使用Requests庫來進(jìn)行爬蟲的方式
Requests是用Python編寫，基于urllib，采用Apache2 Licensed開源協(xié)議的HTTP庫。
它比urllib更方便，可以節(jié)約我們大量的工作，完全滿足HTTP測試需求。
安裝：
pip3 install requests
使用
實(shí)例：
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)
各種請(qǐng)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')
我們執(zhí)行以上命令后，可以在這個(gè)網(wǎng)址進(jìn)行驗(yàn)證：
http://httpbin.org 這可以作為一個(gè)測試網(wǎng)址，它可以反饋一些我們請(qǐng)求時(shí)的信息。例如：
可以查看我們請(qǐng)求時(shí)的ip地址。
基本get請(qǐng)求
基本寫法
import requests
response=requests.get('http://httpbin.org/get')#用get方式發(fā)送請(qǐng)求并獲得響應(yīng)
print(response.text)#用text查看響應(yīng)內(nèi)容
帶參數(shù)get
import requests
response=requests.get('http://httpbin.org/get?name=zhuzhu&age=23')
#將參數(shù)拼接到url后面，用問號(hào)分隔，參數(shù)間用&來分隔
print(response.text)
可以看到返回的args信息中包含了我們的get參數(shù)。但是這種方法使用得不是很方便，再看下面的方式：
import requests
data={
'name':'zhuzhu',
'age':23
}
response=requests.get('http://httpbin.org/get',params=data)
#用字典的形式傳遞給params參數(shù)，不需要自己寫url編碼
print(response.text)
得到的結(jié)果與上面的方法是一樣的，但是方便了許多~
解析json
import requests
response=requests.get("http://httpbin.org/get")
print(type(response.text))
print(response.json())#把返回結(jié)果編碼成一個(gè)json對(duì)象
print(type(response.json()))
這個(gè)方法在返回一些AJEX請(qǐng)求時(shí)是比較常用的。
獲取二進(jìn)制數(shù)據(jù)
在下載一些內(nèi)容（圖片、視頻）的時(shí)候常用的一個(gè)方法。
試試看，我們想要獲取一個(gè)github的圖標(biāo)：
import requests
response=requests.get("https://github.com/favicon.ico")
print(type(response.text),type(response.content))
print(response.text)
print(response.content)#可以使用content屬性來獲取二進(jìn)制內(nèi)容
可以看到，在響應(yīng)中，text的類型是string，而content的內(nèi)容是bytes，也就是二進(jìn)制形式。
怎么把這個(gè)圖標(biāo)保存到本地呢？我們已經(jīng)知道怎么獲取它的二進(jìn)制內(nèi)容，現(xiàn)在只需要寫入文件就可以了：
import requests
response=requests.get("https://github.com/favicon.ico")
with open('favicon.ico','wb')as f:
f.write(response.content)
f.close()
哈哈，成功保存在運(yùn)行目錄下了~
添加headers
headers在爬蟲中是非常必要的，很多時(shí)候如果請(qǐng)求不加headers，那么你可能會(huì)被禁掉或出現(xiàn)服務(wù)器錯(cuò)誤…
比如我們現(xiàn)在想爬取知乎上的數(shù)據(jù)，但是不加headers：
import requests
response=requests.get("https://www.zhihu.com/explore")
print(response.text)
那么就會(huì)報(bào)錯(cuò)，因?yàn)橹跏且R(shí)別你的瀏覽器信息的。
我們現(xiàn)在加入headers試試看（做一個(gè)瀏覽器的偽裝），只需要向get方法傳入headers參數(shù)就好了：
import requests
headers={
'User-Agent':'Mozilla/5.0(Macintosh;Intel Mac OS X 10_11_4)AppleWebKit/537.36(KHTML,like Gecko)Chrome/52.0.2743.116 Safari/537.36'
}
response=requests.get("https://www.zhihu.com/explore",headers=headers)
print(response.text)
運(yùn)行結(jié)果成功返回了響應(yīng)信息。
基本POST請(qǐng)求
直接用字典構(gòu)造一個(gè)data并傳入方法，就可以實(shí)現(xiàn)post請(qǐng)求了，省去了編碼步驟，比起urllib方便許多：
import requests
data={'name':'zhuzhu','age':'23'}
response=requests.post("http://httpbin.org/post",data=data)
print(response.text)
再加入headers：
import requests
data={'name':'zhuzhu','age':'23'}
headers={
'User-Agent':'Mozilla/5.0(Macintosh;Intel Mac OS X 10_11_4)AppleWebKit/537.36(KHTML,like Gecko)Chrome/52.0.2743.116 Safari/537.36'
