Python 爬蟲利器一之 Requests 庫的用法

前言

之前我們用了 urllib 庫，這個作為入門的工具還是不錯的，對了解一些爬蟲的基本理念，掌握爬蟲爬取的流程有所幫助。入門之后，我們就需要學習一些更加高級的內容和工具來方便我們的爬取。那么這一節來簡單介紹一下 requests 庫的基本用法。 注：Python 版本依然基于 2.7

官方文檔

以下內容大多來自于官方文檔，本文進行了一些修改和總結。要了解更多可以參考 官方文檔

安裝

利用 pip 安裝

1

$ pip install requests

或者利用 easy_install

1

$ easy_install requests

通過以上兩種方法均可以完成安裝。

引入

首先我們引入一個小例子來感受一下

1

2

3

4

5

6

7

8

import requests

r = requests.get('http://cuiqingcai.com')

print type(r)

print r.status_code

print r.encoding

#print r.text

print r.cookies

以上代碼我們請求了本站點的網址，然后打印出了返回結果的類型，狀態碼，編碼方式，Cookies 等內容。 運行結果如下

1

2

3

4

200

UTF-8

怎樣，是不是很方便。別急，更方便的在后面呢。

基本請求

requests 庫提供了 http 所有的基本請求方式。例如

1

2

3

4

5

r = requests.post("http://httpbin.org/post")

r = requests.put("http://httpbin.org/put")

r = requests.delete("http://httpbin.org/delete")

r = requests.head("http://httpbin.org/get")

r = requests.options("http://httpbin.org/get")

嗯，一句話搞定。

基本 GET 請求

最基本的 GET 請求可以直接用 get 方法

1

r = requests.get("http://httpbin.org/get")

如果想要加參數，可以利用 params 參數

1

2

3

4

5

import requests

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

r = requests.get("http://httpbin.org/get", params=payload)

print r.url

運行結果

1

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

如果想請求 JSON 文件，可以利用 json () 方法解析 例如自己寫一個 JSON 文件命名為 a.json，內容如下

1

2

3

["foo", "bar", {

"foo": "bar"

}]

利用如下程序請求并解析

1

2

3

4

5

import requests

r = requests.get("a.json")

print r.text

print r.json()

運行結果如下，其中一個是直接輸出內容，另外一個方法是利用 json () 方法解析，感受下它們的不同

1

2

3

4

["foo", "bar", {

"foo": "bar"

}]

[u'foo', u'bar', {u'foo': u'bar'}]

如果想獲取來自服務器的原始套接字響應，可以取得 r.raw 。 不過需要在初始請求中設置 stream=True 。

1

2

3

4

5

r = requests.get('https://github.com/timeline.json', stream=True)

r.raw

r.raw.read(10)

'\x1f\x8b\x08\x00\x00\x00\x00\x00\x00\x03'

這樣就獲取了網頁原始套接字內容。 如果想添加 headers，可以傳 headers 參數

1

2

3

4

5

6

import requests

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

headers = {'content-type': 'application/json'}

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

print r.url

通過 headers 參數可以增加請求頭中的 headers 信息

基本 POST 請求

對于 POST 請求來說，我們一般需要為它增加一些參數。那么最基本的傳參方法可以利用 data 這個參數。

1

2

3

4

5

import requests

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

r = requests.post("http://httpbin.org/post", data=payload)

print r.text

運行結果

1

2

3

4

5

6

7

8

9

10

11

12

13

14

15

16

17

18

19

{

"args": {},

"data": "",

"files": {},

"form": {

"key1": "value1",

"key2": "value2"

},

"headers": {

"Accept": "*/*",

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

"Content-Length": "23",

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

"Host": "httpbin.org",

"User-Agent": "python-requests/2.9.1"

},

"json": null,

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

}

可以看到參數傳成功了，然后服務器返回了我們傳的數據。 有時候我們需要傳送的信息不是表單形式的，需要我們傳 JSON 格式的數據過去，所以我們可以用 json.dumps () 方法把表單數據序列化。

