爬虫基本库：requests

requests

在 urllib 的应用中，有一些不方便的地方，比如处理网页验证和 Cookies 时，需要写 Opener 和 Handler 来处理。为了更加方便地实现这些操作，需要用到更强大的库：requests。

1. 基本用法

1.1. 简单示例

urllib 库中的 urlopen() 方法以 GET 方式请求网页，而 requests 中相应的就是 get() 方法。

import requests

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

print(type(r))
# <class 'requests.models.Response'>

print(r.status_code)
# 200

# 响应体的类型
print(type(r.text))
# <class 'str'>

# 响应体的内容
print(r.text)

# Cookies的类型
print(r.cookies)
# <RequestsCookieJar[<Cookie BDORZ=27315 for .baidu.com/>]>

1.2. GET请求

HTTP中最常见的请求之一就是GET请求。构建一个最简单的GET请求，链接为 http://httpbin.org/get，该网站会判断请求方式，如果是GET请求的话就返回相应的请求信息。

1.2.1. 基本实例

import requests

r = requests.get('http://httpbin.org/get')
print(r.text)

"""
运行结果：
{
  "args": {}, 
  "headers": {
    "Accept": "*/*", 
    "Accept-Encoding": "gzip, deflate", 
    "Connection": "close", 
    "Host": "httpbin.org", 
    "User-Agent": "python-requests/2.20.1"
  }, 
  "origin": "123.160.224.118", 
  "url": "http://httpbin.org/get"
}
"""

如果要在GET请求中附加额外的信息，一般用字典来存储：

import requests

data = {
    'name': 'germey',
    'age': 22
}
r = requests.get('http://httpbin.org/get', params=data)
print(r.text)

"""
{
  "args": {
    "age": "22", 
    "name": "germey"
  }, 
  "headers": {
    "Accept": "*/*", 
    "Accept-Encoding": "gzip, deflate", 
    "Connection": "close", 
    "Host": "httpbin.org", 
    "User-Agent": "python-requests/2.20.1"
  }, 
  "origin": "123.160.224.118", 
  "url": "http://httpbin.org/get?name=germey&age=22"
}
"""

网页的返回类型实际上是 str 类型，但是它很特殊，是JSON格式的。如果想直接解析返回结果，得到一个字典格式的话，可以直接调用 json() 方法。

import requests

r = requests.get('http://httpbin.org/get')
print(type(r.text))
print(r.json())
print(type(r.json()))

"""
运行结果：
<class 'str'>
{'args': {}, 'headers': {'Accept': '*/*', 'Accept-Encoding': 'gzip, deflate', 'Connection': 'close', 'Host': 'httpbin.org', 'User-Agent': 'python-requests/2.20.1'}, 'origin': '123.160.224.118', 'url': 'http://httpbin.org/get'}
<class 'dict'>
"""

调用 json() 方法可以将返回结果是JSON格式的字符串转化为字典，但是在返回结果不是JSON格式时会出现解析错误，抛出 json.decoder.JSONDecoderError 异常。

1.2.2. 抓取网页

以“知乎”的“发现”页面为例：

import requests
import re

headers = {
    'User-Agent':'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_11_4) AppleWebKit/537.36\
            (KHTML, like Gecko) Chrome/52.0.2743.116 Safari/537.36'
}
r = requests.get('https://www.zhihu.com/explore', headers=headers)
pattern = re.compile('explore-feed.*?question_link.*?>(.*?)</a>', re.S)
titles = re.findall(pattern, r.text)
print(titles)

"""
运行结果：
['\n历史上有那些长期流传的，错误的地理记载，后来是如何被推翻的？\n', 
'\n人生应该活成什么样子，该以什么样的方式活着？\n', 
'\nfgo里面的从者和礼装卡面有哪些不仔细看看不出来的小彩蛋？\n', 
'\n如何看待新浪娱乐的对话特辑《听老高鹿晗说》？\n', 
'\n如何评价《群星（Stellaris）》新DLC《巨型企业（Megacorp）》？\n', 
'\n有哪些句子是真正写到你的心里去了？\n', 
'\n经过此次马思纯回怼风波后，杨紫后续的资源是否更差？\n', 
'\n你有过哪些像段子的亲身经历？\n', 
'\n如何看待网传朱一龙抽烟并随地扔烟头？\n', 
'\n怎么评价防弹续约7年?\n']
"""

User-Agent 字段信息是浏览器标识信息，不加会被禁止抓取。

1.2.3. 抓取二进制数据

以 GitHub 的站点图标为例：

import requests

r = requests.get('https://github.com/favicon.ico')
print(r.text)
print(r.content)

