Python爬虫--Requests 库用法大全

用户9925864

发布于 2022-07-27 08:14:59

6550

发布于 2022-07-27 08:14:59

文章被收录于专栏：算法工程师的学习日志

昨晚分享了Python爬虫的基本知识，本文分享一下爬虫里面请求相关的内容：Requests 用法。

在了解完爬虫相关的基础知识以后，我们就可以尝试去开发自己的爬虫程序了。我们使用的是Python 语言来开发爬虫，其中不得不学习的就是关于 requests 库的使用了

1、安装 requests 库

因为学习过程使用的是 Python 语言，需要提前安装 Python ，我安装的是 Python 3.8，可以通过命令 python --version 查看自己安装的 Python 版本，建议安装 Python 3.X 以上的版本。

安装好 Python 以后可以直接通过以下命令安装 requests 库。

pip install requests

Ps：可以切换到国内的pip源，例如阿里、豆瓣，速度快为了演示功能，我这里使用nginx模拟了一个简单网站。下载好了以后，直接运行根目录下的 nginx.exe 程序就可以了(备注：windows环境下)。这时本机访问：http://127.0.0.1 ，会进入 nginx 的一个默认页面。

2、获取网页

下面我们开始用 requests 模拟一个请求，获取页面源代码。

import requests
r = requests.get('http://127.0.0.1')
print(r.text)

执行以后得到的结果如下：

<!DOCTYPE html>
<html>
<head>
<title>Welcome to nginx!</title>
<style>
    body {
        width: 35em;
        margin: 0 auto;
        font-family: Tahoma, Verdana, Arial, sans-serif;
    }
</style>
</head>
<body>
<h1>Welcome to nginx!</h1>
<p>If you see this page, the nginx web server is successfully installed and
working. Further configuration is required.</p>

<p>For online documentation and support please refer to
<a href="http://nginx.org/">nginx.org</a>.<br/>
Commercial support is available at
<a href="http://nginx.com/">nginx.com</a>.</p>

<p><em>Thank you for using nginx.</em></p>
</body>
</html>

3、关于请求

常见的请求有很多种，比如上面的示例使用的就是 GET 请求，这里详细介绍一下这些常见的请求方法。

关于请求的测试，介绍一个网站：http://httpbin.org/ ，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。它用 Python + Flask 编写，是一个开源项目。

4、GET 请求

4.1、发起请求

我们使用相同的方法，发起一个 GET 请求：

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

返回结果如下：

{
  "args": {}, 
  "headers": {
    "Accept": "*/*", 
    "Accept-Encoding": "gzip, deflate", 
    "Host": "httpbin.org", 
    "User-Agent": "python-requests/2.23.0", 
    "X-Amzn-Trace-Id": "Root=1-5f846520-19f215aa46213a2b4241c18a"
  }, 
  "origin": "xxxx", 
  "url": "http://httpbin.org/get"
}

通过返回结果，我们可以看到返回结果所包括的信息有：Headers、URL、IP等。

4.2、添加参数

平时我们访问的 URL 会包含一些参数，比如：id是100，name是YOOAO。正常的访问，我们会编写如下 URL 进行访问：

http://httpbin.org/get?id=100&name=YOOAO

显然很不方便，而且参数多的情况下会容易出错，这时我们可以通过 params 参数优化输入内容。

import requests  
data = {  
    'id': '100',  
    'name': 'YOOAO'
}  
r = requests.get('http://httpbin.org/get', params=data)  
print(r.text)

这是执行代码返回的结果如下：

{
  "args": {
    "id": "100", 
    "name": "YOOAO"
  }, 
  "headers": {
    "Accept": "*/*", 
    "Accept-Encoding": "gzip, deflate", 
    "Host": "httpbin.org", 
    "User-Agent": "python-requests/2.23.0", 
    "X-Amzn-Trace-Id": "Root=1-5f84658a-1cd0437b4cf34835410d7161"
  }, 
  "origin": "xxx.xxxx.xxx.xxx", 
  "url": "http://httpbin.org/get?id=100&name=YOOAO"
}