1

2

3

4

5

6

7

import json

import requests

url = 'http://httpbin.org/post'

payload = {'some': 'data'}

r = requests.post(url, data=json.dumps(payload))

print r.text

運行結果

1

2

3

4

5

6

7

8

9

10

11

12

13

14

15

16

17

{

"args": {},

"data": "{\"some\": \"data\"}",

"files": {},

"form": {},

"headers": {

"Accept": "*/*",

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

"Content-Length": "16",

"Host": "httpbin.org",

"User-Agent": "python-requests/2.9.1"

},

"json": {

"some": "data"

},

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

}

通過上述方法，我們可以 POST JSON 格式的數據 如果想要上傳文件，那么直接用 file 參數即可 新建一個 a.txt 的文件，內容寫上 Hello World!

1

2

3

4

5

6

import requests

url = 'http://httpbin.org/post'

files = {'file': open('test.txt', 'rb')}

r = requests.post(url, files=files)

print r.text

可以看到運行結果如下

1

2

3

4

5

6

7

8

9

10

11

12

13

14

15

16

17

18

{

"args": {},

"data": "",

"files": {

"file": "Hello World!"

},

"form": {},

"headers": {

"Accept": "*/*",

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

"Content-Length": "156",

"Content-Type": "multipart/form-data; boundary=7d8eb5ff99a04c11bb3e862ce78d7000",

"Host": "httpbin.org",

"User-Agent": "python-requests/2.9.1"

},

"json": null,

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

}

這樣我們便成功完成了一個文件的上傳。 requests 是支持流式上傳的，這允許你發送大的數據流或文件而無需先把它們讀入內存。要使用流式上傳，僅需為你的請求體提供一個類文件對象即可

1

2

with open('massive-body') as f:

requests.post('http://some.url/streamed', data=f)

這是一個非常實用方便的功能。

Cookies

如果一個響應中包含了 cookie，那么我們可以利用 cookies 變量來拿到

1

2

3

4

5

6

import requests

url = 'http://example.com'

r = requests.get(url)

print r.cookies

print r.cookies['example_cookie_name']

以上程序僅是樣例，可以用 cookies 變量來得到站點的 cookies 另外可以利用 cookies 變量來向服務器發送 cookies 信息

1

2

3

4

5

6

import requests

url = 'http://httpbin.org/cookies'

cookies = dict(cookies_are='working')

r = requests.get(url, cookies=cookies)

print r.text

運行結果

1

'{"cookies": {"cookies_are": "working"}}'

可以已經成功向服務器發送了 cookies

超時配置

可以利用 timeout 變量來配置最大請求時間

1

requests.get('http://github.com', timeout=0.001)

注：timeout 僅對連接過程有效，與響應體的下載無關。 也就是說，這個時間只限制請求的時間。即使返回的 response 包含很大內容，下載需要一定時間，然而這并沒有什么卵用。

會話對象

在以上的請求中，每次請求其實都相當于發起了一個新的請求。也就是相當于我們每個請求都用了不同的瀏覽器單獨打開的效果。也就是它并不是指的一個會話，即使請求的是同一個網址。比如

1

2

3

4

5

import requests

requests.get('http://httpbin.org/cookies/set/sessioncookie/123456789')

r = requests.get("http://httpbin.org/cookies")

print(r.text)

結果是

1

2

3

{

"cookies": {}

}

很明顯，這不在一個會話中，無法獲取 cookies，那么在一些站點中，我們需要保持一個持久的會話怎么辦呢？就像用一個瀏覽器逛淘寶一樣，在不同的選項卡之間跳轉，這樣其實就是建立了一個長久會話。 解決方案如下

1

2

3

4

5

6

import requests

s = requests.Session()

s.get('http://httpbin.org/cookies/set/sessioncookie/123456789')

r = s.get("http://httpbin.org/cookies")

print(r.text)