}
response=requests.post("http://httpbin.org/post",data=data,headers=headers)
print(response.json())
可以看到，返回的json形式的響應(yīng)中，我們成功添加了data和headers的信息。
總結(jié)：get和post請(qǐng)求使用都很方便，區(qū)別只是換一下方法而已。
響應(yīng)
response屬性
下面列出了常用的response屬性：
import requests
response=requests.get("http://www.jianshu.com")
print(type(response.status_code),response.status_code)#狀態(tài)碼
print(type(response.headers),response.headers)
print(type(response.cookies),response.cookies)
print(type(response.url),response.url)
print(type(response.history),response.history)
狀態(tài)碼判斷
常見的網(wǎng)頁狀態(tài)碼：
100: (‘continue’,),
101: (‘switching_protocols’,),
102: (‘processing’,),
103: (‘checkpoint’,),
122: (‘uri_too_long’, ‘request_uri_too_long’),
200: (‘ok’, ‘okay’, ‘all_ok’, ‘all_okay’, ‘all_good’, ‘\o/’, ‘?’),
201: (‘created’,),
202: (‘accepted’,),
203: (‘non_authoritative_info’, ‘non_authoritative_information’),
204: (‘no_content’,),
205: (‘reset_content’, ‘reset’),
206: (‘partial_content’, ‘partial’),
207: (‘multi_status’, ‘multiple_status’, ‘multi_stati’, ‘multiple_stati’),
208: (‘already_reported’,),
226: (‘im_used’,),Redirection.
300: (‘multiple_choices’,),
301: (‘moved_permanently’, ‘moved’, ‘\o-’),
302: (‘found’,),
303: (‘see_other’, ‘other’),
304: (‘not_modified’,),
305: (‘use_proxy’,),
306: (‘switch_proxy’,),
307: (‘temporary_redirect’, ‘temporary_moved’, ‘temporary’),
308: (‘permanent_redirect’,
‘resume_incomplete’, ‘resume’,), # These 2 to be removed in 3.0Client Error.
400: (‘bad_request’, ‘bad’),
401: (‘unauthorized’,),
402: (‘payment_required’, ‘payment’),
403: (‘forbidden’,),
404: (‘not_found’, ‘-o-’),
405: (‘method_not_allowed’, ‘not_allowed’),
406: (‘not_acceptable’,),
407: (‘proxy_authentication_required’, ‘proxy_auth’, ‘proxy_authentication’),
408: (‘request_timeout’, ‘timeout’),
409: (‘conflict’,),
410: (‘gone’,),
411: (‘length_required’,),
412: (‘precondition_failed’, ‘precondition’),
413: (‘request_entity_too_large’,),
414: (‘request_uri_too_large’,),
415: (‘unsupported_media_type’, ‘unsupported_media’, ‘media_type’),
416: (‘requested_range_not_satisfiable’, ‘requested_range’, ‘range_not_satisfiable’),
417: (‘expectation_failed’,),
418: (‘im_a_teapot’, ‘teapot’, ‘i_am_a_teapot’),
421: (‘misdirected_request’,),
422: (‘unprocessable_entity’, ‘unprocessable’),
423: (‘locked’,),
424: (‘failed_dependency’, ‘dependency’),
425: (‘unordered_collection’, ‘unordered’),
426: (‘upgrade_required’, ‘upgrade’),
428: (‘precondition_required’, ‘precondition’),
429: (‘too_many_requests’, ‘too_many’),
431: (‘header_fields_too_large’, ‘fields_too_large’),
444: (‘no_response’, ‘none’),
449: (‘retry_with’, ‘retry’),
450: (‘blocked_by_windows_parental_controls’, ‘parental_controls’),
451: (‘unavailable_for_legal_reasons’, ‘legal_reasons’),
499: (‘client_closed_request’,),Server Error.
