爬虫----requests模块

一、介绍

#介绍：使用requests可以模拟浏览器的请求，比起之前用到的urllib，requests模块的api更加便捷（本质就是封装了urllib3）
 
#注意：requests库发送请求将网页内容下载下来以后，并不会执行js代码，这需要我们自己分析目标站点然后发起新的request请求
 
#安装：pip3 install requests
 
#各种请求方式：常用的就是requests.get()和requests.post()
>>> import requests
>>> r = requests.get('https://api.github.com/events')
>>> r = requests.post('http://httpbin.org/post', data = {'key':'value'})
>>> r = requests.put('http://httpbin.org/put', data = {'key':'value'})
>>> r = requests.delete('http://httpbin.org/delete')
>>> r = requests.head('http://httpbin.org/get')
>>> r = requests.options('http://httpbin.org/get')
 
#建议在正式学习requests前，先熟悉下HTTP协议
http://www.cnblogs.com/linhaifeng/p/6266327.html

二、基于GET请求

1、基本请求

import requests
response=requests.get('http:/www.baidu.com/')
print(response.text)

2、带参数的GET请求->params

 #在请求头内将自己伪装成浏览器，否则百度不会正常返回页面内容
 import requests
 response=requests.get('https://www.baidu.com/s?wd=python&pn=1',
                       headers={
                         'User-Agent':'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/62.0.3202.75 Safari/537.36',
                       })
 print(response.text)
 
 #如果查询关键词是中文或者有其他特殊符号，则不得不进行url编码
 from urllib.parse import urlencode
 wb = "haiyan海燕"
 encode_res = urlencode({"k":wb},encoding="utf-8")
 print(encode_res)  #k=haiyan%E6%B5%B7%E7%87%95
 keywords = encode_res.split("=")[1]  #haiyan%E6%B5%B7%E7%87%95
 url = "https://www.baidu.com/s?wd=%s&pn=1"%(keywords)
 # url = "https://www.baidu.com/s?"+encode_res
 print(url)
 # 然后拼接成url
 response = requests.get(
     url,
     headers = {
         "User-Agent": "Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/63.0.3239.108 Safari/537.36",
     }
 )

自己拼接GET参数

 #上述操作可以用requests模块的一个params参数搞定，本质还是调用urlencode
 from urllib.parse import urlencode
 wd='海燕nnn'
 pn=1
 
 response=requests.get('https://www.baidu.com/s',
                       params={
                           'wd':wd,
                           'pn':pn
                       },
                       headers={
                         'User-Agent':'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/62.0.3202.75 Safari/537.36',
                       })
 res2=response.text
 
 #验证结果，打开a.html与b.html页面内容一样
 with open('a.html','w',encoding='utf-8') as f:
     f.write(res1)
 with open('b.html', 'w', encoding='utf-8') as f:
     f.write(res2)
 
 params参数的使用

params参数的使用

3、带参数的GET请求->headers

#通常我们在发送请求时都需要带上请求头，请求头是将自身伪装成浏览器的关键，常见的有用的请求头如下
Host
Referer #大型网站通常都会根据该参数判断请求的来源
User-Agent #客户端
Cookie #Cookie信息虽然包含在请求头里，但requests模块有单独的参数来处理他，headers={}内就不要放它了

#添加headers(浏览器会识别请求头,不加可能会被拒绝访问,比如访问https://www.zhihu.com/explore)
import requests
response=requests.get('https://www.zhihu.com/explore')
response.status_code #
 
#自己定制headers
headers={
    'User-Agent':'Mozilla/5.0 (Linux; Android 6.0; Nexus 5 Build/MRA58N) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/46.0.2490.76 Mobile Safari/537.36',
 
}
respone=requests.get('https://www.zhihu.com/explore',
                     headers=headers)
print(respone.status_code) #

