python requests 模块

requests 模块

• headers参数的使用

  • requests模块是一个第三方模块，需要在你的python(虚拟)环境中额外安装

    pip install requests

  • requests模块发送get请求

    1. 需求:通过requests向百度发送请求，获取该页面的源码
    2. 运行下面的代码，观察打印输出的结果

    #1.2.1-简单的代码实现
    import requests
    
    #目标url
    url = 'https:/www.baidu.com'
    
    #向目标url发送get请求
    response = requests.get(url)
    
    #打印响应内容
    
    pirnt(response.text)
    

  • response响应对象

    • 观察上边代码运行结果发现，有好多乱码；这是因为编解码使用的字符集不同早造成的；我们尝试使用下边的办法来解决中文乱码问题

    # 1.2.2-response.content
    import requests 
    
    # 目标url
    url = 'https://www.baidu.com' 
    
    # 向目标url发送get请求
    response = requests.get(url)
    
    # 打印响应内容
    # print(response.text)
    print(response.content.decode()) # 注意这里！
    

  1. response.text是requests模块按照chardet模块推测出的编码字符集进行解码的结果
  2. 网络传输的字符串都是bytes类型的，所以response.text = response.content.decode(‘推测出的编码字符集’)
  3. 我们可以在网页源码中搜索charset，尝试参考该编码字符集，注意存在不准确的情况

  • Response.text和response.content的区别

  • response.text

    • 类型：str
    • 解码类型： requests模块自动根据HTTP 头部对响应的编码作出有根据的推测，推测的文本编码

  • response.content

    • 类型：bytes
    • 解码类型： 没有指定

  • 通过对response.content进行decode，来解决中文乱码

  • response.content.decode() 默认utf-8

  • response.content.decode("GBK")

  • 常见的编码字符集

    • utf-8
    • gbk
    • gb2312
    • ascii （读音：阿斯克码）
    • iso-8859-1

  • response响应对象的其它常用属性或方法

    ``response = requests.get(url)`中response是发送请求获取的响应对象；response响应对象中除了text、content获取响应内容以外还有其它常用的属性或方法：

  • response.url响应的url；有时候响应的url和请求的url并不一致

  • response.status_code 响应状态码

  • response.request.headers 响应对应的请求头

  • response.headers 响应头

  • response.request._cookies 响应对应请求的cookie；返回cookieJar类型

  • response.cookies 响应的cookie（经过了set-cookie动作；返回cookieJar类型

  • response.json()自动将json字符串类型的响应内容转换为python对象（dict or list）

    # 1.2.3-response其它常用属性
    import requests
    
    # 目标url
    url = 'https://www.baidu.com'
    
    # 向目标url发送get请求
    response = requests.get(url)
    
    # 打印响应内容
    # print(response.text)
    # print(response.content.decode()) # 注意这里！
    print(response.url)
    print(response.status_code)
    print(response.request.headers)
    print(response.headers)
    print(response.request._cookies)
    print(response.cookies)
    

  • requests模块发送请求方法的参数

    • 发送带hearder的请求

    import requests
    
    url = 'https://www.baidu.com'
    
    response = requests.get(url)
    
    print(response.content.decode())
    
    # 打印响应对应请求的请求头信息
    print(response.request.headers)
    

  • 携带请求头发送请求的方法

    requests.get(url,headers=headers)

    • headers参数接收字典形式的请求头
    • 请求头字段名作为key，字段对应的值作为value

  • 完成代码实现

    import requests
    
    url = 'https://www.baidu.com'
    
    headers = {"User-Agent": "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_13_6) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/72.0.3626.121 Safari/537.36"}
    
    # 在请求头中带上User-Agent，模拟浏览器发送请求
    response = requests.get(url, headers=headers) 
    
    print(response.content)
    
    # 打印请求头信息
    print(response.request.headers)
    

• headers中携带cookie

  • 网站经常利用请求头中的Cookie字段来做用户访问状态的保持，那么我们可以在headers参数中添加Cookie，模拟普通用户的请求。我们以github登陆为例：

  • GitHub 登录抓包分析

    1. 打开浏览器，右键-检查，点击Net work，勾选Preserve log
    2. 访问github登陆的url地址 https://github.com/login
    3. 输入账号密码点击登陆后，访问一个需要登陆后才能获取正确内容的url，比如点击右上角的Your profile访问https://github.com/USER_NAME
    4. 确定url之后，再确定发送该请求所需要的请求头信息中的User-Agent和Cookie

  • 完整代码

    1. 从浏览器中复制User-Agent和Cookie
    2. 浏览器中的请求头字段和值与headers参数中必须一致
    3. headers请求参数字典中的Cookie键对应的值是字符串

    import requests
    
    url = 'https://github.com/USER_NAME'
    
    # 构造请求头字典
    headers = {
        # 从浏览器中复制过来的User-Agent
        'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_13_6) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/72.0.3626.121 Safari/537.36',
        # 从浏览器中复制过来的Cookie
        'Cookie': 'xxx这里是复制过来的cookie字符串'
    }
    
