Python的requests库简介

Python的网络爬虫与信息提取

1、HTTP，Hypertext Transfer Protocol，超文本传输协议

（1）HTTP是一个基于“请求与响应”模式的、无状态的应用层协议
（2）HTTP协议采用URL作为定位网络资源的标识，URL格式如下：http://host[:port][path]

• host: 合法的Internet主机域名或IP地址
• port: 端口号，缺省端口为80
• path: 请求资源的路径

（3）HTTP URL实例：http://www.bit.edu.cnhttp://220.181.111.188/duty
（4）HTTP URL的理解：URL是通过HTTP协议存取资源的Internet路径，一个URL对应一个数据资源
（5）HTTP协议对资源的操作

2、方法与对象

（1）requests.get(url, params=None, **kwargs)

 

• url : 拟获取页面的url链接
• params : url中的额外参数，字典或字节流格式，可选
• **kwargs: 12个控制访问的参数

（2）response对象的属性

（3）response对象的编码

（4）requests库的异常

（5）response对象的异常

3、resquests库的7个主要方法

>>> r = requests.head('http://httpbin.org/get')
>>> r.headers
{'Content‐Length': '238', 'Access‐Control‐Allow‐Origin': '*', 'Access‐
Control‐Allow‐Credentials': 'true', 'Content‐Type':
'application/json', 'Server': 'nginx', 'Connection': 'keep‐alive',
'Date': 'Sat, 18 Feb 2017 12:07:44 GMT'}
>>> payload = {'key1': 'value1', 'key2': 'value2'}
>>> r = requests.post('http://httpbin.org/post', data = payload)
>>> print(r.text)
{ ...
    "form": {                
        "key2": "value2",    #向URL POST一个字典
        "key1": "value1"     #自动编码为form（表单）  
    },
}

（1）requests.request(method, url, **kwargs)

• method : 请求方式，对应get/put/post等7种

1. r= requests.request('GET', url, **kwargs)
2. r = requests.request('HEAD', url, **kwargs)
3. r = requests.request('POST', url, **kwargs)
4. r = requests.request('PUT', url, **kwargs)
5. r = requests.request('PATCH', url, **kwargs)
6. r = requests.request('delete', url, **kwargs)
7. r = requests.request('OPTIONS', url, **kwargs)

• url : 拟获取页面的url链接
• **kwargs: 控制访问的参数，共13个

      1. params : 字典或字节序列，作为参数增加到url中

>>> kv = {'key1': 'value1', 'key2': 'value2'}
>>> r = requests.request('GET', 'http://python123.io/ws', params=kv)
>>> print(r.url)
http://python123.io/ws?key1=value1&key2=value2

      2. data : 字典、字节序列或文件对象，作为Request的内容

>>> kv = {'key1': 'value1', 'key2': 'value2'}
>>> r = requests.request('POST', 'http://python123.io/ws', data=kv)
>>> body = '主体内容'
>>> r = requests.request('POST', 'http://python123.io/ws', data=body)

     3. json : JSON格式的数据，作为Request的内容

>>> kv = {'key1': 'value1'}
>>> r = requests.request('POST', 'http://python123.io/ws', json=kv)

     4. headers : 字典，HTTP定制头

>>> hd = {'user‐agent': 'Chrome/10'}
>>> r = requests.request('POST', 'http://python123.io/ws', headers=hd)

     5. cookies : 字典或CookieJar，Request中的cookie

     6. auth : 元组，支持HTTP认证功能

     7. files : 字典类型，传输文件

>>> fs = {'file': open('data.xls', 'rb')}
>>> r = requests.request('POST', 'http://python123.io/ws', files=fs)

     8. timeout : 设定超时时间，秒为单位

>>> r = requests.request('GET', 'http://www.baidu.com', timeout=10)

     9. proxies : 字典类型，设定访问代理服务器，可以增加登录认证

>>> pxs = { 'http': 'http://user:[email protected]:1234'
            'https': 'https://10.10.10.1:4321' }
>>> r = requests.request('GET', 'http://www.baidu.com', proxies=pxs)

    10. allow_redirects : True/False，默认为True，重定向开关

    11. stream : True/False，默认为True，获取内容立即下载开关

    12. verify : True/False，默认为True，认证SSL证书开关

    13. cert : 本地SSL证书路径

（2）requests.get(url, params=None, **kwargs)
（3）requests.head(url, **kwargs)
（4）requests.post(url, data=None, json=None, **kwargs)
（5）requests.put(url, data=None, **kwargs)
（6）requests.patch(url, data=None, **kwargs)
（7）requests.delete(url, **kwargs)

4、Robots协议

 

• Robots Exclusion Standard，网络爬虫排除标准
• 作用：网站告知网络爬虫哪些页面可以抓取，哪些不行
• 形式：在网站根目录下的robots.txt文件

4、应用实例

• 京东商品页面的爬取实例

#jingdong.py
import requests
url = "https://item.jd.com/2967929.html"
try:
    r = requests.get(url)
    r.raise_for_status()
    r.encoding = r.apparent_encoding
    print(r.text[:1000])
except:
    print("爬取失败")

• 亚马逊商品页面的爬取实例

#amazon.py
import requests
url = "https://www.amazon.cn/gp/product/B01M8L5Z3Y"
try:
    kv = {'user-agent':'Mozilla/5.0'}
    r = requests.get(url, headers=kv)
    r.raise_for_status()
    r.encoding = r.apparent_encoding
    print(r.text[:3000])
except:
    print("爬取失败")

• 百度/360搜索关键字提交实例

#baiduKdSearch.py
import requests
keyword = "Python"
try:
    kv = {'wd':keyword}
    r = requests.get("http://www.baidu.com/s",params=kv)
    print(r.request.url)
    r.raise_for_status()
    print(len(r.text))
except:
    print("爬取失败")

• 网络图片的爬取和存储实例

#getImg.py
import requests
import os
url = "http://jwc.jxnu.edu.cn/images/new/banner3.jpg"
root = "F:\\learningsoftware\\PyCharm\\spiderTests\\"
path = root + url.split('/')[-1]    #组成图片的存储位置
print(root+"\n"+path)
try:
    if not os.path.exists(root):
        os.mkdir(root)
    if not os.path.exists(path):
        r = requests.get(url)
        print(r.raise_for_status())
        with open(path, 'wb') as f:
            f.write(r.content)
            f.close()
            print("文件保存成功")
    else:
        print("文件已经存在")
except:
    print("爬取失败")

• IP地址归属地的自动查询

#ipSearch.py
import requests
url = 'http://m.ip138.com/ip.asp?ip='
try:
    r = requests.get(url + '100.100.100.100')
    print(r.raise_for_status())
    r.encoding = r.apparent_encoding
    print(r.text[-500:])
except:
    print("爬取失败")