入门小远学爬虫（二）（二）简单GET型网页爬虫实战——“前程无忧”爬虫岗位信息的爬取之Python requests库的简单使用

---

前言

这是本系列第一个实战项目的第二课，有关第一课“网页分析”的内容请点击链接

话不多说，开始今天的奋斗

---

提示：本系列文章均为原创，欢迎转载，但请注明出处谢谢！

网页分析之后就需要Python上场了，今天的主角是Python的requests库。requests是Python实现的最简单易用的HTTP库，适合基础简易的爬虫开发，最关键的是它适合0基础学爬虫的同学上手开发爬虫。

一、如何在Pycharm中导入requests库？

打开或在合适的位置新建项目，比如说博主选择项目路径是

D:\CSDN用\Python爬虫系列

点击 “文件”(File)->“设置”(Setting)

点击“项目(Project):你的项目名称”->“Python解释器”(Project Interpreter)->"+"，打开搜索对话框

搜索 “requests”->点击"安装包"(Install Package)

有时因为包的版本太高，代码运行出错，此时需要选中右下角的“指定版本”(Specify version)，然后选择想要的版本即可。此处由于PyCharm下的是最新版本，所以不用担心这个问题。

稍等片刻，显示安装成功。点击“确定”，关闭设置窗口。

二、如何使用requests库？

关于requests库的基本使用

1、先试试最简单的GET法

# -*- coding: utf-8 -*-
# @Time: 2020/11/29 14:21
# @Author: 胡志远
# @Software: PyCharm

# 导入requests包
import requests
# 网页链接
url = "https://jobs.51job.com/pachongkaifa/p1/"
# 无请求头写法
res = requests.get(url)
# 也可以写作res = requests.get(url=url)，但一个参数的情况下没有必要多此一举
print(res)

结果发现报错了

原因很简单，假设有两间房，第一间房间什么有价值的东西都没有，第二间房有很多比较有价值的金银财宝，现在要你独守空房。显然，如果这个时候有人想进来，你前者的戒备心肯定要小于后者。网页也是一样，网页内有用的数据越多，他就越怕人家轻轻松松拿掉了他辛辛苦苦弄来的数据，所以他会有一套专门的算法来抵制爬虫，这个机制就叫反爬。

前面也说到，爬虫就是模仿浏览器嘛，他之所以不给你数据，还不是因为你伪装浏览器装得不够像！那解决办法就是让自己装得更像一点不就行了？所以，需要

2、加入请求头

请求头就好像一个证明身份的“合格证”，告诉服务器，“我是有‘合法经营手续’的正规浏览器，你们不能阻挡我。”

怎么获取请求头呢，这里又需要用到Chrome的开发者工具了，使用Chrome打开网页，调出开发者工具【怎么调出请参考“前程无忧”实战项目之（一），在此不赘述】，刷新页面（这个刷新很关键）。点击Network，点击所需数据的来源，在右边的属性栏找到Request Headers。里面有很多信息，其中有很多很重要的内容（比如Cookie和User-Agent这种都是很重要、需要掌握的），但篇幅有限只能在之后的文章中陆续介绍。

此处，有一个最好理解也是最笨的方法：把他一股脑全部写进头里面，然后用这个头去请求，这样做的好处就是，等于100%模拟你的这个Chrome去访问服务器，你暂时不需要知道每一项代表了什么意思，容易更快速地上手爬虫；但是坏处就是稍微难一点的网页就很难爬了，好在，这个“前程无忧”的网页不难。那么，修改一下代码

# -*- coding: utf-8 -*-
# @Time: 2020/11/29 14:21
# @Author: 胡志远
# @Software: PyCharm

# 导入requests包
import requests
# 网页链接
url = "https://jobs.51job.com/pachongkaifa/p1/"
# 请求头
headers = {
     
    "Accept": "text/html,application/xhtml+xml,application/xml;q=0.9,image/avif,image/webp,image/apng,*/*;q=0.8,application/signed-exchange;v=b3;q=0.9",
    "Accept-Encoding": "gzip, deflate, br",
    "Accept-Language": "zh-CN,zh;q=0.9",
    "Connection": "keep-alive",
    "Cookie": "guid=7e8a970a750a4e74ce237e74ba72856b; partner=blog_csdn_net",
    "Host": "jobs.51job.com",
    "Sec-Fetch-Dest": "document",
    "Sec-Fetch-Mode": "navigate",
    "Sec-Fetch-Site": "none",
    "Sec-Fetch-User": "?1",
    "Upgrade-Insecure-Requests": "1",
    "User-Agent": "Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/86.0.4240.75 Safari/537.36"
}
# 有请求头写法
res = requests.get(url=url, headers=headers)
print(res)

OK，大功告成，东西拿到了，我们成功骗过了服务器。松活弹抖闪电鞭第一式——“接”，完成！

运行结果

初学的同学可能会问我这个200是个什么，可以参考这个网站，总之这是个很复杂的玩意，requests对象存储了服务器返回给客户端的各种各样的信息，比如有：

对于初学者来说，与请求头一样，不必了解所有分别代表什么，我们暂时只要获取网页源代码就行了嘛。将res.text打印出来（print代码改为print(res.text)），你们看看是什么，是不是很眼熟？再打开开发者工具看看Elements(网页源代码)，看看是不是很像？

什么？有乱码？那是因为没正确解码，这里的res.text的解码类型来源是根据http头部对响应的编码作出推测，当然，这里它显然推错了，运用了错误的解码方式，当然解出来是乱码。

打开开发者工具，点击Console，在下方输入document.charset，可知该网页的编码方式为GBK编码，那么我们只需要告诉Python让它正确解码就行了

在print语句之前加一句正确解码的语句：

res.encoding = "gbk"

现在好看多了，运行结果如图

至此，requests完成了它的使命，我们已经拿到了网页内容，之后就要靠解析工具了，还记得上一节讲的Xpath吗，还没登场呢！

下一节已经更新

---

小结

使用requests库三部曲：
1、引入包（import）
2、发送请求获取数据
3、根据编码解码（可能不用）

如果觉得博主写的还不错的，欢迎点赞、评论、加关注，大家的访问就是博主更新文章不竭的源动力！