4、带参数的GET请求->cookies

#登录github，然后从浏览器中获取cookies，以后就可以直接拿着cookie登录了，无需输入用户名密码
#用户名:egonlin 邮箱378533872@qq.com 密码lhf@123
 
import requests
 
Cookies={   'user_session':'wGMHFJKgDcmRIVvcA14_Wrt_3xaUyJNsBnPbYzEL6L0bHcfc',
}
 
response=requests.get('https://github.com/settings/emails',
             cookies=Cookies) #github对请求头没有什么限制，我们无需定制user-agent，对于其他网站可能还需要定制
 
print('378533872@qq.com' in response.text) #True

三、基于POST请求

1、介绍

#GET请求
HTTP默认的请求方法就是GET
     * 没有请求体
     * 数据必须在1K之内！
     * GET请求数据会暴露在浏览器的地址栏中
 
GET请求常用的操作：
       1. 在浏览器的地址栏中直接给出URL，那么就一定是GET请求
       2. 点击页面上的超链接也一定是GET请求
       3. 提交表单时，表单默认使用GET请求，但可以设置为POST
 
#POST请求
(1). 数据不会出现在地址栏中
(2). 数据的大小没有上限
(3). 有请求体
(4). 请求体中如果存在中文，会使用URL编码！
 
#！！！requests.post()用法与requests.get()完全一致，特殊的是requests.post()有一个data参数，用来存放请求体数据

2、发送post请求，模拟浏览器的登录行为

注意：
　1、对于登录来说，应该输错用户名或密码然后分析抓包流程，用脑子想一想，输对了浏览器就跳转了，还分析个毛线，累死你也找不到包

　　2、要做登录的时候一定记得要把cookie先清除；
　　3、requests.session():中间的cookie都不用自己分析了，有用的没用的都给放进来了、
　　4、response.cookie.get_dict()    #获取cookie

 '''
 一 目标站点分析
     浏览器输入https://github.com/login
     然后输入错误的账号密码，抓包
     发现登录行为是post提交到：https://github.com/session
     而且请求头包含cookie
     而且请求体包含：
         commit:Sign in
         utf8:✓
         authenticity_token:lbI8IJCwGslZS8qJPnof5e7ZkCoSoMn6jmDTsL1r/m06NLyIbw7vCrpwrFAPzHMep3Tmf/TSJVoXWrvDZaVwxQ==
         login:egonlin
         password:123
 
 二 流程分析
     先GET：https://github.com/login拿到初始cookie与authenticity_token
     返回POST：https://github.com/session， 带上初始cookie，带上请求体（authenticity_token，用户名，密码等）
     最后拿到登录cookie
 
     ps：如果密码时密文形式，则可以先输错账号，输对密码，然后到浏览器中拿到加密后的密码，github的密码是明文
 '''
 
 import requests
 import re
 
 #第一次请求
 r1=requests.get('https://github.com/login')
 r1_cookie=r1.cookies.get_dict() #拿到初始cookie(未被授权)
 authenticity_token=re.findall(r'name="authenticity_token".*?value="(.*?)"',r1.text)[0] #从页面中拿到CSRF TOKEN
 
 #第二次请求：带着初始cookie和TOKEN发送POST请求给登录页面，带上账号密码
 data={
     'commit':'Sign in',
     'utf8':'✓',
     'authenticity_token':authenticity_token,
     'login':'317828332@qq.com',
     'password':'alex3714'
 }
 r2=requests.post('https://github.com/session',
              data=data,
              cookies=r1_cookie
              )
 
 login_cookie=r2.cookies.get_dict()
 
 #第三次请求：以后的登录，拿着login_cookie就可以,比如访问一些个人配置
 r3=requests.get('https://github.com/settings/emails',
                 cookies=login_cookie)
 
 print('317828332@qq.com' in r3.text) #True
 
 自动登录github（自己处理cookie信息）

自动登录github（自己处理cookie信息）

 import requests
 import re
 
 session=requests.session()
 #第一次请求
 r1=session.get('https://github.com/login')
 authenticity_token=re.findall(r'name="authenticity_token".*?value="(.*?)"',r1.text)[0] #从页面中拿到CSRF TOKEN
 