通过返回结果，我们可以看到，通过字典方式传输的参数被自动构造成了完整的 URL ，不需要我们自己手动完成构造。

4.3、返回结果处理

返回结果是 json 格式，因此我们可以使用调用 json 的方法来解析。如果返回内容不是 json 格式，这种调用会报错。

import requests  

r = requests.get('http://httpbin.org/get')  
print(type(r.text))   
print(type(r.json()))

返回结果：

<class 'str'>
<class 'dict'>

4.4、内容抓取

这里我们使用简单的正则表达式，来抓取nginx示例页面种所有< a >标签的内容，代码如下：

import requests
import re

r = requests.get('http://127.0.0.1')
pattern = re.compile('<a.*?>(.*?)</a>', re.S)
a_content = re.findall(pattern, r.text)
print(a_content)

抓取结果：

['nginx.org', 'nginx.com']

这里一次简单的页面获取和内容抓取就完成了，

4.5、数据文件下载

上面的示例，返回的都是页面信息，如果我们想获取网页上的图片、音频和视频文件，我们就需要学会抓取页面的二进制数据。我们可以使用 open 方法来完成图片等二进制文件的下载，示例代码：

import requests

r = requests.get('http://tu.ossfiles.cn:9186/group3/M00/09/FB/rBpVfl8QFLOAYhhcAAC-pTdNj7g471.jpg')
with open('image.jpg', 'wb') as f:
    f.write(r.content)
print('下载完成')

open 方法中，它的第一个参数是文件名称，第二个参数代表以二进制的形式打开，可以向文件里写入二进制数据。

运行结束以后，会在运行文件的同级文件夹下保存下载下来的图片。运用同样原理，我们可以处理视频和音频文件。

4.6、添加headers

在上面的示例中，我们直接发起的请求，没有添加 headers ，某些网站为因为请求不携带请求头而造成访问异常，这里我们可以手动添加 headers 内容，模拟添加 headers 中的 Uer-Agent 内容代码：

import requests

headers = {'User-Agent':'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_8_3) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/27.0.1453.93 Safari/537.36'}
r = requests.get('http://httpbin.org/get', headers=headers)
print(r.text)

执行结果：

{
  "args": {}, 
  "headers": {
    "Accept": "*/*", 
    "Accept-Encoding": "gzip, deflate", 
    "Host": "httpbin.org", 
    "User-Agent": "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_8_3) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/27.0.1453.93 Safari/537.36", 
    "X-Amzn-Trace-Id": "Root=1-5ec8f342-8a9f986011eac8f07be8b450"
  }, 
  "origin": "xxx3.xx.xxx.xxx", 
  "url": "http://httpbin.org/get"
}

结果可见，User-Agent 的值变了。不是之前的：python-requests/2.23.0。

5、POST 请求

GET请求相关的知识都讲完了，下面讲讲另一个常见的请求方式：POST请求。

使用 requests 实现 POST 请求的代码如下:

import requests
data = {  
    'id': '100',  
    'name': 'YOOAO'
}  

r = requests.post("http://httpbin.org/post", data=data)
print(r.text)

结果如下

{
  "args": {}, 
  "data": "", 
  "files": {}, 
  "form": {
    "id": "100", 
    "name": "YOOAO"
  }, 
  "headers": {
    "Accept": "*/*", 
    "Accept-Encoding": "gzip, deflate", 
    "Content-Length": "17", 
    "Content-Type": "application/x-www-form-urlencoded", 
    "Host": "httpbin.org", 
    "User-Agent": "python-requests/2.23.0", 
    "X-Amzn-Trace-Id": "Root=1-5ec8f4a0-affca27a05e320a84ca6535a"
  }, 
  "json": null, 
  "origin": "xxxx", 
  "url": "http://httpbin.org/post"
}

从 form 中我们看到了自己提交的数据，可见我们的 POST 请求访问成功。

6、响应

访问URL时，有请求就会有响应，上面的示例使用 text 和 content 获取了响应的内容。除此以外，还有很多属性和方法可以用来获取其他信息，比如状态码、响应头、Cookies 等。

import requests

r = requests.get('http://127.0.0.1/')
print(type(r.status_code), r.status_code)
print(type(r.headers), r.headers)
print(type(r.cookies), r.cookies)
print(type(r.url), r.url)
print(type(r.history), r.history)

