Python爬虫之对requests和urllib库的认识和使用(二)

上篇文章已经介绍了urllib库的基本使用，本篇博客介绍requests库的基本使用，爬虫极力推荐requests，看完你就明白辽～。

学习之前推荐一个非常好的http测试网站：http://httpbin.org，提供非常非常完善的接口调试、测试功能～

requests库的具体使用

Python里默认是没有requests库滴，安装完Python需要手动安装requests库：

pip  install  requests

一、混个脸熟

访问baidu，获取一些基本信息：

 import requests
    #打开网页获取响应
    response = requests.get("https://www.baidu.com")
    #打印响应类型
    print('response:',type(response))
    #打印状态码
    print('status_code:',response.status_code)
    #打印字符串形式的json响应体的类型
    print(type(response.text))
    #打印字符串形式的响应体
    print('text:',response.text)
    打印cookie
    print('cookie:',response.cookies)
    print('二进制content:',response.content)
    print('content:',response.content.decode("utf-8"))

ps：response.text是获取字符串形式的网页内容，但是由于编码问题，很容易乱码，所以还可以使用response.content以二进制形式获取，然后使用decode方法进行转码。

其实使用requset.text避免乱码的方式还有一个，就是发出请求后，获取内容之前使用response.encoding属性来改变编码，例如：

response =requests.get("http://www.baidu.com")
#设置响应内容的编码方式为utf-8
response.encoding="utf-8"
print(response.text)

二、requests的请求

requests支持http的各种请求，比如：

GET： 请求指定的页面信息，并返回实体主体。

HEAD： 只请求页面的首部。

POST： 请求服务器接受所指定的文档作为对所标识的URI的新的从属实体。

PUT： 从客户端向服务器传送的数据取代指定的文档的内容。

DELETE： 请求服务器删除指定的页面。

OPTIONS： 允许客户端查看服务器的性能。

1.最基本的get请求

1).一个带参数的get请求：

import requests
    #将参数写在字典里，通过params传入，params接受字典或序列
    data = {
        "name": "hanson",
        "age": 24
    }
    #发出一个get请求，获得响应
    response = requests.get("http://httpbin.org/get", params=data)
    #打印url
    print(response.url)
    #打印响应内容
    print(response.text)

结果为：

url：http://httpbin.org/get?name=hanson&age=24
text：{
  "args": {
    "age": "24", 
    "name": "hanson"
  }, 
  "headers": {
    "Accept": "*/*", 
    "Accept-Encoding": "gzip, deflate", 
    "Host": "httpbin.org", 
    "User-Agent": "python-requests/2.18.4"
  }, 
  "origin": "124.74.47.82, 124.74.47.82", 
  "url": "https://httpbin.org/get?name=hanson&age=24"
}
 

2).响应json的解析

示例：

 import requests
    import json
    #发出一个get请求
    response = requests.get("http://httpbin.org/get")
    #text响应类型
    print(type(response.text))
    #直接解析响应json(成字典)
    print(response.json())
    #获取响应内容后json进行解析(成字典)
    print(json.loads(response.text))
    #直接解析后的相应内容类型
    print(type(response.json()))

控制台打印结果：

{'args': {}, 'headers': {'Accept': '*/*', 'Accept-Encoding': 'gzip, deflate', 'Connection': 'close', 'Host': 'httpbin.org', 'User-Agent': 'python-requests/2.18.4'}, 'origin': '124.74.47.82', 'url': 'http://httpbin.org/get'}
{'args': {}, 'headers': {'Accept': '*/*', 'Accept-Encoding': 'gzip, deflate', 'Connection': 'close', 'Host': 'httpbin.org', 'User-Agent': 'python-requests/2.18.4'}, 'origin': '124.74.47.82', 'url': 'http://httpbin.org/get'}

发现其实requests里的json方法就是封装了json.loads方法，非常奈斯～

3).添加头信息headers

和urllib模块一样，某些网站是无法直接访问的，访问知乎：

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

打印如下错误：

400 Bad Request

---

openresty

我们需要为之添加头部信息：

ps：chrome查看头部信息：谷歌浏览器里输入chrome://version,就可以看到用户代理

部分结果：

Google Chrome	72.0.3626.96 (正式版本) （64 位）
修订版本	84098ee7ef8622a9defc2ef043cd8930b617b10e-refs/branch-heads/3626@{#836}
操作系统	Linux
JavaScript	V8 7.2.502.25
Flash	32.0.0.142 /home/hanson/.config/google-chrome/PepperFlash/32.0.0.142/libpepflashplayer.so
用户代理	Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/72.0.3626.96 Safari/537.36
命令行	/usr/bin/google-chrome-stable --flag-switches-begin --flag-switches-end