 #第二次请求
 data={
     'commit':'Sign in',
     'utf8':'✓',
     'authenticity_token':authenticity_token,
     'login':'317828332@qq.com',
     'password':'alex3714'
 }
 r2=session.post('https://github.com/session',
              data=data,
              )
 
 #第三次请求
 r3=session.get('https://github.com/settings/emails')
 
 print('317828332@qq.com' in r3.text) #True

requests.session()自动帮我们保存cookie信息

登录github小应用

import requests
import re
#第一次请求
    # GET请求
    # 请求头
    #    - 获取token和
    #    - User-agent
    #    - cookie
# 第二次请求
    #POST请求
    #请求头
        # referer
        # User-agent
    #请求体
        #获取data
# 第三次请求，登录成功之后
    #- 请求之前自己先登录一下，看一下有没有referer
    #- 请求新的url，进行其他操作
    #- 查看用户名在不在里面
#第一次请求
response1 = requests.get(
    "https://github.com/login",
    headers = {
        "User-Agent":"Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/63.0.3239.108 Safari/537.36",
    },
)
authenticity_token = re.findall('name="authenticity_token".*?value="(.*?)"',response1.text,re.S)
r1_cookies =  response1.cookies.get_dict()
# print(r1_cookies,"cookie")  #获取到的cookie
 
#第二次请求
response2 = requests.post(
    "https://github.com/session",
    headers = {
        "Referer": "https://github.com/",
        "User-Agent":"Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/63.0.3239.108 Safari/537.36",
    },
    data={
            "commit":"Sign in",
            "utf8":"✓",
            "authenticity_token":authenticity_token,
            "login":"haiyanzzz",
            "password":"xxxx",
zhy..azjash1234
    },
    cookies = r1_cookies
)
print(response2.status_code)
print(response2.history)  #跳转的历史状态码
 
#第三次请求，登录成功之后，访问其他页面
r2_cookies = response2.cookies.get_dict()  #拿上cookie，知道是你登录了，就开始访问页面
response3 = requests.get(
    "https://github.com/settings/emails",
    headers = {
        "Referer": "https://github.com/",
        "User-Agent": "Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/63.0.3239.108 Safari/537.36",
    },
    cookies = r2_cookies,
)
print(response3.text)
print("haiyanzzz" in response3.text)   #True返回True说明就成功了

3、补充

 requests.post(url='xxxxxxxx',
               data={'xxx':'yyy'}) #没有指定请求头,#默认的请求头:application/x-www-form-urlencoed
 
 #如果我们自定义请求头是application/json,并且用data传值, 则服务端取不到值
 requests.post(url='',
               data={'':1,},
               headers={
                   'content-type':'application/json'
               })
 
 requests.post(url='',
               json={'':1,},
               ) #默认的请求头:application/json

四、响应Response

1、response属性

import requests
respone=requests.get('http://www.jianshu.com')
# respone属性
print(respone.text)
print(respone.content)
 
print(respone.status_code)
print(respone.headers)
print(respone.cookies)
print(respone.cookies.get_dict())
print(respone.cookies.items())
 
print(respone.url)
print(respone.history)
 
print(respone.encoding)
 
#关闭：response.close()
from contextlib import closing
with closing(requests.get('xxx',stream=True)) as response:
    for line in response.iter_content():
    pass

2、编码问题

#编码问题
import requests
response=requests.get('http://www.autohome.com/news')
# response.encoding='gbk' #汽车之家网站返回的页面内容为gb2312编码的，而requests的默认编码为ISO-8859-1，如果不设置成gbk则中文乱码
print(response.text)