结果如下：
r.text 部分结果：��t��
r.content 部分结果：
b'\x00\x00\x01\x00\x02\x00\x10\x10\x00\x00\x01\x00
图片是二进制数据，前者在打印时转化为 str 类型，图片直接转化为字符串，会出现乱码

将提取的图片保存下来

import requests

r = requests.get('https://github.com/favicon.ico')
with open('favicon.ico', 'wb') as f:
    f.write(r.content)

使用 open() 方法，第一个参数是文件名称，第二个参数代表以二进制形式打开，可以向文件中写入二进制数据。运行结束会在文佳家中产生名为 favicon.ico 的图片文件。
同样，音频和视频文件也可以用这种方法获取。

1.2.4. 添加 headers

与 urllib.request 一样，requests 也通过 headers 来传递头消息。例如前面的“知乎”例子中，如果不传递 headers，就不能正常请求：

import requests

r = requests.get('https://www.zhihu.com/explore')
print(r.text)

"""
运行结果：
<html>
<head><title>400 Bad Request</title></head>
<body bgcolor="white">
<center><h1>400 Bad Request</h1></center>
<hr><center>openresty</center>
</body>
</html>
"""

1.3. POST请求

请求 http://httpbin.org/post，该网站判断是POST请求后把相关信息返回，其中 form 部分就是提交的数据，证明POST请求成功。

import requests

data = {'name': 'germey', 'age': '22'}
r = requests.post('http://httpbin.org/post', data=data)
print(r.text)

"""
{
  "args": {}, 
  "data": "", 
  "files": {}, 
  "form": {
    "age": "22", 
    "name": "germey"
  }, 
  "headers": {
    "Accept": "*/*", 
    "Accept-Encoding": "gzip, deflate", 
    "Connection": "close", 
    "Content-Length": "18", 
    "Content-Type": "application/x-www-form-urlencoded", 
    "Host": "httpbin.org", 
    "User-Agent": "python-requests/2.20.1"
  }, 
  "json": null, 
  "origin": "123.160.224.118", 
  "url": "http://httpbin.org/post"
}
"""

1.4. 响应

发送请求后，可以使用 text 和 content 得到的响应内容，此外还有很多属性和方法可以用来获取其他信息，如状态码、响应头、Cookies 等。

import requests

r = requests.get('http://www.jianshu.com')
# 输出状态码
print(type(r.status_code), r.status_code)
# 输出响应头
print(type(r.headers), r.headers)
# 输出Cookies
print(type(r.cookies), r.cookies)
# 输出URL
print(type(r.url), r.url)
# 输出请求历史
print(type(r.history), r.history)

<class 'int'> 403
<class 'requests.structures.CaseInsensitiveDict'> {'Date': 'Sat, 24 Nov 2018 09:26:34 GMT', 'Content-Type': 'text/html', 'Transfer-Encoding': 'chunked', 'Connection': 'keep-alive', 'Server': 'Tengine', 'Strict-Transport-Security': 'max-age=31536000; includeSubDomains; preload', 'Content-Encoding': 'gzip', 'X-Via': '1.1 PSzjwzdx11at80:10 (Cdn Cache Server V2.0), 1.1 PShbycdx6yh51:11 (Cdn Cache Server V2.0)'}
<class 'requests.cookies.RequestsCookieJar'> <RequestsCookieJar[]>
<class 'str'> https://www.jianshu.com/
<class 'list'> []
headers 和 cookies 两个属性得到的结果分别是CaseInsensitiveDict 和 RequestsCookieJar 类型

状态码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，示例如下：

import requests

r = requests.get('http://www.jianshu.com')
exit() if not r.status_code == requests.codes.ok else print('Request Successfully')

通过比较返回码和内置的成功的返回码，来保证请求得到了正常响应，输出成功请求的消息，否则程序终止，用 requests.codes.ok 得到的成功的状态码是 200。

一些返回码和相应的查询条件：

信息性状态码、成功状态码、重定向状态吗

客户端错误状态码

服务端错误状态码

如果想判断结果是不是 404 状态，可以用 requests.codes.not_foend 来对比。

2. 高级用法

2.1. 文件上传

import requests

files = {'file': open('favicon.ico', 'rb')}
r = requests.post('http://httpbin.org/post', files=files)
print(r.text)

上传的部分会在一个单独的 files 字段里标识出来。

2.2. Cookies

import requests

r = requests.get('https://www.baidu.com')
print(r.cookies)
for key, value in r.cookies.items():
    print(key + '=' + value)

