【爬虫高阶】精通requests库爬虫

1. 最基本使用范例

也是爬虫第一步的试探网页

import requests

def get_html(url):
	html = requests.get(url)
	if html.status_code == 200:
		html.encoding = 'utf-8'
		print(html.text)
	else:
		print('ERROR',url)

if __name__ == '__main__':
	url = 'http://www.baidu.com/s'
	get_html(url)

2. 搜索参数

比如打开百度搜索相关的信息（这里以python为例），可以发现搜索结果出来后对应的网址如下：

可以发现要搜索的结果会直接反应在网址上面，后面内容组成的形式为?wd=python，其中等号后面的内容就是我们要搜索的。在进行爬虫过程中，为了保持url整体的美观（不要长度过长），可以将后面的内容以字典的方式进行存储并传递给params参数（往往这个字典的名称也是叫params）

params = {
     'wd':'python'}
html = requests.get(url,params=params)

3. post使用示范

post通常用于请求表单，不过传递的参数是data，不是params要和上面的参数进行区别开。可以拿python官网的测试网址进行post请求的测试，如下

import requests

def post_html(url):
	data = {
     'name':'python','pwd':123}
	html = requests.post(url,data = data)
	if html.status_code == 200:
		html.encoding = 'utf-8'
		print(html.text)
	else:
		print('ERROR',url)

if __name__ == '__main__':
	url = 'http://httpbin.org/post'
	post_html(url)

4. json数据请求

这种网页就是通过ajax交互的，里面的信息直接使用get请求是无法获得其中的有效信息。可以通过检查发现所有的数据都是在资源url的接口中，只需要请求这个url获取其中的数据即可

import requests

def get_html(url):
	html = requests.get(url)
	if html.status_code == 200:
		html.encoding = 'utf-8'
		#print(html.text)
		content = html.json()
		for c in content:
			print(c['id'],c['title'])
	else:
		print('ERROR',url)
		
if __name__ == '__main__':
	url = 'https://news.qq.com/ext2020/apub/json/prevent.new.json'
	get_html(url)

5. 图片下载

以百度图片为例，该网页中的信息也是以ajax交互的形式（url不变，但是内容可以增加）。比如下载哪吒之魔童降世的图片，具体代码如下

import os
import requests

headers = {
     
    'User-Agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/75.0.3770.100 Safari/537.36',
    'Referer':'http://image.baidu.com/search/index?',
    'Cookie':'BIDUPSID=82508FD9E8C7F366210EB75A638DF308; PSTM=1567074841; MCITY=-%3A; BDUSS=40RFJRR09CLU85ejZHU1FSRHNWdmhaN1ZyQTlwMlo5MUZIUnlxdEtMU09hSUZlRVFBQUFBJCQAAAAAAAAAAAEAAABQontKTWlzc2Fst-gAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAI7bWV6O21leaW; BDORZ=B490B5EBF6F3CD402E515D22BCDA1598; BAIDUID=0F2472E83269C89F55EFE0E6B0FEF5A9:FG=1; indexPageSugList=%5B%22%E5%93%AA%E5%90%92%E4%B9%8B%E9%AD%94%E7%AB%A5%E9%99%8D%E4%B8%96%22%2C%22%E7%99%BE%E5%BA%A6%22%2C%22%E5%93%AA%E5%90%92%E4%B9%8B%E9%AD%94%E7%AB%A5%E9%99%8D%E4%B8%96%E5%9B%BE%E7%89%87%22%2C%22%E5%93%AA%E5%90%92%22%2C%22%E9%9D%92%E7%94%B0%22%2C%22%E6%99%B4%E5%A4%A9%22%5D; H_PS_PSSID=30963_1442_21087_30791_30998_30823_22158; BDRCVFR[feWj1Vr5u3D]=I67x6TjHwwYf0; delPer=0; PSINO=1; ___wk_scode_token=tcQ51Zf6S5pU%2B1DDHYelwpmVyt6gUicizYCUXOTEJis%3D; session_id=1583653459699; session_name=www.baidu.com; BDRCVFR[dG2JNJb_ajR]=mk3SLVN4HKm; userFrom=null; BDRCVFR[-pGxjrCMryR]=mk3SLVN4HKm'
}

def get_img(url):
    html = requests.get(url,headers =headers)
    if html.status_code == 200:
        html.encoding = html.apparent_encoding
        content = html.json()['data']
        count = 1
        for c in content[:-1]:
            download_img(c['middleURL'], count)
            count += 1
    else:
        print('Error',url)

def download_img(img_url,count):
    img = requests.get(img_url,headers = headers)
    if not os.path.exists('picture_mv'):
        os.mkdir('picture_mv')
    print('正在下载第{}张图片...'.format(count))
    with open('./picture_mv/{}.jpg'.format(count),'wb') as f:
        for chunk in img.iter_content(225):#这里是按照块进行写入，对于下载大型的视频或者音乐比较友好
            f.write(chunk)