    # 请求头参数字典中携带cookie字符串
    resp = requests.get(url, headers=headers)
    
    print(resp.text)
    

• cookies参数的使用

  1. cookies参数的形式：字典

     cookies = {"cookie的name":"cookie的value"}

     • 该字典对应请求头中Cookie字符串，以分号、空格分割每一对字典键值对
     • 等号左边的是一个cookie的name，对应cookies字典的key
     • 等号右边对应cookies字典的value

  2. cookies参数的使用方法

     response = requests.get(url, cookies)

  3. 将cookie字符串转换为cookies参数所需的字典：

     cookies_dict = {cookie['name']:cookie['value'] for cookie in cookies_str.split('; ')}

  4. 注意：cookie一般是有过期时间的，一旦过期需要重新获取

• cookieJar的转换方法

  • 在使用request获取的response对象，具有cookies属性。该属性值是一个cookieJar类型，包含了对方服务器设置在本地的cookie。我们如何将其转换为cookies字典呢？

    1. 转换方法

       cookies_dict = requests.utils.dict_from_cookiejar(response.cookies)

    2. 其中response.cookies返回的就是cookieJar类型的对象

    3. requests.utils.dict_from_cookiejar函数返回cookies字典

• 超时参数timeout的使用

  • 在平时网上冲浪的过程中，我们经常会遇到网络波动，这个时候，一个请求等了很久可能任然没有结果。

    在爬虫中，一个请求很久没有结果，就会让整个项目的效率变得非常低，这个时候我们就需要对请求进行强制要求，让他必须在特定的时间内返回结果，否则就报错。

    1. 超时参数timeout的使用方法

       response = requests.get(url, timeout = 3)

    2. Timeout = 3表示:

       发送请求后，3秒钟内返回相应，否则就抛出异常

• 代理ip参数proxies的使用

  • 了解代理以及proxy代理参数的使用

    • proxy代理参数通过指定代理ip，让代理ip对应的正向代理服务器转发我们发送的请求，那么我们首先来了解一下代理ip以及代理服务器

  • 理解使用代理的过程

    1. 代理ip是一个ip,指向的是一个代理服务器
    2. 代理服务器能够帮我们向目标服务器转发强求
    request

    request

    response

    response

    浏览器

    代理

    webServer

  • 正想代理与反向代理区别

    • 前边提到proxy参数指定的代理ip指向的是正向的代理服务器，那么相应的就有反向服务器；现在来了解一下正向代理服务器和反向代理服务器的区别
      1. 从发送请求的一方的角度，来区分正向或反向代理
      2. 为浏览器或客户端（发送请求的一方）转发请求的，叫做正向代理
         • 浏览器知道最终处理请求的服务器的真实ip地址，例如VPN
      3. 不为浏览器或客户端（发送请求的一方）转发请求、而是为最终处理请求的服务器转发请求的，叫做反向代理
         • 浏览器不知道服务器的真实地址，例如nginx

  • 代理IP(代理服务器)的分类

    1. 根据代理ip的匿名程度，代理IP可以分为下面三类：

       • 透明代理(Transparent Proxy)：透明代理虽然可以直接“隐藏”你的IP地址，但是还是可以查到你是谁。目标服务器接收到的请求头如下：

         REMOTE_ADDR = Proxy IP
         HTTP_VIA = Proxy IP
         HTTP_X_FORWARDED_FOR = Your IP
         

       • 匿名代理(Anonymous Proxy)：使用匿名代理，别人只能知道你用了代理，无法知道你是谁。目标服务器接收到的请求头如下：

         REMOTE_ADDR = proxy IP
         HTTP_VIA = proxy IP
         HTTP_X_FORWARDED_FOR = proxy IP
         

       • 高匿代理(Elite proxy或High Anonymity Proxy)：高匿代理让别人根本无法发现你是在用代理，所以是最好的选择。毫无疑问使用高匿代理效果最好。目标服务器接收到的请求头如下：

         REMOTE_ADDR = Proxy IP
         HTTP_VIA = not determined
         HTTP_X_FORWARDED_FOR = not determined
         

    2. 根据网站所使用的协议不同，需要使用相应协议的代理服务。从代理服务请求使用的协议可以分为：

       • http代理：目标url为http协议
       • https代理：目标url为https协议
       • socks隧道代理（例如socks5代理）等：
         1. socks 代理只是简单地传递数据包，不关心是何种应用协议（FTP、HTTP和HTTPS等）。
         2. socks 代理比http、https代理耗时少。
         3. socks 代理可以转发http和https的请求

  • proxies代理参数的使用

    • 为了让服务器以为不是同一个客户端在请求；为了防止频繁向一个域名发送请求被封ip，所以我们需要使用代理ip；那么我们接下来要学习requests模块是如何使用代理ip的

  • 用法：

    response = requests.get(url, proxies=proxies)

  • proxies的形式：字典

  • 例如:

    proxies = { 
        "http": "http://12.34.56.79:9527", 
        "https": "https://12.34.56.79:9527", 
    }
    

  • 注意:

    如果proxies字典中包含有多个键值对，发送请求时将按照url地址的协议来选择使用相应的代理ip

• 使用verify参数忽略CA证书

  • 在使用浏览器上网的时候，有时能够看到下面的提示（2018年10月之前的12306网站）：

  • 

  • 原因：

    • 该网站的CA证书没有经过【受信任的根证书颁发机构】的认证

  • 运行代码查看代码中向不安全的链接发起请求的结果

    • 运行下面的代码将会抛出包含ssl.CertificateError ...字样的异常

    import requests
    url = "https://sam.huat.edu.cn:8443/selfservice/"
    response = requests.get(url)
    

  • 解决方案

    • 为了在代码中能够正常的请求，我们使用verify=False参数，此时requests模块发送请求将不做CA证书的验证：verify参数能够忽略CA证书的认证

    import requests
    url = "https://sam.huat.edu.cn:8443/selfservice/" 
    response = requests.get(url,verify=False)
    

• requests模块发送post请求

  • response = requests.post(url,data)

  • data参数接收一个字典

  • requests模块发送post请求函数的其它参数和发送get请求的参数完全一致

    • post请求练习
    • 下面我们通过金山翻译的例子看看post请求如何使用

      • 地址：http://fy.iciba.com

      • 思路分析

        1. 抓包确定请求的url地址
           
           
        2. 确认请求参数
           
           

  • 抓包分析的结论

    1. url地址：http://fy.iciba.com/

    2. 请求方法：POST

    3. 请求所需参数：

       data = {
           'f': 'auto', # 表示被翻译的语言是自动识别
           't': 'auto', # 表示翻译后的语言是自动识别
           'w': '人生苦短' # 要翻译的中文字符串
       }
       

    4. pc端User-Agent

       User-Agent:Mozilla/5.0 (Macintosh; Intel Mac OS X 10_13_6) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/72.0.3626.121 Safari/537.36

    5. 代码实现

       1. 了解requests模块发送post请求的方法，以及分析过移动端的百度翻译之后，我们来完成代码

       import requests
       import json
       
       
       class King(object):
       
           def __init__(self, word):
               self.url = "http://fy.iciba.com/ajax.php?a=fy"
               self.word = word
               self.headers = {
                   "User-Agent": "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_12_6) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/71.0.3578.98 Safari/537.36"
               }
               self.post_data = {
                   "f": "auto",
                   "t": "auto",
                   "w": self.word
               }
       
           def get_data(self):
               response = requests.post(self.url, headers=self.headers, data=self.post_data)
               # 默认返回bytes类型，除非确定外部调用使用str才进行解码操作
               return response.content
       
           def parse_data(self, data):
       
               # 将json数据转换成python字典
               dict_data = json.loads(data)
       
               # 从字典中抽取翻译结果
               try:
                   print(dict_data['content']['out'])
               except:
                   print(dict_data['content']['word_mean'][0])
       
           def run(self):
               # url
               # headers
               # post——data
               # 发送请求
               data = self.get_data()
               # 解析
               self.parse_data(data)
       
       if __name__ == '__main__':
           # king = King("人生苦短，及时行乐")
           king = King("China")
           king.run()
           # python标准库有很多有用的方法，每天看一个标准库的使用
       

• 利用requests.session进行状态保持

  • 利用requests.session进行状态保持

    • requests模块中的Session类能够自动处理发送请求获取响应过程中产生的cookie，进而达到状态保持的目的。接下来我们就来学习它

  • Requests.session的作用以及应用场景

    • Requests.session的作用
      • 自动处理cookie,即 下一次请求会带上前一次的cookie
      • Requests.session的应用场景
        • 自动处理连续的多次请求过程中产生的cookie

  • Requests.session的请求方法

    • session实例在请求了一个网站后，对方服务器设置在本地的cookie会保存在session中，下一次再使用session请求对方服务器的时候，会带上前一次的cookie

      session = requests.session() # 实例化session对象
      response = session.get(url, headers, ...)
      response = session.post(url, data, ...)
      

  • 参考代码

    import requests
    import re
    
    
    # 构造请求头字典
    headers = {
        'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/67.0.3396.87 Safari/537.36',
    }
    
    # 实例化session对象
    session = requests.session()
    
    # 访问登陆页获取登陆请求所需参数
    response = session.get('https://github.com/login', headers=headers)
    authenticity_token = re.search('name="authenticity_token" value="(.*?)" />', response.text).group(1) # 使用正则获取登陆请求所需参数
    
    # 构造登陆请求参数字典
    data = {
        'commit': 'Sign in', # 固定值
        'utf8': '✓', # 固定值
        'authenticity_token': authenticity_token, # 该参数在登陆页的响应内容中
        'login': input('输入github账号：'),
        'password': input('输入github账号：')
    }
    
    # 发送登陆请求（无需关注本次请求的响应）
    session.post('https://github.com/session', headers=headers, data=data)
    
    # 打印需要登陆后才能访问的页面
    response = session.get('https://github.com/1596930226', headers=headers)
    print(response.text)
    

  • 本文原创，如需转载，请表名出处 ---joker_Hai

​