500: (‘internal_server_error’, ‘server_error’, ‘/o\’, ‘?’),
501: (‘not_implemented’,),
502: (‘bad_gateway’,),
503: (‘service_unavailable’, ‘unavailable’),
504: (‘gateway_timeout’,),
505: (‘http_version_not_supported’, ‘http_version’),
506: (‘variant_also_negotiates’,),
507: (‘insufficient_storage’,),
509: (‘bandwidth_limit_exceeded’, ‘bandwidth’),
510: (‘not_extended’,),
511: (‘network_authentication_required’, ‘network_auth’, ‘network_authentication’),
示例：
import requests
response=requests.get("http://www.baidu.com")
exit() if not response.status_code==200 else print("Requests Successfully")
這說明這次請(qǐng)求的狀態(tài)碼為200.
另一種寫法就是把數(shù)字200換位相應(yīng)的字符串內(nèi)容，詳細(xì)的對(duì)應(yīng)方式見上面列出的關(guān)系。
比如200對(duì)應(yīng)著其中一個(gè)字符串是“ok”，我們?cè)囋嚕?/p>
import requests
response=requests.get("http://www.baidu.com")
exit() if not response.status_code==requests.codes.ok else print("Requests Successfully")
可以看到效果是一樣的，可以根據(jù)實(shí)際情況選用。
高級(jí)操作
文件上傳
import requests
files={'file':open('favicon.ico','rb')}
#通過files參數(shù)傳入post方法中，實(shí)現(xiàn)文件的上傳
response=requests.post("http://httpbin.org/post",files=files)
print(response.text)
這樣通過post請(qǐng)求，我們就完成了文件的上傳，下圖file顯示的就是文件的字節(jié)流了：
獲取cookie
上面提到過，可以直接使用response.cookies就可以打印出cookie了。
實(shí)際上cookies是一個(gè)列表的形式，我們可以用for循環(huán)把每一個(gè)cookie取出來并且打印其key-value：
import requests
response=requests.get("http://www.baidu.com")
print(response.cookies)
for key,value in response.cookies.items():
print(key+'='+value)
如上圖，非常方便地獲取到了cookie信息。這比起urllib可要方便不少~
會(huì)話維持
基本上為了實(shí)現(xiàn)“模擬登錄”的功能。
來看例子：
import requests
requests.get('http://httpbin.org/cookies/set/number/123456789')
#通過cookies/set方法來設(shè)置cookie
response=requests.get('http://httpbin.org/cookies')
print(response.text)
咦，cookies為空，和我們想象的不太一樣。這是因?yàn)樯厦婺嵌未a中發(fā)起了兩次get請(qǐng)求，相當(dāng)于兩個(gè)瀏覽器，相互獨(dú)立，所以第二次get并不能得到第一次的cookie。
那么需要采用下面的方法，通過聲明Session對(duì)象來發(fā)起兩次get請(qǐng)求，視為一個(gè)瀏覽器中進(jìn)行的操作：
import requests
s=requests.Session()
s.get('http://httpbin.org/cookies/set/number/123456789')
#通過cookies/set方法來設(shè)置cookie
response=s.get('http://httpbin.org/cookies')
print(response.text)
這回就成功了~