if __name__ == '__main__':
    url = 'http://image.baidu.com/search/acjson?tn=resultjson_com&ipn=rj&ct=201326592&is=&fp=result&queryWord=%E5%93%AA%E5%90%92%E4%B9%8B%E9%AD%94%E7%AB%A5%E9%99%8D%E4%B8%96&cl=2&lm=-1&ie=utf-8&oe=utf-8&adpicid=&st=-1&z=0&ic=&hd=&latest=©right=&word=%E5%93%AA%E5%90%92%E4%B9%8B%E9%AD%94%E7%AB%A5%E9%99%8D%E4%B8%96&s=&se=&tab=&width=&height=&face=&istype=2&qc=&nc=1&fr=&expermode=&force=&pn=30&rn=30&gsm=1e&1583656519626='
    get_img(url)

→ 输出的结果为：（在当前目录下会自动创建文件夹并写入图片文件）

6. session会话

首先创建一个session，然后传入相关的参数即可，可以减少程序运行时间，提高爬虫效率，以上面的代码为例只需要修改三处代码即可

import os
import requests

headers = {
     
    'User-Agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/75.0.3770.100 Safari/537.36',
    'Referer':'http://image.baidu.com/search/index?',
    'Cookie':'BIDUPSID=82508FD9E8C7F366210EB75A638DF308; PSTM=1567074841; MCITY=-%3A; BDUSS=40RFJRR09CLU85ejZHU1FSRHNWdmhaN1ZyQTlwMlo5MUZIUnlxdEtMU09hSUZlRVFBQUFBJCQAAAAAAAAAAAEAAABQontKTWlzc2Fst-gAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAI7bWV6O21leaW; BDORZ=B490B5EBF6F3CD402E515D22BCDA1598; BAIDUID=0F2472E83269C89F55EFE0E6B0FEF5A9:FG=1; indexPageSugList=%5B%22%E5%93%AA%E5%90%92%E4%B9%8B%E9%AD%94%E7%AB%A5%E9%99%8D%E4%B8%96%22%2C%22%E7%99%BE%E5%BA%A6%22%2C%22%E5%93%AA%E5%90%92%E4%B9%8B%E9%AD%94%E7%AB%A5%E9%99%8D%E4%B8%96%E5%9B%BE%E7%89%87%22%2C%22%E5%93%AA%E5%90%92%22%2C%22%E9%9D%92%E7%94%B0%22%2C%22%E6%99%B4%E5%A4%A9%22%5D; H_PS_PSSID=30963_1442_21087_30791_30998_30823_22158; BDRCVFR[feWj1Vr5u3D]=I67x6TjHwwYf0; delPer=0; PSINO=1; ___wk_scode_token=tcQ51Zf6S5pU%2B1DDHYelwpmVyt6gUicizYCUXOTEJis%3D; session_id=1583653459699; session_name=www.baidu.com; BDRCVFR[dG2JNJb_ajR]=mk3SLVN4HKm; userFrom=null; BDRCVFR[-pGxjrCMryR]=mk3SLVN4HKm'
}

session = requests.session() #第一行
session.headers = headers  #第二行

def get_img(url):
    html = session.get(url) #第三行
    if html.status_code == 200:
        html.encoding = html.apparent_encoding
        content = html.json()['data']
        count = 1
        for c in content[:-1]:
            download_img(c['middleURL'], count)
            count += 1
    else:
        print('Error',url)

def download_img(img_url,count):
    img = requests.get(img_url,headers = headers)

    if not os.path.exists('picture_mv'):
        os.mkdir('picture_mv')
    print('正在下载第{}张图片...'.format(count))
    with open('./picture_mv/{}.jpg'.format(count),'wb') as f:
        for chunk in img.iter_content(225):
            f.write(chunk)

if __name__ == '__main__':
    url = 'http://image.baidu.com/search/acjson?tn=resultjson_com&ipn=rj&ct=201326592&is=&fp=result&queryWord=%E5%93%AA%E5%90%92%E4%B9%8B%E9%AD%94%E7%AB%A5%E9%99%8D%E4%B8%96&cl=2&lm=-1&ie=utf-8&oe=utf-8&adpicid=&st=-1&z=0&ic=&hd=&latest=©right=&word=%E5%93%AA%E5%90%92%E4%B9%8B%E9%AD%94%E7%AB%A5%E9%99%8D%E4%B8%96&s=&se=&tab=&width=&height=&face=&istype=2&qc=&nc=1&fr=&expermode=&force=&pn=30&rn=30&gsm=1e&1583656519626='
    get_img(url)

