python爬虫之Requests库

requests功能展示 :

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"))

　　很多情况下的网站直接使用response.text可能会出现乱码的问题, 所以就需要使用response.content, 此方法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头部响应的编码做出有根据的推测. 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,

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resposne.encoding="utf-8"的方式都可以避免乱码问题的发生.

各种请求方式 :

　　requests里提供各种请求方式:

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请求:

import requests

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

　　带参数的get请求:

import requests

response = requests.get("http://httpbin.org/get?name=xxx&age=18")
print(response.text)

　　如果想要在url查询字符串传递数据, 通常会通过key=value的方式传递. 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, 举个栗子:

import requests
data = {
    "name":"xxx",
    "age":18
}
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

　　　　但是第二种方式通过字典的方式传递参数时, 如果字典中的参数为None则不会添加到url上.

　　基本POST请求:

　　　　通过发送post请求时添加一个data参数, 这个data参数可以通过字典构造出来

　　　　这样对于发送post请求就非常方便

import requests

data = {
    "name":"xxx",
    "age":18
}
response = requests.post("http://httpbin.org/post",data=data)
print(response.text)

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

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()))

　　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

获取二进制数据 :

　　使用response.content获取的数据就是二进制数据, 同样的这个方法也可以用于下载图片以及视频资源.

添加headers :

　　requests请求时可以定制headers的信息的, 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, 因为大多数网站都具有反爬机制, 所以我们需要在requests之前添加headers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)

　　这样就可以正常访问知乎了

requests高级用法

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)

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)

会话维持 :

　　cookie的一个作用就是可以用于模拟登录, 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)

　　而下面写法则是错误的:

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请求之间都是独立的, 而第一次则是通过创建一个session对象, 两次请求都是通过这个对象访问的

证书验证 :

　　现在的很多网站都是https的方式访问, 所以这个时候就设计到证书的问题

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

　　这样是可以访问到页面的, 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.

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, 只需要将会字典更改为如下 :

　　proxies = {

　　"http": "http://user:password@127.0.0.1:9999"

　　}

　　如果你的代理是通过sokces这种方式需要pip install "requests[socks]"

　　proxies = {

　　"http": "socks5://127.0.0.1:9999",

　　"https": "sockes5://127.0.0.1:8888"

　　}

超时设置 :

　　通过timeout参数可以设置超时的时间

认证设置 :

　　如果碰到需要认证网站可以通过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)

　　当然还有一种方式

import requests

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