requests庫與 lxml 庫常用操作整理+總結，爬蟲120例階段整理篇

一路學習，一路總結，技術就是這樣，應用之后，在進行整理，才可以加深印象。

本篇博客為小節篇，核心總結 requests 庫與 lxml 庫

requests 庫

在《爬蟲 120 例》中，最先接觸的第三方庫就是 requests，該庫開源地址為：https://github.com/psf/requests，官方的 solgan 為 Requests is a simple, yet elegant, HTTP library。

日常在編碼過程中，最重要的行為就是查詢手冊，requests 庫提供了中文手冊 - https://docs.python-requests.org/zh_CN/latest/，大幅度降低了學習的難度。不過中文翻譯夾帶了不少翻譯者的情緒化文字，閱讀的時候忽略即可。

requests 庫最常見的操作

由于該專欄前面已經對 requests 庫進行了大量的使用，其常見操作我們也可以進行一些相應的總結了。

請求參數以及請求方法

導入 requests 庫之后，基本都在圍繞 requests.get 做文章，這里重點要回顧的是 get 方法的參數，其中包含如下內容，下述內容在官方手冊沒有呈現清單，通過最新版源碼分析。

除 url 參數外，其余都為可選參數，即非必選。

url：請求地址；

params：要發送的查詢字符串，可以為字典，列表，元組，字節；

data：body 對象中要傳遞的參數，可以為字段，列表，元組，字節或者文件對象；

json：JSON 序列化對象；

headers：請求頭，字典格式；

cookies：傳遞 cookie，字段或 CookieJar 類型；

files：最復雜的一個參數，一般出現在 POST 請求中，格式舉例 "name":文件對象 或者 {'name':文件對象}，還可以在一個請求中發送多個文件，不過一般爬蟲場景不會用到；

auth：指定身份驗證機制；

timeout：服務器等待響應時間，在源碼中檢索到可以為元組類型，這個之前沒有使用過，即 (connect timeout, read timeout)；

allow_redirects：是否允許重定向；

proxies：代理；

verify：SSL 驗證；

stream：流式請求，主要對接流式 API；

cert：證書。

以上內容就是 GET 請求中可以配置的參數，除了 GET 請求外，requests 還內置了其他的服務器請求方式，如下所示，這些方法需要的參數與上述清單一致。

GET, OPTIONS, HEAD, POST, PUT, PATCH, or DELETE

在 Python 爬蟲的實戰當中，主要以 GET 與 POST 為主，常用的參數為：url，params，data，headers，cookies，timeout，proxies，verify。

響應對象的屬性與方法

使用 requests 庫請求之后，會得到一個 Response 對象，該對象最重要的內容就是屬性與方法，通過 dir 函數可以獲取 Response 對象的屬性和方法。

help(res) print(dir(res))

獲取到的內容如下所示，其中有我們之前案例中常見的一些內容。

['__attrs__', '__bool__', '__class__', '__delattr__', '__dict__', '__dir__', '__doc__', '__enter__', '__eq__', '__exit__', '__format__', '__ge__', '__getattribute__', '__getstate__', '__gt__', '__hash__', '__init__', '__init_subclass__', '__iter__', '__le__', '__lt__', '__module__', '__ne__', '__new__', '__nonzero__', '__reduce__', '__reduce_ex__', '__repr__', '__setattr__', '__setstate__', '__sizeof__', '__str__', '__subclasshook__', '__weakref__', '_content', '_content_consumed', '_next', 'apparent_encoding', 'close', 'connection', 'content', 'cookies', 'elapsed', 'encoding', 'headers', 'history', 'is_permanent_redirect', 'is_redirect', 'iter_content', 'iter_lines', 'json', 'links', 'next', 'ok', 'raise_for_status', 'raw', 'reason', 'request', 'status_code', 'text', 'url']

如果只將 requests 庫應用在爬蟲采集領域，那上述屬性與方法中，比較常用的有：

屬性 property

ok：只要狀態碼 status_code 小于 400，都會返回 True；

is_redirect：重定向屬性；

content：響應內容，字節類型；

text：響應內容，Unicode 類型；

status_code：響應狀態碼；

url：響應的最終 URL 位置；

encoding：當訪問 r.text 時的編碼；

方法

json：將響應結果序列化為 JSON；

會話對象

在本專欄前面的文章中，存在一個被忽略的 requests 高級特性，即會話對象，該對象能夠在跨域請求的時候，保持住某些參數，尤其是 cookie，如果你想向同一主機發送多個請求，使用會話對象可以將底層的 TCP 連接進行重用，帶來顯著的性能提升。

會話對象使用非常簡單，在發起 requests 對象之前，增加如下所示代碼即可。

# 建立會話對象 s = requests.Session() # 后續都使用會話對象進行進行，而不是直接使用 requests 對象 s.get('http://httpbin.org/cookies/set/sessioncookie/123456789') r = s.get("http://httpbin.org/cookies") print(r.text)

由于專欄前面并未涉及相關案例，故直接引入官方手冊案例說明。

下述代碼演示的是會話也可用來為請求方法提供缺省數據，顧名思義就是直接給會話對象增加的請求參數，在后續代碼中默認可用。

import requests s = requests.Session() s.auth = ('user', 'pass') s.headers.update({'x-test': 'true'}) # both 'x-test' and 'x-test2' are sent r = s.get('http://httpbin.org/headers', headers={'x-test2': 'true'}) print(r.text)

