爬虫基础-requests类库

た入场券 2022-10-02 03:54 202阅读 0赞

[2019独角兽企业重金招聘Python工程师标准>>> ][2019_Python_] ![hot3.png][]

## 简介 ##

python内置的HTTP请求库，用于HTTP的请求和响应处理。代码比urllib类库要简洁很多

### 请求类型 ###

>  *  requests.post
>  *  requests.get
>  *  requests.delete
>  *  requests.head
>  *  requests.options

post和get 请求在方法和使用上是一样的，这里以get请求做示例

#### get请求方法 ####

方法一(url后跟params参数)：

#-*- coding: utf-8 -*-
    import requests
    r = requests.get('http://www.python.org?name=user&age=18')
    print(r.text)

方法二(字典形式存储params参数)：

#-*- coding: utf-8 -*-
    import requests
    data = {'name':'user','age':'18'}
    r = requests.get('http://www.python.org',params=data)
    print(r.text)

#### get请求示例 ####

get常用请求

import requests
    r = requests.get('http://www.python.org')
    print("类型：",type(r))
    print("状态",r.status_code)
    print("响应头",r.headers)
    print("响应体类型",type(r.text))
    print("响应体",r.text)
    print("cookies",r.cookies)

类型： <class 'requests.models.Response'>
    状态 200
    响应头 {'Server': 'nginx', 'Content-Type': 'text/html; charset=utf-8', 'X-Frame-Options': 'DENY', 'Via': '1.1 vegur, 1.1 varnish, 1.1 varnish', 'Content-Length': '49230', 'Accept-Ranges': 'bytes', 'Date': 'Fri, 17 May 2019 03:50:39 GMT', 'Age': '1597', 'Connection': 'keep-alive', 'X-Served-By': 'cache-iad2142-IAD, cache-tyo19921-TYO', 'X-Cache': 'HIT, HIT', 'X-Cache-Hits': '1, 2272', 'X-Timer': 'S1558065040.883277,VS0,VE0', 'Vary': 'Cookie', 'Strict-Transport-Security': 'max-age=63072000; includeSubDomains'}
    响应体 <html>...略...</html>
    响应体类型 <class 'str'>
    cookies <RequestsCookieJar[]>

以上可以看到响应体类型是字符串格式，可以通过json()方法转换为json格式，防止解析错误，抛出json.decoder.JSONDecodeError异常

get请求配合re模块过滤内容

#-*- coding: utf-8 -*-
    import requests,re
    
    # 请求头
    headers = {'User-Agent':'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/74.0.3729.131 Safari/537.36'}
    r = requests.get('https://www.douban.com/',headers=headers)         # get请求
    a_tag = re.findall("<a.*</a>",r.text)                               # 正则过滤请求内容
    print("网页所有a标签：",a_tag)

网页所有a标签： ['<a target="_blank" class="lnk-book" href="https://book.douban.com">豆瓣读书</a>', '<a target="_blank" class="lnk-movie" href="https://movie.douban.com">豆瓣电影</a>', '<a target="_blank" class="lnk-music" href="https://music.douban.com">豆瓣音乐</a>',...略...]

get请求二进制数据(示例为图片)

#-*- coding: utf-8 -*-
    import requests
    r = requests.get('http://www.soso.com/soso/images/favicon_new.ico')
    print("按文本方式提取",r.text)
    print("bytes类型提取：",r.content)

按文本方式提取          h     (                                ��� ��� ��� ��� ������]���‰���±�������
    bytes类型提取： b'\x00\x00\x01\x00\x01\x00\x10\x10\x00\x00\x01\x00 \x00h\x04\x00\x00\x16\x00\x00\x00(\x00\x00\x00\x10\x00\x00\x00 \x00\x00\x00\x01'

#### post请求示例 ####

普通post请求和方法略，仅需把get请求替换为post请求即可，以下示例适用于大部分以post请求提交的场景

post请求提交数据

import requests
    data = {'name':'user','age':'18'}
    r = requests.post('http://www.aaa.com,data=data')

post请求上传文件

import requests
    files = {'file':open('favicon.ico','rb')}
    r = requests.post('http://www.aaa.com,files=files')

#### 获取Cookies ####

cookies对象获取，也可以在浏览器开发者模式Network > Headers 中查看Cookie值

#-*- coding: utf-8 -*-
    import requests
    
    r = requests.get("https://www.zhihu.com/")
    print("cookies值对象：",r.cookies)
    
    # 遍历输出cookie
    for key,value in r.cookies.items():
        print("cookies值:",key + '=' + value)

cookies值对象： <RequestsCookieJar[<Cookie _xsrf=ccDJCJBWZFXbSdOIqS5fVks34CVhFwQ8 for .zhihu.com/>, <Cookie tgw_l7_route=a37704a413efa26cf3f23813004f1a3b for www.zhihu.com/>]>
    cookies值: _xsrf=ccDJCJBWZFXbSdOIqS5fVks34CVhFwQ8
    cookies值: tgw_l7_route=a37704a413efa26cf3f23813004f1a3b

