爬虫相关--requests库

requests的理想：HTTP for Humans

一、八个方法

相比较urllib模块，requests模块要简单很多，但是需要单独安装：

在windows系统下只需要在命令行输入命令 pip install requests 即可安装。
在 linux 系统下，只需要输入命令 sudo pip install requests ，即可安装。

requests库的八个主要方法

方法	描述
requests.request()	构造一个请求，支持以下各种方法
requests.get()	向html网页提交get请求的方法
requests.post()	向html网页提交post请求的方法
requests.head()	获取html头部信息的主要方法
requests.put()	向html网页提交put请求的方法
requests.options()	向html网页提交options请求的方法
requests.patch()	向html网页提交局部修改的请求
requests.delete()	向html网页提交删除的请求

请求之后，服务器通过response返回数据，response具体参数如下图：

属性	描述
r.status_code	http请求的返回状态，若为200则表示请求成功
r.text	http响应内容的字符串形式，即返回的页面内容
r.encoding	从http header 中猜测的相应内容编码方式
r.apparent_encoding	从内容中分析出的响应内容编码方式（备选编码方式）
r.content	http响应内容的二进制形式
r.headers	响应头
r.cookies	cookie
r.url	url
r.history	请求历史

requests.request(method, url, **kwargs)

method：即 get、post、head、put、options、patch、delete
url：即请求的网址
**kwargs：控制访问的参数，具体参数如下：

params

字典或字节序列，作为参数增加到url中。使用这个参数可以把一些键值对以?key1=value1&key2=value2的模式增加到url中

## request(method, url, **kwargs)，当 **kwargs 为 params

import requests

payload = {'key1': 'value1', 'key2': 'value2'}

r = requests.request('GET', 'http://httpbin.org/get', params=payload)

print(r.url)

# result: http://httpbin.org/get?key1=value1&key2=value2

print(r.text)

# result:

# {

#   "args": {

#     "key1": "value1",

#     "key2": "value2"

#   },

#   "headers": {

#     "Accept": "*/*",

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

#     "Connection": "close",

#     "Host": "httpbin.org",

#     "User-Agent": "python-requests/2.19.1"

#   },

#   "origin": "1.203.183.95",

#   "url": "http://httpbin.org/get?key1=value1&key2=value2"

# }

data

字典，字节序或文件对象，重点作为向服务器提供或提交资源是提交，作为request的内容，与params不同的是，data提交的数据并不放在url链接里，而是放在url链接对应位置的地方作为数据来存储。它也可以接受一个字符串对象。

## request(method, url, **kwargs)，当 **kwargs 为 data

import requests

payload = {'key1': 'value1', 'key2': 'value2'}

r = requests.request('POST', 'http://httpbin.org/post', data=payload)

print(r.url)

# result: http://httpbin.org/post

print(r.text)

# result:

# {

#   "args": {},

#   "data": "",

#   "files": {},

#   "form": {

#     "key1": "value1",

#     "key2": "value2"

#   },

#   "headers": {

#     "Accept": "*/*",

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

#     "Connection": "close",

#     "Content-Length": "23",

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

#     "Host": "httpbin.org",

#     "User-Agent": "python-requests/2.19.1"

#   },

#   "json": null,

#   "origin": "1.203.183.95",

#   "url": "http://httpbin.org/post"

# }

json

json格式的数据， json合适在相关的html，http相关的web开发中非常常见，也是http最经常使用的数据格式，他是作为内容部分可以向服务器提交。

## request(method, url, **kwargs)，当 **kwargs 为 json

import requests

payload = {'key1': 'value1', 'key2': 'value2'}

r = requests.request('POST', 'http://httpbin.org/post', json=payload)

print(r.url)

# result: http://httpbin.org/post

print(r.text)

# result:

# {

#   "args": {},

#   "data": "{\"key1\": \"value1\", \"key2\": \"value2\"}",

#   "files": {},

#   "form": {},

#   "headers": {

#     "Accept": "*/*",

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

#     "Connection": "close",

#     "Content-Length": "36",

#     "Content-Type": "application/json",

#     "Host": "httpbin.org",

#     "User-Agent": "python-requests/2.19.1"

#   },

#   "json": {

#     "key1": "value1",

#     "key2": "value2"

#   },

#   "origin": "1.203.183.95",

#   "url": "http://httpbin.org/post"

# }

files

字典，是用来向服务器传输文件时使用的字段。

## request(method, url, **kwargs)，当 **kwargs 为 file

import requests

# filejiatao.txt 文件的内容是文本“www.baidu.com www.cctvjiatao.com”

files = {'file': open(r"D:\DataguruPyhton\PythonSpider\lesson2\filejiatao.txt", "rb")}

r = requests.request('POST', 'http://httpbin.org/post', files=files)

print(r.url)

# result: http://httpbin.org/post

print(r.text)

