爬虫—使用Requests

一，安装

　　pip install requests

二，基本用法

1.简单示例

import requests

res = requests.get('https://www.baidu.com')

print(type(res))

print(res.status_code)

print(res.text)

print(type(res.text))

print(res.cookies)

运行结果：

<class 'requests.models.Response'>

200

<!DOCTYPE html>

<!--STATUS OK--><html> <head><meta http-equiv=content-type content=text/html;charset=utf-8><meta http-equiv=X-UA-Compatible content=IE=Edge><meta content=always name=referrer><link rel=stylesheet type=text/css href=https://ss1.bdstatic.com/5eN1bjq8AAUYm2zgoY3K/r/www/cache/bdorz/baidu.min.css><title>ç¾åº¦ä¸ä¸ï¼ä½ å°±ç¥é</title></head> <body link=#0000cc> <div id=wrapper> <div id=head> <div class=head_wrapper> <div class=s_form> <div class=s_form_wrapper> <div id=lg> <img hidefocus=true src=//www.baidu.com/img/bd_logo1.png width=270 height=129> </div> <form id=form name=f action=//www.baidu.com/s class=fm> <input type=hidden name=bdorz_come value=1> <input type=hidden name=ie value=utf-8> <input type=hidden name=f value=8> <input type=hidden name=rsv_bp value=1> <input type=hidden name=rsv_idx value=1> <input type=hidden name=tn value=baidu><span class="bg s_ipt_wr"><input id=kw name=wd class=s_ipt value maxlength=255 autocomplete=off autofocus=autofocus></span><span class="bg s_btn_wr"><input type=submit id=su value=ç¾åº¦ä¸ä¸ class="bg s_btn" autofocus></span> </form> </div> </div> <div id=u1> <a href=http://news.baidu.com name=tj_trnews class=mnav>æ°é»</a> <a href=https://www.hao123.com name=tj_trhao123 class=mnav>hao123</a> <a href=http://map.baidu.com name=tj_trmap class=mnav>å°å¾</a> <a href=http://v.baidu.com name=tj_trvideo class=mnav>è§é¢</a> <a href=http://tieba.baidu.com name=tj_trtieba class=mnav>è´´å§</a> <noscript> <a href=http://www.baidu.com/bdorz/login.gif?login&amp;tpl=mn&amp;u=http%3A%2F%2Fwww.baidu.com%2f%3fbdorz_come%3d1 name=tj_login class=lb>ç»å½</a> </noscript> <script>document.write('<a href="http://www.baidu.com/bdorz/login.gif?login&tpl=mn&u='+ encodeURIComponent(window.location.href+ (window.location.search === "" ? "?" : "&")+ "bdorz_come=1")+ '" name="tj_login" class="lb">ç»å½</a>');

                </script> <a href=//www.baidu.com/more/ name=tj_briicon class=bri style="display: block;">æ´å¤äº§å</a> </div> </div> </div> <div id=ftCon> <div id=ftConw> <p id=lh> <a href=http://home.baidu.com>å³äºç¾åº¦</a> <a href=http://ir.baidu.com>About Baidu</a> </p> <p id=cp>&copy;2017&nbsp;Baidu&nbsp;<a href=http://www.baidu.com/duty/>ä½¿ç¨ç¾åº¦åå¿è¯»</a>&nbsp; <a href=http://jianyi.baidu.com/ class=cp-feedback>æè§åé¦</a>&nbsp;äº¬ICPè¯030173å·&nbsp; <img src=//www.baidu.com/img/gs.gif> </p> </div> </div> </div> </body> </html>

<class 'str'>

<RequestsCookieJar[<Cookie BDORZ=27315 for .baidu.com/>]>

　　通过运行结果可发现，它返回的类型是requests.models.Response，响应体字符串类型是str，Cookie的类型是RequestsCookieJar。