携带cookies访问(以下仅为小示例，当然现在很多网站都做了防爬虫处理，需要加入Authorization认证。防爬虫处理后边会写到，这里仅做写法样式展示)

#-*- coding: utf-8 -*-
    import requests
    headers={
        'Cookies':'tgw_l7_route=116a747939468d99065d12a386ab1c5f; _xsrf=PZRQSNJ7BbRYSF3C43RmJqeJg5IDjQm6; tst=r; q_c1=3cd18195e35d4c0f8ec94ec70bbec158|1558078820000|1558078820000',
        'Host': 'www.aaa.com',
        'User-Agent':'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/74.0.3729.131 Safari/537.36',
    }
    r = requests.get('https://www.aaa.com/',headers=headers)
    print(r.text)

#### session会话保持 ####

没有使用session会话保持测试

#-*- coding: utf-8 -*-
    import requests
    
    r = requests.get('http://www.httpbin.org/cookies/set/number/123456')
    print("第一次登录访问：",r.text)
    
    r2 = requests.get('http://www.httpbin.org/cookies')
    print("访问该域名另外一个连接：",r2.text)

第一次登录访问： {
      "cookies": {
        "number": "123456"
      }
    }
    
    访问该域名另外一个连接： {
      "cookies": {}
    }

使用session会话保持，就不用每次请求都携带cookies值了

#-*- coding: utf-8 -*-
    import requests
    s = requests.Session()                          # 会话保持
    r = s.get('http://www.httpbin.org/cookies/set/number/123456')
    print("第一次登录访问：",r.text)
    
    r2 = s.get('http://www.httpbin.org/cookies')
    print("访问该域名另外一个连接：",r2.text)

第一次登录访问： {
      "cookies": {
        "number": "123456"
      }
    }
    
    访问该域名另外一个连接： {
      "cookies": {
        "number": "123456"
      }
    }

#### SSL警告和忽略 ####

request防止因为ssl配置失效或其它原因请求被拦截：

#-*- coding: utf-8 -*-
    import requests
    from requests.packages import urllib3
    urllib3.disable_warnings()
    r = requests.get('https://www.python.org/',verify=False)
    print(r.status_code)

#### 代理设置 ####

普通代理设置参考

#-*- coding: utf-8 -*-
    import requests
    proxies = {
        "http":"http://10.0.0.10:3128",
        "https":"https//10.0.0.10:1080",
    }
    requests.get("https://www.python.org",proxies=proxies)

包含 HTTP Basic Auth 认证的代理设置参考

#-*- coding: utf-8 -*-
    import requests
    proxies = {
        'http':'http://user:password@host:port',
        'https':'http://user:password@host:port',
    }
    requests.get("https://www.python.org",proxies=proxies)

SOCKS协议代理(需要pip安装'requests\[socks\]')

#-*- coding: utf-8 -*-
    import requests
    proxies = {
        'http':'socks5://user:password@host:port',
        'https':'socks5://user:password@host:port',
    }
    requests.get("https://www.python.org",proxies=proxies)

#### 超时设置 ####

#-*- coding: utf-8 -*-
    import requests
    r = requests.get('http://www.python.org',timeout=10)
    print(r.status_code)

#### 身份认证 ####

HTTPBasicAuth 认证

#-*- coding: utf-8 -*-
    import requests
    from requests.auth import HTTPBasicAuth
    r = requests.get('http://localhost:5000',auth=HTTPBasicAuth('username','password'))
    print(r.status_code)

requests默认认证为HTTPBasicAuth,所有有更简洁的写法

#-*- coding: utf-8 -*-
    import requests
    r = requests.get('http://localhost:5000',auth=('username','password'))
    print(r.status_code)

其它身份认证(以OAuth认证为例，需要先pip安装requests\_oauthlib模块)

#-*- coding: utf-8 -*-
    import requests
    from requests_oauthlib import OAuth1
    url = 'https://api.twitter.com/1.1/accout/verfify_crdentials.json'
    auth = OAuth1('YOUR_APP_KEY','YOUR_APP_SECRET','USER_OAUTH_TOKEN','USER_OAUTH_TOKEN_SECRET')
    requests.get(url,auth=auth)

#### Prepared Request 数据结构 ####

将请求表示为数据结构，其中各个参数通过一个 Prepared Request 对象来表示

#-*- coding: utf-8 -*-
    from requests import Request,Session
    url = 'http://httpbin.org/post'
    data = {'name':'user'}
    headers={'User-Agent':'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/74.0.3729.131 Safari/537.36'}
    s = Session()                                           # 实例化session对象
    req = Request('POST',url,data=data,headers=headers)     # 实例化Request对象
    prepped = s.prepare_request(req)                        # 使用session的prepare_request转换为Prepared Request对象
    r = s.send(prepped)                                     # 调用s.send()方法提交发送数据
    print(r.text)