可以直接用 Cookies 维持登录状态，登录后将 Headers 中的 Cookie 内容复制下来，替换成自己的 Cookie，将其设置到 Headers 里，然后发送请求。

2.3. 会话维持

import requests

requests.get('http://httpbin.org/cookies/set/number/123456789')
r = requests.get('http://httpbin.org/cookies')
print(r.text)

运行结果为：
{
"cookies": {}
}
不能获取到设置的 Cookies。

import requests

s = requests.Session()
s.get('http://httpbin.org/cookies/set/number/123456789')
r = s.get('http://httpbin.org/cookies')
print(r.text)

运行结果为：
{
"cookies": {
"number": "123456789"
}
}
Yes，获取成功！

2.4. SSL 证书验证

requests 还提供了证书验证的功能。当发送 HTTP 请求的时候，它会检查 SSL 证书，我们可以使用 verify 参数控制是否检查此证书.其实如果不加 verify 参数的话，默认是 True ，会自动验证。

import requests

response = requests.get('https://www.12306.cn')
print(response.status_code)
"""
requests.exceptions.SSLError: ("bad handshske: Error([('SSL routines', 'tls_process_server_certificate', 'certificate verify failed')],)",)
"""

这里提示一个错误 SSLError ，表示证书验证错误。所以，如果请求一个 HTTPS 站点，但是证书验证错误的页面时，就会报这样的错误，那么如何避免这个错误呢？很简单，把 verify 参数设置为 False 即可，相关代码如下：

import requests

response = requests.get('https://www.12306.cn', verify=False)
print(response.status_code)

也可以通过指定一个本地证书用作客户端证书，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)

代码是演示示例，需要的有 crt 和 key 文件，并且指定它们的路径。注意：本地私有证书的 key 必须是解密状态，加密状态的 key 是不支持的。

2.5. 代理设置

对于某些网站，在测试的时候请求几次，能正常获取内容。但是一旦开始大规模爬取，对于大规模且频繁的请求，网站可能会弹出验证码，或者跳转到登录认证页面更甚者可能会直接封禁客户端的 IP，导致一定时间段内无法访问。
那么，为了防止这种情况发生，需要设置代理来解决这个问题，这就需要用到 proxies 参数，可以用这样的方式设置：

import requests

proxies = {
    "http": "http://10.10.1.10:3128",
    "https": "https://10.10.1.10:1080"
}

requests.get("https://www.taobao.com", proxies=proxies)

# 如果代理需要使用 HTTP Basic Auth ，可以使用类似 http://user:password@host:port 这样的语法来设置代理
# requests.get("https://www.taobao.com", proxies=proxies)

2.6. 超时设置

在本机网络状况不好或者服务器网络响应太慢甚至无响应时，我们可能会等待特别久的时间才能收到响应，甚至到最后收不到响应而报错。为了防止服务器不能及时响应，应该设置一个超时时间，即超过了这个时间还没有得到响应，那就报错，这需要用到 timeout 参数。这个时间的计算是发出请求到服务器返回响应的时间。示例如下：

import requests

r = requests.get("https://www.taobao.com", timeout=1)
print(r.status_code)

超时时间设置为1秒，1秒内没有响应就抛出异常。实际上请求分为两个阶段：连接（connect）和读取（read），上面设置的 timeout 是两者用时的总和。

其他设置方式：
如果需要分开指定，可以传入一个元组：
r = requests.get('https://www.taobao.com', timeout=(5, 11, 30))
如果想永久等待，timeout 默认值为 None ，可以直接设置为 None：
r = requests.get("https://www.taobao.com", timeout=None)
也可以直接不加参数：
r = requests.get("https://www.taobao.com")

2.7. 身份认证

requests 自带的身份认证功能：

import requests
from requests.auth import HTTPBasicAuth

r = requests.get('http://localhost:5000', auth=HTTPBasicAuth('username', 'password'))
print(r.status_code)

如果用户名和密码正确，请求时会自动认证成功，返回 200 状态码；如果认证失败，则返回 401 状态码。
还有一种简单的写法，不用传 HTTPBasicAuth 类参数，直接传一个元组，会默认使用 HTTPBasicAuth 这个类来认证：

import requests

r = requests.get('http://localhost:5000', auth=('username', 'password'))
print(r.status_code)

requests 还提供了其他认证方式，如 OAuth 认证，不过需要安装 oauth 包，安装命令如下：

pip install requests.oauthlib

import requests
from requests_oauthlib import OAuth1

url = 'https://api.twitter.com/1.1/account/verify_credentials.json'
auth = OAuth1('YOUR_APP_KEY', 'YOUR_APP_SECRET', 'USER_OAUTH_TOKEN', 'USER_OAUTH_TOKEN_SECRET')
requests.get(url, auth=auth)