# result:

# {

#   "args": {},

#   "data": "",

#   "files": {

#     "file": "www.baidu.com www.cctvjiatao.com"

#   },

#   "form": {},

#   "headers": {

#     "Accept": "*/*",

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

#     "Connection": "close",

#     "Content-Length": "182",

#     "Content-Type": "multipart/form-data; boundary=ee12ea6a4fd2b8a3318566775f2b268f",

#     "Host": "httpbin.org",

#     "User-Agent": "python-requests/2.19.1"

#   },

#   "json": null,

#   "origin": "1.203.183.95",

#   "url": "http://httpbin.org/post"

# }

headers

字典是http的相关语，对应了向某个url访问时所发起的http的头字段，可以用这个字段来定义http的访问的http头，可以用来模拟任何我们想模拟的浏览器来对url发起访问。

## request(method, url, **kwargs)，当 **kwargs 为 headers

import requests

payload = {'key1': 'value1', 'key2': 'value2'}

headers = {"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/68.0.3440.84 Safari/537.36"}

r = requests.request('GET', 'http://httpbin.org/get', params=payload, headers=headers)

print(r.url)

# result: http://httpbin.org/get?key1=value1&key2=value2

print(r.text)

# result:

# {

#   "args": {

#     "key1": "value1",

#     "key2": "value2"

#   },

#   "headers": {

#     "Accept": "*/*",

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

#     "Connection": "close",

#     "Host": "httpbin.org",

#     "User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/68.0.3440.84 Safari/537.36"

#   },

#   "origin": "1.203.183.95",

#   "url": "http://httpbin.org/get?key1=value1&key2=value2"

# }

cookies

字典或CookieJar，指的是从http中解析cookie

## request(method, url, **kwargs)，当 **kwargs 为 cookies

import requests

cookies = dict(cookies_are='working')

r = requests.request('GET', 'http://httpbin.org/cookies', cookies=cookies)

print(r.url)

# result: http://httpbin.org/cookies

print(r.text)

# result:

# {

#   "cookies": {

#     "cookies_are": "working"

#   }

# }

会话维持

　　在requests中，如果直接利用get()或post()等方法的确可以做到模拟网页的请求，但是这实际上是相当于不同的会话，也就是说相当于你用了两个浏览器打开了不同的页面。这时候就需要采用会话。

import requests

s = requests.Session()

s.get("http://httpbin.org/cookies/set/number/123456789")

r = s.get('https://httpbin.org/cookies')

print(r.text)

auth

元组，用来支持http认证功能

## request(method, url, **kwargs)，当 **kwargs 为 auth

import requests

cs_user = '用户名'

cs_psw = '密码'

r = requests.request('GET', 'https://api.github.com', auth=(cs_user, cs_psw))

print(r.url)

# result: 待补充

print(r.text)

# result: 待补充

timeout

用于设定超时时间，单位为秒，当发起一个get请求时可以设置一个timeout时间，如果在timeout时间内请求内容没有返回，将产生一个timeout的异常。

## request(method, url, **kwargs)，当 **kwargs 为 timeout

import requests

r = requests.request('GET', 'http://github.com', timeout=0.001)

print(r.url)

# result: 报错 socket.timeout: timed out

proxies

字典，用来设置访问代理服务器。

## request(method, url, **kwargs)，当 **kwargs 为 proxies

import requests

proxies = {

    'https': 'http://41.118.132.69:4433'

}

# 也可以通过环境变量设置代理

# export HTTP_PROXY='http://10.10.1.10:3128'

# export HTTPS_PROXY='http://10.10.1.10:1080'

r = requests.request('GET', 'http://httpbin.org/get', proxies=proxies)

print(r.url)

# result: http://httpbin.org/get

print(r.text)

# result:

# {

#   "args": {},

#   "headers": {

#     "Accept": "*/*",

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

#     "Connection": "close",

#     "Host": "httpbin.org",

#     "User-Agent": "python-requests/2.19.1"

#   },

#   "origin": "1.203.183.95",

#   "url": "http://httpbin.org/get"

# }

verify

当https网站，且此网站证书没有被官方CA机构信任，会出现证书验证错误的结果（您的链接不是私密链接）

开关，用于认证SSL证书，默认为True。(之前12306网站不是CA机构信任的。现在应该试了。)

## request(method, url, **kwargs)，当 **kwargs 为 verify，SSL证书验证

import requests

r = requests.request('GET', 'https://kyfw.12306.cn/otn/', verify=True)

print(r.text)

r = requests.request('GET', 'https://kyfw.12306.cn/otn/', verify=False)

print(r.text)

r = requests.request('GET', 'https://github.com', verify=True)

print(r.text)

cert

　　当然，我们也可以制定一个本地证书用作客户端证书，这可以是单个文件（包含秘钥和证书）或一个包含两个文件路径的元组：

import requests

response = requests.get("https://www.12306.cn",cert=("/path/server.crt","./path/key"))

print(response.status_code)

allow_redirects

开关，表示是否允许对url进行重定向，默认为True。

stream

开关，指是否对获取内容进行立即下载，默认为True。

requests.get(url, params=None, **kwargs)

