爬虫系列教程三：requests详解

前言：

1. 我从这部分内容开始逐步根据官方文档介绍教程二中提到的一些库；
2. 爬虫的基础是与网页建立联系，而我们可以通过get和post两种方式来建立连接，而我们可以通过引入urllib库[在python3的环境下导入的是urllib；而python2的环境下是urllib和urllib2]或者requests库来实现,从程序的复杂度和可读性考虑，requests库显然更能满足程序员的需求，但是我没有找到这个库详细的中文讲解，这也是我写这篇文章的原因。
3. 所有的参考资料均来源于官方文档http://docs.python-requests.org/en/master/user/quickstart/#make-a-request
4. 文中可能有一些拓展知识，不喜欢可以略读过去。

如何使用requests库

1. 首先我们需要导入requests包

import requests

2. 然后我们可以通过get或者post（两者有一定的区别，请根据自己的需求合理的选择）来请求页面：

req_1 = requests.get('https://m.weibo.cn/status/4278783500356969')
req_2 = requests.post('https://m.weibo.cn/status/4278783500356969')

• 这里多说一下我们通过这两个方式得到了什么？
  • Now, we have a Response object called req_1/req_2. We can get all the information we need from this object.

  这是官方文档中给出的说明，我们得到的是一个对象，里面包含了我们请求的页面的代码（可以print出来看一下）及相关信息，而我们可以通过’.'操作符来访问这个对象内的信息，在文末我会详细的归纳出来【注1】.

• 再拓展一下我们对一个url还有哪些操作？

  req = requests.put('http://httpbin.org/put', data = {'key':'value'})
  req = requests.delete('http://httpbin.org/delete')
  req = requests.head('http://httpbin.org/get')
  req = requests.options('http://httpbin.org/get')
  

3. 我们多数情况下还需要在请求中添加一些参数，如果你接触过urllib的话，你就会惊叹于requests的方便：

• 先说一下如何将参数/表单，或者其它信息添加到请求中
  • get:

    payload = {'key1': 'value1', 'key2': 'value2'} # 这里的value可以为一个列表
    req = requests.get('http://httpbin.org/get', params=payload)
    

  • post:

    yourData = {'key':'value'}
    req = requests.post('http://httpbin.org/post', data=yourData)
    

  • 下面的例子是展示表单中可以有多种类型的值

    payload_tuples = [('key1', 'value1'), ('key1', 'value2')]
    r1 = requests.post('http://httpbin.org/post', data=payload_tuples)
    payload_dict = {'key1': ['value1', 'value2']}
    r2 = requests.post('http://httpbin.org/post', data=payload_dict)
    print(r1.text)
    {
      ...
      "form": {
        "key1": [
          "value1",
          "value2"
        ]
      },
      ...
    }
    r1.text == r2.text
    True
    

  • 这个例子是说明表单的编码的形式是多样的，比如以json来传递

    #写法一
    import json
    url = 'https://api.github.com/some/endpoint'
    payload = {'some': 'data'}
    req = requests.post(url, data=json.dumps(payload))
    
    #写法二
    url = 'https://api.github.com/some/endpoint'
    payload = {'some': 'data'}
    req = requests.post(url, json=payload)
    

  • 如果你想传递header的话

    get:
    
    headers = {'user-agent': 'my-app/0.0.1'}
    req = requests.get(url, headers=headers)
    post:
    
    header = {'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_11_6) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/52.0.2743.116 Safari/537.36'}
    data = {'_xsrf': xsrf, 'email': '邮箱', 'password': '密码',
            'remember_me': True}
    session = requests.Session()
    result = session.post('https://www.zhihu.com/login/email', headers=header, data=data) #这里的result是一个json格式的字符串，里面包含了登录结果
    

  • 如果你想传递cookie的话

    get:
    
    url = 'http://httpbin.org/cookies'
    req = requests.get(url, cookies=dict(cookies_are='working'))
    post:
    
    import requests
    r = requests.get(url1)  # 你第一次的url
    headers = {
        'Accept':'text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,*/*;q=0.8',
        'Accept-Encoding':'gzip, deflate, sdch',
        'Accept-Language':'zh-CN,zh;q=0.8',
        'Connection':'keep-alive',
        'Cache-Control':'no-cache',
        'Content-Length':'6',
        'Content-Type':'application/x-www-form-urlencoded; charset=UTF-8',
        'Host':'www.mm131.com',
        'Pragma':'no-cache',
        'Origin':'http://www.mm131.com/xinggan/',
        'Upgrade-Insecure-Requests':'1',
        'User-Agent':'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/56.0.2924.87 Safari/537.36',
        'X-Requested-With':'XMLHttpRequest'
    }  # headers的例子，看你的post的headers
    headers['cookie'] = ';'.join([headers['cookie'], ['='.join(i) for i in r.cookies.items()]])
    r = requests.post(url2, headers=headers, data=data)  # 你第二次的url
    

