (‘already_reported‘,),
19 226: (‘im_used‘,),
20 
21 Redirection.
22 300: (‘multiple_choices‘,),
23 301: (‘moved_permanently‘, ‘moved‘, ‘\\o-‘),
24 302: (‘found‘,),
25 303: (‘see_other‘, ‘other‘),
26 304: (‘not_modified‘,),
27 305: (‘use_proxy‘,),
28 306: (‘switch_proxy‘,),
29 307: (‘temporary_redirect‘, ‘temporary_moved‘, ‘temporary‘),
30 308: (‘permanent_redirect‘,
31 ‘resume_incomplete‘, ‘resume‘,), # These 2 to be removed in 3.0
32 
33 Client Error.
34 400: (‘bad_request‘, ‘bad‘),
35 401: (‘unauthorized‘,),
36 402: (‘payment_required‘, ‘payment‘),
37 403: (‘forbidden‘,),
38 404: (‘not_found‘, ‘-o-‘),
39 405: (‘method_not_allowed‘, ‘not_allowed‘),
40 406: (‘not_acceptable‘,),
41 407: (‘proxy_authentication_required‘, ‘proxy_auth‘, ‘proxy_authentication‘),
42 408: (‘request_timeout‘, ‘timeout‘),
43 409: (‘conflict‘,),
44 410: (‘gone‘,),
45 411: (‘length_required‘,),
46 412: (‘precondition_failed‘, ‘precondition‘),
47 413: (‘request_entity_too_large‘,),
48 414: (‘request_uri_too_large‘,),
49 415: (‘unsupported_media_type‘, ‘unsupported_media‘, ‘media_type‘),
50 416: (‘requested_range_not_satisfiable‘, ‘requested_range‘, ‘range_not_satisfiable‘),
51 417: (‘expectation_failed‘,),
52 418: (‘im_a_teapot‘, ‘teapot‘, ‘i_am_a_teapot‘),
53 421: (‘misdirected_request‘,),
54 422: (‘unprocessable_entity‘, ‘unprocessable‘),
55 423: (‘locked‘,),
56 424: (‘failed_dependency‘, ‘dependency‘),
57 425: (‘unordered_collection‘, ‘unordered‘),
58 426: (‘upgrade_required‘, ‘upgrade‘),
59 428: (‘precondition_required‘, ‘precondition‘),
60 429: (‘too_many_requests‘, ‘too_many‘),
61 431: (‘header_fields_too_large‘, ‘fields_too_large‘),
62 444: (‘no_response‘, ‘none‘),
63 449: (‘retry_with‘, ‘retry‘),
64 450: (‘blocked_by_windows_parental_controls‘, ‘parental_controls‘),
65 451: (‘unavailable_for_legal_reasons‘, ‘legal_reasons‘),
66 499: (‘client_closed_request‘,),
67 
68 Server Error.
69 500: (‘internal_server_error‘, ‘server_error‘, ‘/o\\‘, ‘?‘),
70 501: (‘not_implemented‘,),
71 502: (‘bad_gateway‘,),
72 503: (‘service_unavailable‘, ‘unavailable‘),
73 504: (‘gateway_timeout‘,),
74 505: (‘http_version_not_supported‘, ‘http_version‘),
75 506: (‘variant_also_negotiates‘,),
76 507: (‘insufficient_storage‘,),
77 509: (‘bandwidth_limit_exceeded‘, ‘bandwidth‘),
78 510: (‘not_extended‘,),
79 511: (‘network_authentication_required‘, ‘network_auth‘, ‘network_authentication‘),

View Code

通过下面例子测试：（不过通常还是通过状态码判断更方便）

 

import requests

response= requests.get("http://www.baidu.com")
if response.status_code == requests.codes.ok:
    print("访问成功")

三、requests高级用法

1.文件上传

实现方法和其他参数类似，也是构造一个字典然后通过files参数传递

import requests
files= {"files":open("git.jpeg","rb")}
response = requests.post("http://httpbin.org/post",files=files)
print(response.text)

结果如下：

2.获取cookie

import requests

response = requests.get("http://www.baidu.com")
print(response.cookies)

for key,value in response.cookies.items():
    print(key+"="+value)

3.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

import requests
s = requests.Session()
s.get("http://httpbin.org/cookies/set/number/123456")
response = s.get("http://httpbin.org/cookies")
print(response.text)

这是正确的写法，而下面的写法则是错误的

import requests

requests.get("http://httpbin.org/cookies/set/number/123456")
response = requests.get("http://httpbin.org/cookies")
print(response.text)

因为这种方式是两次requests请求之间是独立的，而第一次则是通过创建一个session对象，两次请求都通过这个对象访问

4.证书验证

现在的很多网站都是https的方式访问，所以这个时候就涉及到证书的问题

import requests

response = requests.get("https:/www.12306.cn")
print(response.status_code)

默认的12306网站的证书是不合法的，这样就会提示如下错误

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，但是会提示：
InsecureRequestWarning: Unverified HTTPS request is being made. Adding certificate verification is strongly advised. See: https://urllib3.readthedocs.io/en/latest/advanced-usage.html#ssl-warnings InsecureRequestWarning)

解决方法为：

import requests
from requests.packages import urllib3
urllib3.disable_warnings()
response = requests.get("https://www.12306.cn",verify=False)
print(response.status_code)

这样就不会提示警告信息，当然也可以通过cert参数放入证书路径

5.代理设置

import requests

proxies= {
    "http":"http://127.0.0.1:9999",
    "https":"http://127.0.0.1:8888"
}
response  = requests.get("https://www.baidu.com",proxies=proxies)
print(response.text)

如果代理需要设置账户名和密码,只需要将字典更改为如下：
proxies = {
"http":"http://user:[email protected]:9999"
}
如果你的代理是通过sokces这种方式则需要pip install "requests[socks]"
proxies= {
"http":"socks5://127.0.0.1:9999",
"https":"sockes5://127.0.0.1:8888"
}

6.超时设置

通过timeout参数可以设置超时的时间

1 import requests
2 from requests.exceptions import ReadTimeout
3 try:
4     response = requests.get("http://httpbin.org/get", timeout = 0.5)
5     print(response.status_code)
6 except ReadTimeout:
7     print(‘Timeout‘)

7.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

import requests

from requests.auth import HTTPBasicAuth

response = requests.get("http://120.27.34.24:9001/",auth=HTTPBasicAuth("user","123"))
print(response.status_code)

当然这里还有一种方式

import requests

response = requests.get("http://120.27.34.24:9001/",auth=("user","123"))
print(response.status_code)

8.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

 

 

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

import requests

from requests.exceptions import ReadTimeout,ConnectionError,RequestException


try:
    response = requests.get("http://httpbin.org/get",timout=0.1)
    print(response.status_code)
except ReadTimeout:
    print("timeout")
except ConnectionError:
    print("connection Error")
except RequestException:
    print("error")

其实最后测试可以发现，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