# 官方文档

def get(url, params=None, **kwargs):

    kwargs.setdefault('allow_redirects', True)

    return request('get', url, params=params, **kwargs)

requests.post(url, data=None, json=None, **kwargs)

# 官方文档

def post(url, data=None, json=None, **kwargs):

    return request('post', url, data=data, json=json, **kwargs)

requests.head(url, **kwargs)

# 官方文档

def head(url, **kwargs):

    kwargs.setdefault('allow_redirects', False)

    return request('head', url, **kwargs)

requests.options(url, **kwargs)

# 官方文档

def options(url, **kwargs):

    kwargs.setdefault('allow_redirects', True)

    return request('options', url, **kwargs)

requests.put(url, data=None, **kwargs)

# 官方文档

def put(url, data=None, **kwargs):

    return request('put', url, data=data, **kwargs)

requests.patch(url, data=None, **kwargs)

# 官方文档

def patch(url, data=None, **kwargs):

    return request('patch', url, data=data, **kwargs)

requests.patch和request.put类似。
两者不同的是：当我们用patch时仅需要提交需要修改的字段。
而用put时，必须将所有字段一起提交到url，未提交字段将会被删除。
patch的好处是：节省网络带宽。

requests.delete(url, **kwargs)

# 官方文档

def delete(url, **kwargs):

    return request('delete', url, **kwargs)

requests库的异常

注意requests库有时会产生异常，比如网络连接错误、http错误异常、重定向异常、请求url超时异常等等。所以我们需要判断r.status_codes是否是200，在这里我们怎么样去捕捉异常呢？
这里我们可以利用r.raise_for_status() 语句去捕捉异常，该语句在方法内部判断r.status_code是否等于200，如果不等于，则抛出异常。
于是在这里我们有一个爬取网页的通用代码框架

try:

    r = requests.get(url, timeout=30)  # 请求超时时间为30秒

    r.raise_for_status()  # 如果状态不是200，则引发异常

    r.encoding = r.apparent_encoding  # 配置编码

    print(r.text)

except:

    print("产生异常")

二、返回数据

2.1 内置状态码查询对象 requests.codes

具体状态码临时百度，比如200是ok，404是not_found等

import requests

r = requests.get("http://baidu.com")

exit() if not r.status_code == requests.codes.ok else print("Successfully")

2.2 content返回二进制抓取图片、文件

import requests

r = requests.get("https://github.com/favicon.ico")

with open("facivon.ico","wb") as f:

    f.write(r.content)

三、requests的综合小实例

实例一：京东商品信息的爬取

## 京东商品信息的爬取

# 不需要对头部做任何修改，即可爬网页

import requests

url = 'http://item.jd.com/2967929.html'

try:

    r = requests.get(url, timeout=30)

    r.raise_for_status()

    r.encoding = r.apparent_encoding

    print(r.text[:1000])  # 部分信息

except:

    print("失败")

实例二：亚马逊商品信息的爬取

## 亚马逊商品信息的爬取

# 该网页中对爬虫进行的爬取做了限制，因此我们需要伪装自己为浏览器发出的请求

import requests

url = 'http://www.amazon.cn/gp/product/B01M8L5Z3Y'

try:

    kv = {'user_agent': 'Mozilla/5.0'}

    r = requests.get(url, headers=kv)  # 改变自己的请求数据

    r.raise_for_status()

    r.encoding = r.apparent_encoding

    print(r.text[1000:2000])  # 部分信息

except:

    print("失败")

实例三：百度搜索关键字提交

## 百度搜索关键字提交

# 百度的关键字接口：https://www.baidu.com/s?wd=keyword

import requests

keyword = 'python'

try:

    kv = {'wd': keyword}

    headers = {"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/68.0.3440.84 Safari/537.36"}

    r = requests.get('https://www.baidu.com/s', params=kv, headers=headers)

    r.raise_for_status()

    r.encoding = r.apparent_encoding

    # print(len(r.text))

    print(r.text)

except:

    print("失败")

实例四：网络图片的爬取

## 网络图片的爬取

import requests

import os

try:

    url = "https://odonohz90.qnssl.com/library/145456/bb0b3faa7a872d012bb4c57256b47585.jpg?imageView2/2/w/1000/h/1000/q/75"  # 图片地址

    root = r"D:\DataguruPyhton\PythonSpider\lesson3\pic\\"

    path = root + url.split("/")[-1]

    if not path.endswith(".jpg"):

        path += ".jpg"

    if not os.path.exists(root):  # 目录不存在创建目录

        os.mkdir(root)

    if not os.path.exists(path):  # 文件不存在则下载

        r = requests.get(url)

        f = open(path, "wb")

        f.write(r.content)

        f.close()

        print("文件下载成功")

    else:

        print("文件已经存在")

except:

    print("获取失败")