更多详细功能请参考 requests_oauthlib 官方文档 https://requests-oauthlib.readthedocs.org/

最后编辑于：2018.11.28 19:06:02

人面猴
序言：七十年代末，一起剥皮案震惊了整个滨河市，随后出现的几起案子，更是在滨河造成了极大的恐慌，老刑警刘岩，带你破解...
沈念sama阅读 202,056评论 5赞 474
死咒
序言：滨河连续发生了三起死亡事件，死亡现场离奇诡异，居然都是意外死亡，警方通过查阅死者的电脑和手机，发现死者居然都...
沈念sama阅读 84,842评论 2赞 378
救了他两次的神仙让他今天三更去死
文/潘晓璐我一进店门，熙熙楼的掌柜王于贵愁眉苦脸地迎上来，“玉大人，你说我怎么就摊上这事。” “怎么了？”我有些...
开封第一讲书人阅读 148,938评论 0赞 335
道士缉凶录：失踪的卖姜人
文/不坏的土叔我叫张陵，是天一观的道长。经常有香客问我，道长，这世上最难降的妖魔是什么？我笑而不...
开封第一讲书人阅读 54,296评论 1赞 272
港岛之恋（遗憾婚礼）
正文为了忘掉前任，我火速办了婚礼，结果婚礼上，老公的妹妹穿的比我还像新娘。我一直安慰自己，他们只是感情好，可当我...
茶点故事阅读 63,292评论 5赞 363
恶毒庶女顶嫁案：这布局不是一般人想出来的
文/花漫我一把揭开白布。她就那样静静地躺着，像睡着了一般。火红的嫁衣衬着肌肤如雪。梳的纹丝不乱的头发上，一...
开封第一讲书人阅读 48,413评论 1赞 281
城市分裂传说
那天，我揣着相机与录音，去河边找鬼。笑死，一个胖子当着我的面吹牛，可吹牛的内容都是我干的。我是一名探鬼主播，决...
沈念sama阅读 37,824评论 3赞 393
双鸳鸯连环套：你想象不到人心有多黑
文/苍兰香墨我猛地睁开眼，长吁一口气：“原来是场噩梦啊……” “哼！你这毒妇竟也来了？” 一声冷哼从身侧响起，我...
开封第一讲书人阅读 36,493评论 0赞 256
万荣杀人案实录
序言：老挝万荣一对情侣失踪，失踪者是张志新（化名）和其女友刘颖，没想到半个月后，有当地人在树林里发现了一具尸体，经...
沈念sama阅读 40,686评论 1赞 295
护林员之死
正文独居荒郊野岭守林人离奇死亡，尸身上长有42处带血的脓包…… 初始之章·张勋以下内容为张勋视角年9月15日...
茶点故事阅读 35,502评论 2赞 318
白月光启示录
正文我和宋清朗相恋三年，在试婚纱的时候发现自己被绿了。大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
茶点故事阅读 37,553评论 1赞 329
活死人
序言：一个原本活蹦乱跳的男人离奇死亡，死状恐怖，灵堂内的尸体忽然破棺而出，到底是诈尸还是另有隐情，我是刑警宁泽，带...
沈念sama阅读 33,281评论 4赞 318
日本核电站爆炸内幕
正文年R本政府宣布，位于F岛的核电站，受9级特大地震影响，放射性物质发生泄漏。R本人自食恶果不足惜，却给世界环境...
茶点故事阅读 38,820评论 3赞 305
男人毒药：我在死后第九天来索命
文/蒙蒙一、第九天我趴在偏房一处隐蔽的房顶上张望。院中可真热闹，春花似锦、人声如沸。这庄子的主人今日做“春日...
开封第一讲书人阅读 29,873评论 0赞 19
一桩弑父案，背后竟有这般阴谋
文/苍兰香墨我抬头看了看天上的太阳。三九已至，却和暖如春，着一层夹袄步出监牢的瞬间，已是汗流浃背。一阵脚步声响...
开封第一讲书人阅读 31,109评论 1赞 258
情欲美人皮
我被黑心中介骗来泰国打工，没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留，地道东北人。一个月前我还...
沈念sama阅读 42,699评论 2赞 348
代替公主和亲
正文我出身青楼，却偏偏与公主长得像，于是被迫代替她去往敌国和亲。传闻我的和亲对象是个残疾皇子，可洞房花烛夜当晚...
茶点故事阅读 42,257评论 2赞 341