requests库
Version:1.0StartHTML:000000209EndHTML:000040988StartFragment:000013942EndFragment:000040914StartSelection:000013942EndSelection:000040908SourceURL:https://www.cnblogs.com/mzc1997/p/7813801.html
requests是python实现的简单易用的HTTP库，使用起来比urllib简洁很多
因为是第三方库，所以使用前需要cmd安装
pip install requests
安装完成后import一下，正常则说明可以开始使用了。
基本用法：
requests.get()用于请求目标网站，类型是一个HTTPresponse类型
import requests
response = requests.get('http://www.baidu.com')
print(response.status_code) # 打印状态码
print(response.url) # 打印请求url
print(response.headers) # 打印头信息
print(response.cookies) # 打印cookie信息
print(response.text) #以文本形式打印网页源码
print(response.content) #以字节流形式打印
运行结果：
状态码：200
url：www.baidu.com
headers信息
各种请求方式：
import requests
requests.get('http://httpbin.org/get')
requests.post('http://httpbin.org/post')
requests.put('http://httpbin.org/put')
requests.delete('http://httpbin.org/delete')
requests.head('http://httpbin.org/get')
requests.options('http://httpbin.org/get')
基本的get请求
import requests
response = requests.get('http://httpbin.org/get')print(response.text)
结果
带参数的GET请求：
第一种直接将参数放在url内
import requests
response = requests.get(http://httpbin.org/get?name=gemey&age=22)print(response.text)
结果
另一种先将参数填写在dict中，发起请求时params参数指定为dict
import requests
data = {
'name':'tom',
'age': 20}
response = requests.get('http://httpbin.org/get', params=data)print(response.text)
结果同上
解析json
import requests
response = requests.get('http://httpbin.org/get')print(response.text)print(response.json())#response.json()方法同json.loads(response.text)print(type(response.json()))
结果
简单保存一个二进制文件
二进制内容为response.content
import requests
response = requests.get('http://img.ivsky.com/img/tupian/pre/201708/30/kekeersitao-002.jpg')
b = response.content
with open('F://fengjing.jpg','wb') as f:
f.write(b)
为你的请求添加头信息
import requests
heads = {}
heads['User-Agent'] = 'Mozilla/5.0 ' \
'(Macintosh; U; Intel Mac OS X 10_6_8; en-us) AppleWebKit/534.50 ' \
'(KHTML, like Gecko) Version/5.1 Safari/534.50'
response = requests.get('http://www.baidu.com',headers=headers)
使用代理
同添加headers方法，代理参数也要是一个dict
这里使用requests库爬取了IP代理网站的IP与端口和类型
因为是免费的，使用的代理地址很快就失效了。
import requestsimport redef get_html(url):
proxy = {
'http':'120.25.253.234:812','https''163.125.222.244:8123' }
heads = {}
heads['User-Agent'] ='Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/49.0.2623.221 Safari/537.36 SE 2.X MetaSr 1.0' req = requests.get(url, headers=heads,proxies=proxy)
html = req.text
return htmldef get_ipport(html):
regex = r'
regex2 ='
regex3 = r'
sumray = []
foriin iplist:
forpin portlist:
fortin typelist:
passpass a = t+','+i +':'+ p
sumray.append(a)
print('高匿代理')
print(sumray)if__name__=='__main__':
url ='http://www.kuaidaili.com/free/' get_ipport(get_html(url))
结果：
基本POST请求：
import requests
data = {'name':'tom','age':'22'}
response = requests.post('http://httpbin.org/post', data=data)
获取cookie
#获取cookieimport requests