  • 如果你想传递文件

    post:
    
    #低阶版：
    url = 'http://httpbin.org/post'
    files = {'file': open('report.xls', 'rb')}
    
    req = requests.post(url, files=files)
    req.text
    {
      ...
      "files": {
        "file": ""
      },
      ...
    }
    
    #进阶版：
    url = 'http://httpbin.org/post'
    files = {'file': ('report.xls', open('report.xls', 'rb'), 'application/vnd.ms-excel', {'Expires': '0'})}
    
    req = requests.post(url, files=files)
    req.text
    {
      ...
      "files": {
        "file": ""
      },
      ...
    }
    

  • 其实字符串也可以上传：

    url = 'http://httpbin.org/post'
    files = {'file': ('report.csv', 'some,data,to,send\nanother,row,to,send\n')}
    
    req = requests.post(url, files=files)
    req.text
    {
      ...
      "files": {
        "file": "some,data,to,send\\nanother,row,to,send\\n"
      },
      ...
    }
    

• 再拓展一下get和post的函数原型，可以让大家对参数有一个更加全面的了解：

  get:
  
  def get(url, params=None, **kwargs):
      r"""Sends a GET request.
  
      :param url: URL for the new :class:`Request` object.
      :param params: (optional) Dictionary or bytes to be sent in the query string for the :class:`Request`.
      :param \*\*kwargs: Optional arguments that ``request`` takes.
      :return: :class:`Response ` object
      :rtype: requests.Response
      """
  
      kwargs.setdefault('allow_redirects', True)
      return request('get', url, params=params, **kwargs)
  post:
  
  def post(url, data=None, json=None, **kwargs):
      r"""Sends a POST request.
  
      :param url: URL for the new :class:`Request` object.
      :param data: (optional) Dictionary (will be form-encoded), bytes, or file-like object to send in the body of the :class:`Request`.
      :param json: (optional) json data to send in the body of the :class:`Request`.
      :param \*\*kwargs: Optional arguments that ``request`` takes.
      :return: :class:`Response ` object
      :rtype: requests.Response
      """
  
      return request('post', url, data=data, json=json, **kwargs)
  

• 然后拓展一个打印出添加了参数的之后的url的方法：

  print(req.url)
  

• 我们需要注意的另一个事情是编码问题：
  • 你如果使用print(req.text)，那么requests会自动帮你编码来显示结果（原文件是以二进制形式返回的，而urllib则需要手动编码），如果你想改变编码方式也很简单:req.encoding = ‘ISO-8859-1’
  • 而如果你想要得到一个二进制的结果：

    req.content()
    

  • 另外你如果想要一个json格式的结果 ：

      req.json()
    

  • !一定要做异常的处理，很有可能请求的网页与json不适配或者压根请求就出问题
    • 如果你想要一个未经过处理的response：

      req = requests.get('https://api.github.com/events', stream=True)
      req.raw
      <urllib3.response.HTTPResponse object at 0x101194810>
      
      req.raw.read(10)
      '\x1f\x8b\x08\x00\x00\x00\x00\x00\x00\x03'
      

    • 当然，我们需要做一些异常的处理

      with open(filename, 'wb') as fd:
          for chunk in r.iter_content(chunk_size=128):
              fd.write(chunk)
      

4. 如果你需要获取response的信息的话：

   req.headers
   {
       'content-encoding': 'gzip',
       'transfer-encoding': 'chunked',
       'connection': 'close',
       'server': 'nginx/1.0.4',
       'x-runtime': '148ms',
       'etag': '"e1ca502697e5c9317743dc078f67693f"',
       'content-type': 'application/json'
   }
   
   req.headers['Content-Type']
   'application/json'
   
   req.headers.get('content-type')
   'application/json'
   

5. 如何取得cookies并使用：

   #基本取出
   >>> url = 'http://example.com/some/cookie/setting/url'
   >>> r = requests.get(url)
   
   >>> r.cookies['example_cookie_name']
   'example_cookie_value'
   #基本使用
   >>> url = 'http://httpbin.org/cookies'
   >>> cookies = dict(cookies_are='working')
   
   >>> r = requests.get(url, cookies=cookies)
   >>> r.text
   '{"cookies": {"cookies_are": "working"}}'
   
   
   #使用cookiesJar来完成两个过程
   >>> jar = requests.cookies.RequestsCookieJar()
   >>> jar.set('tasty_cookie', 'yum', domain='httpbin.org', path='/cookies')
   >>> jar.set('gross_cookie', 'blech', domain='httpbin.org', path='/elsewhere')
   >>> url = 'http://httpbin.org/cookies'
   >>> r = requests.get(url, cookies=jar)
   >>> r.text
   '{"cookies": {"tasty_cookie": "yum"}}'
   

6，其它内容（挖坑以后填）：

• 状态码
• 超时
• 异常和错误的处理