2.GET请求

　　这里使用httpbin测试接口进行测试，httpbin这个网站能测试 HTTP 请求和响应的各种信息，比如 cookie、ip、headers 和登录验证等，且支持 GET、POST 等多种方法，对 web 开发和测试很有帮助。它由 Python + Flask 编写，是一个开源项目（官方网站：http://httpbin.org/开源地址：https://github.com/Runscope/httpbin）。　　

# GET请求

res = requests.get('https://httpbin.org/get')

print(res.text)

运行结果：

{

  "args": {},

  "headers": {

    "Accept": "*/*",

    "Accept-Encoding": "gzip, deflate",

    "Host": "httpbin.org",

    "User-Agent": "python-requests/2.18.4"

  },

  "origin": "183.129.61.183, 183.129.61.183",

  "url": "https://httpbin.org/get"

}

　　可以发现，我们成功的发起了GET请求，返回的结果中包含请求头，URL，IP等信息。

♦传递参数

　　对于GET请求，如何添加参数呢？比如name是rain，age是22。是不是需要写成:

　　res = requests.get('https://httpbin.org/get?name=rain&age=22')

　　其实这样也可以，但是这种数据信息一般使用字典来存储。

# 带参数

data = {

    'name': 'rain',

    'age': 22

}

res = requests.get('https://httpbin.org/get',params=data)

print(res.text)

　　运行结果：

{

  "args": {

    "age": "",

    "name": "rain"

  },

  "headers": {

    "Accept": "*/*",

    "Accept-Encoding": "gzip, deflate",

    "Host": "httpbin.org",

    "User-Agent": "python-requests/2.18.4"

  },

  "origin": "183.129.61.183, 183.129.61.183",

  "url": "https://httpbin.org/get?name=rain&age=22"

}

　　可以看到，请求的连接被自动构造成了：https://httpbin.org/get?name=rain&age=22。

　　需要注意的是网页返回的类型实际上是str类型，但其格式为JSON字符串，想要解析结果，获得一个字典类型的话，可以直接调用json（）方法：

# 转成字典

print(type(res.json()))

结果：
<class 'dict'>

　　如果返回的类型不是JSON类型，此时调用json（）方法，就会抛出json.decoder.JSONDecoderError异常。

♦抓取网页

　　如果请求普通的网页，就能获得相应的内容。下面以“知乎“的”发现“页面为例：

# 抓取网页，发现—知乎

import requests

import re

headers = {

    "user-agent": "Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/70.0.3538.110 Safari/537.36"

}

res = requests.get('https://www.zhihu.com/explore', headers=headers)

parse = re.compile('explore-feed.*?question_link.*?>(.*?)</a>', re.S)

text = re.findall(parse,res.text)

print(text)

　　这里我们加入了，headers信息，也就是user-agent字段信息，也就是浏览器标识。如果不加上这个，就会被禁止抓取。之后使用正则表达式匹配出a节点里面的问题内容。结果如下：

['\n现在的复古8-bit风格游戏和当时真正的8-bit游戏有哪些差别？\n', '\n如何评价罗云熙在《白发》中饰演的容齐？\n', '\n为什么要把敦煌莫高窟建在西北地区？\n', '\n猫的哪些行为会让你觉得猫是爱你的？\n', '\n老人总是通过骗孩子的方式让孩子服从自己的命令，这种情况怎么办？\n', '\n如何看待faker在直播中说白银怎么喜欢闪现放D？\n', '\n有哪些女演员在影视剧中的扮相让你惊艳？\n', '\nPowerPoint 到底有多厉害？\n', '\n如何评价华晨宇?\n', '\n毛细现象水液面是不是球面的一部分？\n']

♦抓取二进制数据

　　浏览网页时，我们经常看到页面中会有图片，音频，视频等文件。这些文件本质上由二进制码组成的，使用了特定的保存格式和对应的解析方式，我们才得以看到这些形形色色的多媒体。想要抓取他们，就需要拿到其二进制码。

　　以GitHub站点的图标为例：

# 抓取二进制文件

res = requests.get('https://github.com/favicon.ico')

print(res.text)

print(res.content)