這個(gè)方法是比較常用的，用來模擬一個(gè)登錄會(huì)話并維持之，這樣就可以獲取登錄后的頁面了。
證書驗(yàn)證
如果我們要爬取的是一個(gè)https協(xié)議的網(wǎng)站，那么網(wǎng)站首先會(huì)檢查證書是否是合法的，若非法，會(huì)直接拋出SSLError錯(cuò)誤。如果要避免這種錯(cuò)誤的話，可以把這個(gè)參數(shù)：verify設(shè)置為False就可以了（默認(rèn)是True）。
先看未設(shè)置的：
import requests
response=requests.get('https://www.12306.cn')
print(response.status_code)
拋出了SSLError錯(cuò)誤。
再看設(shè)置過的：
import requests
response=requests.get('https://www.12306.cn',verify=False)#把verify參數(shù)置否
print(response.status_code)
如此就返回了200的狀態(tài)碼，說明這個(gè)請(qǐng)求是正常的，沒有進(jìn)行證書認(rèn)證。
但是仍然會(huì)有警告信息，提示你最好加上證書驗(yàn)證。那么怎么消除這個(gè)警告信息呢？
可以從原生包中導(dǎo)入urllib3并使用其中的禁用警告這個(gè)方法：
import requests
from requests.packages import urllib3
urllib3.disable_warnings()#禁用警告信息
response=requests.get('https://www.12306.cn',verify=False)
print(response.status_code)
這樣就不會(huì)有警告信息了。
怎么手動(dòng)添加證書呢？
示例：通過cert來指定本地證書
import requests
response=requests.get('https://www.12306.cn',cert=('/path/server.crt','/path/key'))
print(response.status_code)
但由于我這兒沒有本地證書，就不進(jìn)行演示了。
代理設(shè)置
可以通過字典形式構(gòu)造一個(gè)參數(shù)，字典里是你已經(jīng)開通的代理ip。再把參數(shù)傳入get方法即可。
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)如果代理需要用戶名和密碼的時(shí)候怎么辦呢？
我們可以在代理的url前面直接傳一個(gè)user：password，后面加個(gè)@符號(hào)，這樣我們就能傳入用戶名和密碼這個(gè)認(rèn)證信息了：
proxies={
?? ?"http":"http://uesr:password@127.0.0.1:9743/",?? ?
}那如果代理方式不是https，而是一個(gè)socks類型的呢？
首先需要安裝，在命令行執(zhí)行（windows環(huán)境下）：
pip3 install request[socks]
安裝之后就可以使用這種形式的代理了。
import requests
proxies={
?? ?"http":"sock5://127.0.0.1:9743",
?? ?"https":"socks5://127.0.0.1:9743"
}
response=requests.get("https://www.taobao.com",proxies=proxies)
print(response.status_code)超時(shí)設(shè)置
import requests
response=requests.get("https://www.taobao.com",timeout=1)
#設(shè)置一個(gè)時(shí)間限制，必須在1秒內(nèi)得到應(yīng)答
print(response.status_code)如果時(shí)間超出了限制，就會(huì)拋出異常。怎么捕獲這個(gè)異常呢？
import requests
from requests.exceptions import ReadTimeout
try:
?? ?response=requests.get("https://httpbin.org/get",timeout=0.5)
?? ?print(response.status_code)
except ReadTimeout:
?? ?print('Timeout')
成功捕獲了這個(gè)異常，并進(jìn)行處理（報(bào)信息）。
認(rèn)證設(shè)置
有的網(wǎng)站在訪問時(shí)需要輸入用戶名和密碼，輸入之后才能看到網(wǎng)站的內(nèi)容。