3、获取二进制数据

import requests
 
response=requests.get('https://timgsa.baidu.com/timg?image&quality=80&size=b9999_10000&sec=1509868306530&di=712e4ef3ab258b3
6e9f4b48e85a81c9d&imgtype=0&src=http%3A%2F%2Fc.hiphotos.baidu.com%2Fimage%2Fpic%2Fitem%2F11385343fbf2b211e1fb58a1c08065380dd78e0c.jpg')
 
with open('a.jpg','wb') as f:
    f.write(response.content)

stream参数:一点一点的取,比如下载视频时,如果视频100G,用response.content然后一下子写到文件中是不合理的

 #stream参数:一点一点的取,比如下载视频时,如果视频100G,用response.content然后一下子写到文件中是不合理的
 
 import requests
 
 response=requests.get('https://gss3.baidu.com/6LZ0ej3k1Qd3ote6lo7D0j9wehsv/tieba-smallvideo-transcode/1767502_56ec685f9c7ec542eeaf6eac93a65dc7_6fe25cd1347c_3.mp4',
                       stream=True)
 
 with open('b.mp4','wb') as f:
     for line in response.iter_content():
         f.write(line)

获取二进制流(iter_content)

4、解析json

#解析json
import requests
response=requests.get('http://httpbin.org/get')
 
import json
res1=json.loads(response.text) #太麻烦
 
res2=response.json() #直接获取json数据
 
print(res1 == res2) #True

5、Redirection and History

 By default Requests will perform location redirection for all verbs except HEAD.
 
 We can use the history property of the Response object to track redirection.
 
 The Response.history list contains the Response objects that were created in order to complete the request. The list is sorted from the oldest to the most recent response.
 
 For example, GitHub redirects all HTTP requests to HTTPS:
 
 >>> r = requests.get('http://github.com')
 
 >>> r.url
 'https://github.com/'
 
 >>> r.status_code
 
 >>> r.history
 [<Response [301]>]
 If you're using GET, OPTIONS, POST, PUT, PATCH or DELETE, you can disable redirection handling with the allow_redirects parameter:
 
 >>> r = requests.get('http://github.com', allow_redirects=False)
 
 >>> r.status_code
 
 >>> r.history
 []
 If you're using HEAD, you can enable redirection as well:
 
 >>> r = requests.head('http://github.com', allow_redirects=True)
 
 >>> r.url
 'https://github.com/'
 
 >>> r.history
 [<Response [301]>]
 
 先看官网的解释

import requests
import re
 
#第一次请求
r1=requests.get('https://github.com/login')
r1_cookie=r1.cookies.get_dict() #拿到初始cookie(未被授权)
authenticity_token=re.findall(r'name="authenticity_token".*?value="(.*?)"',r1.text)[0] #从页面中拿到CSRF TOKEN
 
#第二次请求：带着初始cookie和TOKEN发送POST请求给登录页面，带上账号密码
data={
    'commit':'Sign in',
    'utf8':'✓',
    'authenticity_token':authenticity_token,
    'login':'317828332@qq.com',
    'password':'alex3714'
}
 
#测试一：没有指定allow_redirects=False,则响应头中出现Location就跳转到新页面，r2代表新页面的response
r2=requests.post('https://github.com/session',
             data=data,
             cookies=r1_cookie
             )
 
print(r2.status_code) #
print(r2.url) #看到的是跳转后的页面
print(r2.history) #看到的是跳转前的response
print(r2.history[0].text) #看到的是跳转前的response.text
 
#测试二：指定allow_redirects=False,则响应头中即便出现Location也不会跳转到新页面，r2代表的仍然是老页面的response
r2=requests.post('https://github.com/session',
             data=data,
             cookies=r1_cookie,
             allow_redirects=False
             )
 
print(r2.status_code) #
print(r2.url) #看到的是跳转前的页面https://github.com/session
print(r2.history) #[]
 