7. 忽略HTTPS证书

在get(url)的括号中添加verify=False即可,这种情况是应对爬虫过程中显示SSL安全连接的问题

import requests

def get_html(url):
	html = requests.get(url,verify=False)
	print(html.text)

if __name__ == '__main__':
	url = 'https://www.baidu.com'
	get_html(url)

8. ip代理

对于某些网站，如果爬取信息过于频繁，就会导致被封ip，如果在使用自己的本地ip就无法继续访问网页了。（建议购买ip，免费ip你想使用，别人也在使用，使用的人多了自然就被封了，也就访问无效了，白嫖虽然很舒服，但是体验感极差）

设置代理ip的格式：（为了避免ip无效等待时间过长，可以关闭证书验证和设置请求时间限制timeout）
如果是购买的ip的话，不存在timeout的现象，这也涉及了体验感的问题

import requests

proxies = {
     
	'http':'http://171.13.202.161:9999',
	'https':'http://171.13.202.161:9999'
}
def get_html(url):
	html = requests.get(url,proxies = proxies,verify=False,timeout=3)
	print(html.text)

if __name__ == '__main__':
	url = 'https://www.baidu.com'
	get_html(url)

9. 上传

向网站上传入信息

import requests

files = {
     'file':
				('render',open('render.html','rb'), #第一个参数是文件名 + 文件（核心）
				'application/html', #第二个参数是文件格式如果是图片的话就是image
				{
     'Expires':'0'}) #第三个参数是额外添加的参数,这里是代表文件不过期的意思
}

def get_html(url):
	html = requests.post(url,files = files)
	if html.status_code == 200:
		print(html.text)
	else:
		print('get error:'+ html.url)

if __name__ == '__main__':
	url = 'http://httpbin.org/post'
	get_html(url)

10. 下载

上面的百度图片的下载中已经使用到了，这里直接将代码复制下面，为了可视化输出结果，建议传入一个count参数进行计数和文件的命名

def download_img(img_url,count):
    img = requests.get(img_url,headers = headers)

    if not os.path.exists('picture_mv'):
        os.mkdir('picture_mv')
    print('正在下载第{}张图片...'.format(count))
    with open('./picture_mv/{}.jpg'.format(count),'wb') as f:
        for chunk in img.iter_content(225):
        	if chunk:
            	f.write(chunk)

11. urllib库补充

① urllib.parse.urljoin 该方法有点类似os库下的路径拼接方法os.path.join()

from urllib import parse

url_1 = 'http://www.baidu.com'
url_2 = 'http://www.baidu.com/'
url_3 = 'http://www.baidu.com//'

content_url = '/img1.jpg'

print(url_1 + content_url)
print(parse.urljoin(url_1,content_url))
print('------------------')
print(parse.urljoin(url_2,content_url))
print(parse.urljoin(url_3,content_url))

→ 输出的结果为：(注意这三个url的区别)

http://www.baidu.com/img1.jpg
http://www.baidu.com/img1.jpg
------------------
http://www.baidu.com/img1.jpg
http://www.baidu.com/img1.jpg

② urllib.parse.quote和 urllib.parse.unquote 数据转码，转变成为计算机真正输入的字符和编码再转回成为正常的汉字，比如这里拿小米手机为例，进行百度的搜索

wd = '小米手机'
print(parse.quote(wd))
print(parse.unquote(parse.quote(wd)))
url = 'http://www.baidu.com/s?wd=/'
print(url+parse.quote(wd))

→ 输出的结果为：（可以发现编码之间可以正常转换，最后的url也和上面的url地址最后的内容是一致的，在结合第一个方法就可以正确的构造完整的url了）

%E5%B0%8F%E7%B1%B3%E6%89%8B%E6%9C%BA
小米手机
http://www.baidu.com/s?wd=/%E5%B0%8F%E7%B1%B3%E6%89%8B%E6%9C%BA

③ urllib.parse.urlsplit 和urllib.parse.urlparse 分割url内容，进行解析

url = 'http://www.baidu.com/s?wd=/%E5%B0%8F%E7%B1%B3%E6%89%8B%E6%9C%BA'
print(parse.urlsplit(url)) #没有的话就不需要进行切分（split函数在分割的时候，path和params属性是在一起的）
print(parse.urlparse(url)) #即使没有也切分，比如这里的params（这种方式更加细致，把path和params拆开了）

→ 输出的结果为：（结果几乎是一致的）

SplitResult(scheme='http', netloc='www.baidu.com', path='/s', query='wd=/%E5%B0%8F%E7%B1%B3%E6%89%8B%E6%9C%BA', fragment='')
ParseResult(scheme='http', netloc='www.baidu.com', path='/s', params='', query='wd=/%E5%B0%8F%E7%B1%B3%E6%89%8B%E6%9C%BA', fragment='')