关于状态码，requests 还提供了一个内置的状态码查询对象 requests.codes，用法示例如下：

import requests
r = requests.get('http://127.0.0.1/')
exit() if not r.status_code == requests.codes.ok else print('Request Successfully')
==========执行结果==========
Request Successfully

这里通过比较返回码和内置的成功的返回码，来保证请求得到了正常响应，输出成功请求的消息，否则程序终止。

这里我们用 requests.codes.ok 得到的是成功的状态码 200。

这样的话，我们就不用再在程序里面写状态码对应的数字了，用字符串表示状态码会显得更加直观。

下面是响应码和查询条件对照信息：

# 信息性状态码  
100: ('continue',),  
101: ('switching_protocols',),  
102: ('processing',),  
103: ('checkpoint',),  
122: ('uri_too_long', 'request_uri_too_long'),  

# 成功状态码  
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',),  

# 重定向状态码  
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 3.0  

# 客户端错误状态码  
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',),  

# 服务端错误状态码  
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')

7、SSL 证书验证

现在很多网站都会验证证书，我们可以设置参数来忽略证书的验证。

import requests

response = requests.get('https://XXXXXXXX', verify=False)
print(response.status_code)

或者制定本地证书作为客户端证书：

import requests

response = requests.get('https://xxxxxx', cert=('/path/server.crt', '/path/server.key'))
print(response.status_code)

注意：本地私有证书的 key 必须是解密状态，加密状态的 key 是不支持的。

8、设置超时

很多时候我们需要设置超时时间来控制访问的效率，遇到访问慢的链接直接跳过。

示例代码：

import requests
# 设置超时时间为 10 秒
r = requests.get('https://httpbin.org/get', timeout=10)
print(r.status_code)

将连接时间和读取时间分开计算：

r = requests.get('https://httpbin.org/get', timeout=(3, 10))

不添加参数，默认不设置超时时间，等同于：

r = requests.get('https://httpbin.org/get', timeout=None)

9、身份认证

遇到一些网站需要输入用户名和密码，我们可以通过 auth 参数进行设置。

import requests  
from requests.auth import HTTPBasicAuth  
# 用户名为 admin ，密码为 admin 
r = requests.get('https://xxxxxx/', auth=HTTPBasicAuth('admin', 'admin'))  
print(r.status_code)

简化写法：

import requests

r = requests.get('https://xxxxxx', auth=('admin', 'admin'))
print(r.status_code)

10、设置代理

如果频繁的访问某个网站时，后期会被一些反爬程序识别，要求输入验证信息，或者其他信息，甚至IP被封无法再次访问，这时候，我们可以通过设置代理来避免这样的问题。

import requests

proxies = {
  "http": "http://10.10.1.10:3128",
  "https": "http://10.10.1.10:1080",
}

requests.get("http://example.org", proxies=proxies)

若你的代理需要使用HTTP Basic Auth，可以使用

http://user:password@host/ 语法：

proxies = {
    "http": "http://user:pass@10.10.1.10:3128/",
}

要为某个特定的连接方式或者主机设置代理，使用 scheme://hostname 作为 key，它会针对指定的主机和连接方式进行匹配。

proxies = {'http://10.20.1.128': 'http://10.10.1.10:5323'}

本文参与腾讯云自媒体同步曝光计划，分享自微信公众号。

原始发表：2020-10-12，如有侵权请联系 cloudcommunity@tencent.com 删除

python

php

html

爬虫

本文分享自算法工程师的学习日志微信公众号，前往查看

如有侵权，请联系 cloudcommunity@tencent.com 删除。

本文参与腾讯云自媒体同步曝光计划，欢迎热爱写作的你一起参与！

登录后参与评论

0 条评论

热度

Python爬虫--Requests 库用法大全

Python爬虫--Requests 库用法大全

社区

活动

资源

关于

腾讯云开发者

热门产品

热门推荐

更多推荐