在這里我們請求了兩次，一次是設置 cookies，一次是獲得 cookies 運行結果

1

2

3

4

5

{

"cookies": {

"sessioncookie": "123456789"

}

}

發現可以成功獲取到 cookies 了，這就是建立一個會話到作用。體會一下。 那么既然會話是一個全局的變量，那么我們肯定可以用來全局的配置了。

1

2

3

4

5

6

import requests

s = requests.Session()

s.headers.update({'x-test': 'true'})

r = s.get('http://httpbin.org/headers', headers={'x-test2': 'true'})

print r.text

通過 s.headers.update 方法設置了 headers 的變量。然后我們又在請求中設置了一個 headers，那么會出現什么結果？ 很簡單，兩個變量都傳送過去了。 運行結果

1

2

3

4

5

6

7

8

9

10

{

"headers": {

"Accept": "*/*",

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

"Host": "httpbin.org",

"User-Agent": "python-requests/2.9.1",

"X-Test": "true",

"X-Test2": "true"

}

}

如果 get 方法傳的 headers 同樣也是 x-test 呢？

1

r = s.get('http://httpbin.org/headers', headers={'x-test': 'true'})

嗯，它會覆蓋掉全局的配置

1

2

3

4

5

6

7

8

9

{

"headers": {

"Accept": "*/*",

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

"Host": "httpbin.org",

"User-Agent": "python-requests/2.9.1",

"X-Test": "true"

}

}

那如果不想要全局配置中的一個變量了呢？很簡單，設置為 None 即可

1

r = s.get('http://httpbin.org/headers', headers={'x-test': None})

運行結果

1

2

3

4

5

6

7

8

{

"headers": {

"Accept": "*/*",

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

"Host": "httpbin.org",

"User-Agent": "python-requests/2.9.1"

}

}

嗯，以上就是 session 會話的基本用法

SSL 證書驗證

現在隨處可見 https 開頭的網站，Requests 可以為 HTTPS 請求驗證 SSL 證書，就像 web 瀏覽器一樣。要想檢查某個主機的 SSL 證書，你可以使用 verify 參數 現在 12306 證書不是無效的嘛，來測試一下

1

2

3

4

import requests

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

print r.text

結果

1

requests.exceptions.SSLError: [SSL: CERTIFICATE_VERIFY_FAILED] certificate verify failed (_ssl.c:590)

果真如此 來試下 github 的

1

2

3

4

import requests

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

print r.text

嗯，正常請求，內容我就不輸出了。 如果我們想跳過剛才 12306 的證書驗證，把 verify 設置為 False 即可

1

2

3

4

import requests

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

print r.text

發現就可以正常請求了。在默認情況下 verify 是 True，所以如果需要的話，需要手動設置下這個變量。

代理

如果需要使用代理，你可以通過為任意請求方法提供 proxies 參數來配置單個請求

1

2

3

4

5

6

7

import requests

proxies = {

"https": "http://41.118.132.69:4433"

}

r = requests.post("http://httpbin.org/post", proxies=proxies)

print r.text

也可以通過環境變量 HTTP_PROXY 和 HTTPS_PROXY 來配置代理

1

2

export HTTP_PROXY="http://10.10.1.10:3128"

export HTTPS_PROXY="http://10.10.1.10:1080"

通過以上方式，可以方便地設置代理。

API

以上講解了 requests 中最常用的參數，如果需要用到更多，請參考官方文檔 API API

結語

以上總結了一下 requests 的基本用法，如果你對爬蟲有了一定的基礎，那么肯定可以很快上手，在此就不多贅述了。 練習才是王道，大家盡快投注于實踐中吧。

https Python

版權聲明：本文內容由網絡用戶投稿，版權歸原作者所有，本站不擁有其著作權，亦不承擔相應法律責任。如果您發現本站中有涉嫌抄襲或描述失實的內容，請聯系我們jiasou666@gmail.com 處理，核實后本網站將在24小時內刪除侵權內容。