response = requests.get('http://www.baidu.com')print(response.cookies)print(type(response.cookies))fork,vin response.cookies.items():
print(k+':'+v)
结果：
会话维持
import requests
session = requests.Session()
session.get('http://httpbin.org/cookies/set/number/12345')
response = session.get('http://httpbin.org/cookies')print(response.text)
结果：
证书验证设置
import requestsfromrequests.packagesimport urllib3
urllib3.disable_warnings() #从urllib3中消除警告response = requests.get('https://www.12306.cn',verify=False)#证书验证设为FALSEprint(response.status_code)
打印结果：200
超时异常捕获
import requestsfromrequests.exceptionsimport ReadTimeouttry:
res = requests.get('http://httpbin.org', timeout=0.1)
print(res.status_code)except ReadTimeout:
print(timeout)
异常处理
在你不确定会发生什么错误时，尽量使用try...except来捕获异常
所有的requests exception：
Exceptions
import requestsfromrequests.exceptionsimport ReadTimeout,HTTPError,RequestExceptiontry:
response = requests.get('http://www.baidu.com',timeout=0.5)
print(response.status_code)except ReadTimeout:
print('timeout')except HTTPError:
print('httperror')except RequestException:
print('reqerror')
XPath
XPath 使用路径表达式来选取 XML 文档中的节点或节点集。节点是通过沿着路径 (path) 或者步 (steps) 来选取的。
下面列出了最有用的路径表达式：
表达式描述
nodename选取此节点的所有子节点。
/从根节点选取。
//从匹配选择的当前节点选择文档中的节点，而不考虑它们的位置。
.选取当前节点。
..选取当前节点的父节点。
@选取属性。
实例
在下面的表格中，我们已列出了一些路径表达式以及表达式的结果：
路径表达式结果
bookstore选取 bookstore 元素的所有子节点。
/bookstore选取根元素 bookstore。
注释：假如路径起始于正斜杠( / )，则此路径始终代表到某元素的绝对路径！
bookstore/book选取属于 bookstore 的子元素的所有 book 元素。
//book选取所有 book 子元素，而不管它们在文档中的位置。
bookstore//book选择属于 bookstore 元素的后代的所有 book 元素，而不管它们位于 bookstore 之下的什么位置。
//@lang选取名为 lang 的所有属性。
谓语（Predicates）
谓语用来查找某个特定的节点或者包含某个指定的值的节点。
谓语被嵌在方括号中。
实例
在下面的表格中，我们列出了带有谓语的一些路径表达式，以及表达式的结果：
路径表达式结果
/bookstore/book[1]选取属于 bookstore 子元素的第一个 book 元素。
/bookstore/book[last()]选取属于 bookstore 子元素的最后一个 book 元素。
/bookstore/book[last()-1]选取属于 bookstore 子元素的倒数第二个 book 元素。
/bookstore/book[position()<3]选取最前面的两个属于 bookstore 元素的子元素的 book 元素。
//title[@lang]选取所有拥有名为 lang 的属性的 title 元素。
//title[@lang='eng']选取所有 title 元素，且这些元素拥有值为 eng 的 lang 属性。
/bookstore/book[price>35.00]选取 bookstore 元素的所有 book 元素，且其中的 price 元素的值须大于 35.00。
/bookstore/book[price>35.00]/title选取 bookstore 元素中的 book 元素的所有 title 元素，且其中的 price 元素的值须大于 35.00。
选取未知节点
XPath 通配符可用来选取未知的 XML 元素。
通配符描述
*匹配任何元素节点。
@*匹配任何属性节点。
node()匹配任何类型的节点。
实例
在下面的表格中，我们列出了一些路径表达式，以及这些表达式的结果：
路径表达式结果
/bookstore/*选取 bookstore 元素的所有子元素。
//*选取文档中的所有元素。
//title[@*]选取所有带有属性的 title 元素。
选取若干路径
通过在路径表达式中使用“|”运算符，您可以选取若干个路径。
实例
在下面的表格中，我们列出了一些路径表达式，以及这些表达式的结果：
路径表达式结果
//book/title | //book/price选取 book 元素的所有 title 和 price 元素。
//title | //price选取文档中的所有 title 和 price 元素。
/bookstore/book/title | //price选取属于 bookstore 元素的 book 元素的所有 title 元素，以及文档中所有的 price 元素。
1.解析HTML：使用 etree.HTML(text) 将字符串格式的 html 片段解析成 html 文档
2.读取xml文件
3.etree和XPath 配合使用
lxml 的安装
【PyCharm】>【file】>【settings】>【Project Interpreter】>【+】 >【lxml】>【install】
作业