利用github登录后跳转到主页面的例子来验证它

五、高级用法

1、SSL Cert Verification

 #证书验证(大部分网站都是https)
 import requests
 respone=requests.get('https://www.12306.cn') #如果是ssl请求,首先检查证书是否合法,不合法则报错,程序终端
 
 #改进1:去掉报错,但是会报警告
 import requests
 respone=requests.get('https://www.12306.cn',verify=False) #不验证证书,报警告,返回200
 print(respone.status_code)
 
 #改进2:去掉报错,并且去掉警报信息
 import requests
 from requests.packages import urllib3
 urllib3.disable_warnings() #关闭警告
 respone=requests.get('https://www.12306.cn',verify=False)
 print(respone.status_code)
 
 #改进3:加上证书
 #很多网站都是https,但是不用证书也可以访问,大多数情况都是可以携带也可以不携带证书
 #知乎\百度等都是可带可不带
 #有硬性要求的,则必须带，比如对于定向的用户,拿到证书后才有权限访问某个特定网站
 import requests
 respone=requests.get('https://www.12306.cn',
                      cert=('/path/server.crt',
                            '/path/key'))
 print(respone.status_code)

2、使用代理

 #官网链接: http://docs.python-requests.org/en/master/user/advanced/#proxies
 
 #代理设置:先发送请求给代理,然后由代理帮忙发送(封ip是常见的事情)
 import requests
 proxies={
     'http':'http://egon:123@localhost:9743',#带用户名密码的代理,@符号前是用户名与密码
     'http':'http://localhost:9743',
     'https':'https://localhost:9743',
 }
 respone=requests.get('https://www.12306.cn',
                      proxies=proxies)
 
 print(respone.status_code)
 
 #支持socks代理,安装:pip install requests[socks]
 import requests
 proxies = {
     'http': 'socks5://user:pass@host:port',
     'https': 'socks5://user:pass@host:port'
 }
 respone=requests.get('https://www.12306.cn',
                      proxies=proxies)
 
 print(respone.status_code)

3、超时设置

 #超时设置
 #两种超时:float or tuple
 #timeout=0.1 #代表接收数据的超时时间
 #timeout=(0.1,0.2)#0.1代表链接超时  0.2代表接收数据的超时时间
 
 import requests
 respone=requests.get('https://www.baidu.com',
                      timeout=0.0001)

4、 认证设置

 #官网链接：http://docs.python-requests.org/en/master/user/authentication/
 
 #认证设置:登陆网站是,弹出一个框,要求你输入用户名密码（与alter很类似），此时是无法获取html的
 # 但本质原理是拼接成请求头发送
 #         r.headers['Authorization'] = _basic_auth_str(self.username, self.password)
 # 一般的网站都不用默认的加密方式，都是自己写
 # 那么我们就需要按照网站的加密方式，自己写一个类似于_basic_auth_str的方法
 # 得到加密字符串后添加到请求头
 #         r.headers['Authorization'] =func('.....')
 
 #看一看默认的加密方式吧，通常网站都不会用默认的加密设置
 import requests
 from requests.auth import HTTPBasicAuth
 r=requests.get('xxx',auth=HTTPBasicAuth('user','password'))
 print(r.status_code)
 
 #HTTPBasicAuth可以简写为如下格式
 import requests
 r=requests.get('xxx',auth=('user','password'))
 print(r.status_code)

5、异常处理

 #异常处理
 import requests
 from requests.exceptions import * #可以查看requests.exceptions获取异常类型
 
 try:
     r=requests.get('http://www.baidu.com',timeout=0.00001)
 except ReadTimeout:
     print('===:')
 # except ConnectionError: #网络不通
 #     print('-----')
 # except Timeout:
 #     print('aaaaa')
 
 except RequestException:
     print('Error')

6、上传文件

 import requests
 files={'file':open('a.jpg','rb')}
 respone=requests.post('http://httpbin.org/post',files=files)
 print(respone.status_code)