添加头信息后重新访问：

import requests
    #添加头部信息
    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"
    }
    #发送请求
    response = requests.get("https://www.zhihu.com", headers=headers)
    #打印响应
    print(response.text)

2.最基本的post请求

1).发送个带参的post试试

和get请求类似，带参的请求写在字典里携带，不过post是由data参数携带：

import requests
    #参数写在字典里
    data = {
        "name": "hason",
        "age": 23
    }
    #请求时将字典参数赋给data参数
    response = requests.post("http://httpbin.org/post", data=data)
    #打印响应
    print(response.text)

打印结果：

{
  "args": {}, 
  "data": "", 
  "files": {}, 
  "form": {
    "age": "23", 
    "name": "zhaofan"
  }, 
  "headers": {
    "Accept": "*/*", 
    "Accept-Encoding": "gzip, deflate", 
    "Content-Length": "19", 
    "Content-Type": "application/x-www-form-urlencoded", 
    "Host": "httpbin.org", 
    "User-Agent": "python-requests/2.18.4"
  }, 
  "json": null, 
  "origin": "124.74.47.82, 124.74.47.82", 
  "url": "https://httpbin.org/post"
}

一下子看到这么多响应有点萌，嘎哈的呢？请看响应的获取～

2).响应

可以通过response响应获得很多属性：

 import requests
    response = requests.get("http://www.baidu.com")
    #响应状态码
    print(type(response.status_code), response.status_code)
    #响应头信息
    print(type(response.headers), response.headers)
    #cookie
    print(type(response.cookies), response.cookies)
    #url
    print(type(response.url), response.url)
    #网络 响应历程
    print(type(response.history), response.history)

打印结果：

200
{'Cache-Control': 'private, no-cache, no-store, proxy-revalidate, no-transform', 'Connection': 'Keep-Alive', 'Content-Encoding': 'gzip', 'Content-Type': 'text/html', 'Date': 'Mon, 18 Feb 2019 08:37:19 GMT', 'Last-Modified': 'Mon, 23 Jan 2017 13:28:24 GMT', 'Pragma': 'no-cache', 'Server': 'bfe/1.0.8.18', 'Set-Cookie': 'BDORZ=27315; max-age=86400; domain=.baidu.com; path=/', 'Transfer-Encoding': 'chunked'}
]>
http://www.baidu.com/
[]

补充：requests的状态码判断：
Requests还附带了一个内置的状态码查询对象
主要有如下内容：

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.重定向
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

Client Error.客户端错误
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.服务端错误
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'),

三、requests进阶使用

1.文件上传

需要用到请求参数里的file参数：

 import requests
    #rb,以只读的方式打开二进制文件
    files = {"files": open("git.jpeg", "rb")}
    #发送post请求携带文件
    response = requests.post("http://httpbin.org/post", files=files)
    #响应内容
    print(response.text)

响应结果：

{
  "args": {}, 
  "data": "", 
  "files": {
    "files": ""
  }, 
  "form": {}, 
  "headers": {
    "Accept": "*/*", 
    "Accept-Encoding": "gzip, deflate", 
    "Content-Length": "145", 
    "Content-Type": "multipart/form-data; boundary=75c9d62b8f1248a9b6a89741143836b5", 
    "Host": "httpbin.org", 
    "User-Agent": "python-requests/2.18.4"
  }, 
  "json": null, 
  "origin": "124.74.47.82, 124.74.47.82", 
  "url": "https://httpbin.org/post"
}

2.获取cookie

import requests
    #发送请求
    response = requests.get("http://www.baidu.com")
    #打印cookie
    print(response.cookies)

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

3.session会话维持

会话对象requests.Session能够跨请求地保持某些参数，比如cookies，即在同一个Session实例发出的所有请求都保持同一个cookies,而requests模块每次会自动处理cookies，这样就很方便地处理登录时的cookies问题。

import requests
    #创建session对象
    s = requests.Session()
    #使用session访问并设置number参数
    s.get("http://httpbin.org/cookies/set/number/123456")
    #session对象再次访问，获取响应内容
    response = s.get("http://httpbin.org/cookies")
    print(response.text)

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

例如访问12306：

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

会报错，证书错误

解决：加上verify=false(默认是true)

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

5.代理设置

proxies

6.超时时间

timeout，单位：毫秒

7.重定向

allow_rediects

还有几个访问参数介绍：

auth：认证，接受元祖

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

stream：是否下载获取的内容

cert：保存本地SSL证书路径

8.异常处理

所有的异常都是在requests.excepitons中：

示例：

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")

测试可以发现，首先被捕捉的异常是timeout超时异常,当把网络断掉就会捕捉到ConnectionError连接异常，如果前面异常都没有捕捉到，最后也可以通过RequestExctption捕捉到。

 

以上是requests的基本用法介绍，在实战中会遇到更复杂的使用～