如果遇到這種網(wǎng)站，我們可以通過auth參數(shù)，把用戶名和密碼傳入。
import requests
from requests.auth import HTTPBasicAuth
r=requests.get('http://120.27.34.24:9001',auth=HTTPBasicAuth('user','123'))
#通過auth參數(shù)傳入。
print(r.status_code)
這樣就可以完成一個(gè)正常的請(qǐng)求，如果把a(bǔ)uth參數(shù)去掉，那么就會(huì)返回401參數(shù)（請(qǐng)求被禁止）。
異常處理
異常處理的部分還是比較重要的，它可以保證你的爬蟲不間斷地運(yùn)行。
原則還是先捕獲子類異常，再捕捉父類異常（RequestException）。
import requests
from requests.exceptions import ReadTimeout,HTTPError,RequestException
try:
response=requests.get('http://httpbin.org/get',timeout=0.5)
print(response.status_code)
except ReadTimeout:#捕獲超時(shí)異常
print('Timeout')
except HTTPError:#捕獲HTTP異常
print('Http error')
except ConnectionError:#捕獲連接異常
print('Connection error')
except RequestException:#捕獲父類異常
print('Error')
以上為個(gè)人經(jīng)驗(yàn)，希望能給大家一個(gè)參考，也希望大家多多支持腳本之家。
相關(guān)文章
win10系統(tǒng)配置GPU版本Pytorch的詳細(xì)教程
這篇文章主要介紹了win10系統(tǒng)配置GPU版本Pytorch,本文通過圖文并茂的形式給大家介紹的非常詳細(xì)，對(duì)大家的學(xué)習(xí)或工作具有一定的參考借鑒價(jià)值，需要的朋友可以參考下2021-04-04
這篇文章主要為大家介紹了python數(shù)據(jù)類型可變與不可變深入分析，有需要的朋友可以借鑒參考下，希望能夠有所幫助，祝大家多多進(jìn)步，早日升職加薪2022-06-06
最近有同學(xué)詢問如何利用Python處理xml文件,特此整理一篇比較簡潔的操作手冊(cè),下面這篇文章主要給大家介紹了關(guān)于python操作XML格式文件的一些常見方法,文中通過實(shí)例代碼介紹的非常詳細(xì),需要的朋友可以參考下2022-07-07
這篇文章主要介紹了Python實(shí)現(xiàn)句子翻譯功能，涉及urllib庫的使用等相關(guān)內(nèi)容，具有一定參考價(jià)值，需要的朋友可以了解下。2017-11-11
這篇文章主要為大家詳細(xì)介紹了python放大圖片和畫方格實(shí)現(xiàn)算法，實(shí)現(xiàn)圖片的放大縮小功能，具有一定的參考價(jià)值，感興趣的小伙伴們可以參考一下2018-03-03
Python技法之如何用re模塊實(shí)現(xiàn)簡易tokenizer
當(dāng)我們?cè)赑ython中開始新的東西時(shí),我通常首先看一些模塊或庫來使用,下面這篇文章主要給大家介紹了關(guān)于Python技法之如何用re模塊實(shí)現(xiàn)簡易tokenizer的相關(guān)資料,需要的朋友可以參考下2022-05-05
這篇文章主要介紹了python 基于opencv操作攝像頭的方法，幫助大家更好的理解和使用python，感興趣的朋友可以了解下2020-12-12
Pytest+Yaml+Excel?接口自動(dòng)化測試框架的實(shí)現(xiàn)示例
本文主要介紹了Pytest+Yaml+Excel?接口自動(dòng)化測試框架，文中通過示例代碼介紹的非常詳細(xì)，具有一定的參考價(jià)值，感興趣的小伙伴們可以參考一下2022-01-01
Python?matplotlib?plotly繪制圖表詳解
plotly本身是個(gè)生態(tài)非常復(fù)雜的繪圖工具，它對(duì)很多編程語言提供接口。交互式和美觀易用應(yīng)該是?Plotly?最大的優(yōu)勢，而?Matplotlib?的特點(diǎn)則是可定制化程度高，但語法也相對(duì)難學(xué)，各有優(yōu)缺點(diǎn)。本文將通過示例詳細(xì)講解二者是如何繪制圖表的，需要的可以參考一下2022-03-03
這篇文章主要介紹了使用Python編寫簡單的端口掃描器的實(shí)例分享,文中分別介紹了單線程和多線程的實(shí)現(xiàn)方式,需要的朋友可以參考下2015-12-12