　　这里抓取的是站点图标，就是浏览器每一个标签上显示的小图标，如下图：

　　这里打印了text和content，结果如下：

                                                                        +++G��������G+++

b'\x00\x00\x01\x00\x02\x00\x10\x10\x00\x00\x01\x00 \x00(\x05\x00\x00&\x00\x00\x00  \x00\x00\x01\x00 \x00(\x14\x00\x00N\x05\x00\x00(\x00\x00\x00\x10\x00\x00\x00 \x00\x00\x00\x01\x00

　　可以看到前者出现了乱码，后者开头带上了一个b，说明是bytes类型。由于是二进制数据，所有text打印时转化成str类型，图片直接转化为字符串，自然就会出现乱码。接下来，我们将图片保存下来：

res = requests.get('https://github.com/favicon.ico')

with open('favicon.ico','wb') as f:

    f.write(res.content)

　　使用open（）方法以二进制写的形式打开文件，向文件里写入二进制数据。之后我们打开刚才写入的文件：

　　这里可以看到，成功的获取到了网页上面的图标信息，同样的音频和视频也可以使用这种方法来获取。

3.POST请求

　　使用requests发送POST请求也同样简单：

# POST请求

data = {

    'name':'rain',

    'age':''

}

res = requests.post('https://httpbin.org/post',data=data)

print(res.text)

　　运行结果：

{

  "args": {},

  "data": "",

  "files": {},

  "form": {

    "age": "",

    "name": "rain"

  },

  "headers": {

    "Accept": "*/*",

    "Accept-Encoding": "gzip, deflate",

    "Content-Length": "",

    "Content-Type": "application/x-www-form-urlencoded",

    "Host": "httpbin.org",

    "User-Agent": "python-requests/2.18.4"

  },

  "json": null,

  "origin": "183.129.61.183, 183.129.61.183",

  "url": "https://httpbin.org/post"

}

　　可以看到，我们成功的获取了返回结果，其中form里面的数据就是提交的数据，也证明了POST请求成功。

4.响应信息

　　发送请求成功后，得到的自然是相应。上面的例子中，我们使用text和content获取了响应的内容。此外还有很多方法可以用来获取响应的其他信息：

# 获取响应信息

res = requests.get('http://www.baidu.com')

print(type(res.status_code), res.status_code)   # 响应状态码

print(type(res.headers), res.headers)           # 响应头信息

print(type(res.cookies), res.cookies)           # Cookies信息

print(type(res.url), res.url)                   # 请求url

print(type(res.history), res.history)           # 请求历史信息

　　运行结果：

<class 'int'> 200

<class 'requests.structures.CaseInsensitiveDict'> {'Cache-Control': 'private, no-cache, no-store, proxy-revalidate, no-transform', 'Connection': 'Keep-Alive', 'Content-Encoding': 'gzip', 'Content-Type': 'text/html', 'Date': 'Fri, 24 May 2019 10:02:25 GMT', 'Last-Modified': 'Mon, 23 Jan 2017 13:28:37 GMT', 'Pragma': 'no-cache', 'Server': 'bfe/1.0.8.18', 'Set-Cookie': 'BDORZ=27315; max-age=86400; domain=.baidu.com; path=/', 'Transfer-Encoding': 'chunked'}

<class 'requests.cookies.RequestsCookieJar'> <RequestsCookieJar[<Cookie BDORZ=27315 for .baidu.com/>]>

<class 'str'> http://www.baidu.com/

<class 'list'> []

　　其中响应状态码经常用来判断请求是否成功，而requests还提供了一个内置的状态码查询对象requests.codes:

# requests内置状态码查询

res = requests.get('http://www.baidu.com')

exit() if not res.status_code == requests.codes.ok else print("Request Successful!")

　　运行结果：

Request Successful!

　　这里通过响应信息中的请求成功状态码与requests内置请求成功状态码进行比较来判断请求是否成功。其中requests.codes.ok的值为200。