{
      "args": {}, 
      "data": "", 
      "files": {}, 
      "form": {
        "name": "user"
      }, 
      "headers": {
        "Accept": "*/*", 
        "Accept-Encoding": "gzip, deflate", 
        "Content-Length": "9", 
        "Content-Type": "application/x-www-form-urlencoded", 
        "Host": "httpbin.org", 
        "User-Agent": "Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/74.0.3729.131 Safari/537.36"
      }, 
      "json": null, 
      "origin": "119.98.241.138, 119.98.241.138", 
      "url": "https://httpbin.org/post"
    }

#### 抓取示例 ####

抓取猫眼电影信息

#-*- coding: utf-8 -*-
    import requests,re,json
    
    def get_one_page(url,headers):
        r = requests.get(url,headers=headers)                                               # 请求地址
        return r.text
    def video_name(html):
        pattern = re.compile('<dd>.*?board-index.*?>(\d+)</i>.*?data-src="(.*?)".*?name"><a.*?>(.*?)</a>.*?star">[\n]*(.*?)</p>.*?releasetime">(.*?)</p>',re.S)        # 自定义正则匹配
        s = re.findall(pattern,html)                                                        # 正则查找
        return s
    def write_to_file(content):
        with open('result.txt','a',encoding='utf8') as f:                                   # 新建文件
            for i in content:                                                               # 遍历内容便于存储
                f.write(json.dumps(i,ensure_ascii=False)+'\n')                              # json格式逐条写入数据到文件
    def main():
        url = 'https://maoyan.com/board/4'
        headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/74.0.3729.131 Safari/537.36'}
        html = get_one_page(url,headers)                                                    # 执行请求地址函数
        con = video_name(html)                                                              # 正则匹配过滤内容
        print("匹配到的内容,排行/链接/名称/主演/上映时间：",con)
        write_to_file(con)                                                                  # 写入文件
    
    main()

["1", "https://p1.meituan.net/movie/20803f59291c47e1e116c11963ce019e68711.jpg@160w_220h_1e_1c", "霸王别姬", "                主演：张国荣,张丰毅,巩俐\n        ", "上映时间：1993-01-01"]
    ["2", "https://p0.meituan.net/movie/283292171619cdfd5b240c8fd093f1eb255670.jpg@160w_220h_1e_1c", "肖申克的救赎", "                主演：蒂姆·罗宾斯,摩根·弗里曼,鲍勃·冈顿\n        ", "上映时间：1994-09-10(加拿大)"]
    ["3", "https://p0.meituan.net/movie/289f98ceaa8a0ae737d3dc01cd05ab052213631.jpg@160w_220h_1e_1c", "罗马假日", "                主演：格利高里·派克,奥黛丽·赫本,埃迪·艾伯特\n        ", "上映时间：1953-09-02(美国)"]
    ["4", "https://p1.meituan.net/movie/6bea9af4524dfbd0b668eaa7e187c3df767253.jpg@160w_220h_1e_1c", "这个杀手不太冷", "                主演：让·雷诺,加里·奥德曼,娜塔莉·波特曼\n        ", "上映时间：1994-09-14(法国)"]
    ["5", "https://p1.meituan.net/movie/b607fba7513e7f15eab170aac1e1400d878112.jpg@160w_220h_1e_1c", "泰坦尼克号", "                主演：莱昂纳多·迪卡普里奥,凯特·温丝莱特,比利·赞恩\n        ", "上映时间：1998-04-03"]
    ["6", "https://p0.meituan.net/movie/da64660f82b98cdc1b8a3804e69609e041108.jpg@160w_220h_1e_1c", "唐伯虎点秋香", "                主演：周星驰,巩俐,郑佩佩\n        ", "上映时间：1993-07-01(中国香港)"]
    ["7", "https://p0.meituan.net/movie/46c29a8b8d8424bdda7715e6fd779c66235684.jpg@160w_220h_1e_1c", "魂断蓝桥", "                主演：费雯·丽,罗伯特·泰勒,露塞尔·沃特森\n        ", "上映时间：1940-05-17(美国)"]
    ["8", "https://p0.meituan.net/movie/223c3e186db3ab4ea3bb14508c709400427933.jpg@160w_220h_1e_1c", "乱世佳人", "                主演：费雯·丽,克拉克·盖博,奥利维娅·德哈维兰\n        ", "上映时间：1939-12-15(美国)"]
    ["9", "https://p1.meituan.net/movie/ba1ed511668402605ed369350ab779d6319397.jpg@160w_220h_1e_1c", "天空之城", "                主演：寺田农,鹫尾真知子,龟山助清\n        ", "上映时间：1992"]
    ["10", "https://p0.meituan.net/movie/b0d986a8bf89278afbb19f6abaef70f31206570.jpg@160w_220h_1e_1c", "辛德勒的名单", "                主演：连姆·尼森,拉尔夫·费因斯,本·金斯利\n        ", "上映时间：1993-12-15(美国)"]

转载于:https://my.oschina.net/zhaojunhui/blog/3051166

[2019_Python_]: https://my.oschina.net/u/2663968/blog/3061697
[hot3.png]: /images/20220113/6c92a85511d249df98d6032a753df453.png