接下來官網案例還展示了 法級別的參數也不會被跨請求保持，即在 s.get() 方法中如果傳遞了 cookie，那不會被保持住，這兩個案例，從正面與反面為我們核心展示的就是，如何使用會話對象保持參數，通過會話對象的屬性設置的參數，能被保持，而通過會話對象方法傳遞的參數，不能被保持。

SSL 證書驗證，客戶端證書，CA 證書

在爬蟲采集數據的過程中，碰到 https 的網站在正常不過，requests 庫使用過程中 SSL 驗證是默認開啟的，如果證書驗證失敗，即拋出 SSLError錯誤。

不過更多的時候，我們通過設置 verify = False ，忽略對 SSL 證書的驗證，除非及其特殊的情況，必須增加相關證書邏輯。

代理

有的網站在采集過程中，會針對 IP 進行限制，此時就需要使用代理進行跳過操作，設置 proxies 參數即可，本部分內容比較簡單，后續很多案例還會復用到。

除了 HTTP 代理外， requests 2.10 版本之后，增加了 SOCKS 代理，如果你需要使用，需要通過 pip 安裝相應庫。

pip install requests[socks]

安裝完畢，出現新的第三方庫 PySocks，使用方式與 HTTP 代理一致。

Cookie

爬蟲采集過程會大量的與 cookie 打交道，獲取網站響應的 cookie，使用 response 對象的 cookies 屬性即可。如果希望向服務器傳遞 cookie，可以通過 cookies 參數，例如下述代碼：

url = 'http://httpbin.org/cookies' cookies = dict(cookies_are='working') r = requests.get(url, cookies=cookies)

如果你希望對 cookie 有更加細致的操作，重點研究 requests.cookies.RequestsCookieJar 對象即可，簡單的代碼使用如下所示：

jar = requests.cookies.RequestsCookieJar() jar.set('tasty_cookie', 'yum', domain='httpbin.org', path='/cookies') jar.set('gross_cookie', 'blech', domain='httpbin.org', path='/elsewhere') url = 'http://httpbin.org/cookies' r = requests.get(url, cookies=jar) print(r.text)

RequestsCookieJar 對象具備更加豐富的接口，適合跨域名跨路徑使用，相關接口可在 https://docs.python-requests.org/zh_CN/latest/api.html#requests.cookies.RequestsCookieJar 查詢。

requests 非常適合作為 Python 爬蟲入門階段第一選擇，其簡單的接口與代碼封裝，能大幅度降低網絡請求代碼編寫難度，讓你專注與目標數據的提取，更有基于高級請求的封裝作為提高部分，該庫完全可以貫穿你的整個爬蟲工程師生涯。

lxml 庫

lxml 庫是一款 Python 數據解析庫，參考重要文檔在 https://lxml.de/，項目開源地址在：https://github.com/lxml/lxml，在一頓檢索之后，發現 lxml 沒有中文相關手冊，不過好在英文文檔閱讀難度不大，我們可以直接進行學習。

lxml.etree

縱覽之前的博客內容，出場率最高的就是 lxml.etree ，其次就是 Element 對象，我們在解析數據的時候，大量的代碼都是基于 Element 對象的 API 實現。

在爬蟲代碼采集過程中，通過 etree.HTML 直接將字符串實例化為 element 對象。

import requests from lxml import etree res = requests.get("http://www.jsons.cn/zt/") html = res.text root_element = etree.HTML(html) print(root_element) print(root_element.tag)

上述代碼輸出內容如下所示：

html

其中需要注意的是 Element 后面的 html，該字符串表示對象的標簽名為 html，如果使用下述代碼：

print(root_element[1])

上述內容得到的是 ，即 body 標簽，同樣的操作可以使用子元素獲取。

print("*"*100) for child in root_element: print(child.tag)

上述代碼輸出的內容為：

head body

該輸出表示在 html 標簽中，只包含head 與 body 標簽，實際情況也確實如此，為了驗證，你可以在 循環中繼續嵌套一層。

此時輸出的內容就變得豐富了需求，如下圖所示：

你也可以通過 etree.tostring(element對象) 直接將該對象轉換為字符串進行輸出。

for child in root_element: for item in child: print(item.tag) print(etree.tostring(item))

XPath

lxml 庫可以配合其他的解析引擎進行工作，首次接觸的就是 XPath，關于 XPath 相關的知識，我們后續博客會細化學習，本節課依舊從 lxml 的角度出發，為你介紹。

在爬蟲代碼編寫中，直接使用 html.xpath("xpath表達式") 即可獲取目標數據，例如獲取網頁 title。

print(root_element.xpath('//title'))

獲取網頁所有文本：

print(root_element.xpath('string()'))

獲取到 element 對象之后，可調用 text 屬性，獲取對應文本，在使用的時候，需要注意使用 XPath 獲取到的 element 對象，都是列表。

title_element = root_element.xpath('//title') print(title_element[0].text)

在 lxml 中，還內置了一款 簡單的類似 XPath 的路徑語言，稱為 ElementPath，例如查詢 title，需要從 head 開始檢索，否則返回 None。

print(root_element[0].find("title"))

官方提供的方法如下：

iterfind()： 返回查找到的數據，迭代器形式返回；

findall()： 返回匹配到的列表；

find()： 返回第一個匹配到的數據；

findtext()： 返回匹配到的文本數據，第一個。

lxml 其他說明

lxml 除了可以配合 XPath 實現數據解析外，還可以與 cssselect ，BeautifulSoup，html5lib 配合使用，這部分在后續的案例中，將逐步進行展開。

lxml 在爬蟲領域，更多的是在提取數據，因此較于該庫本身，掌握 XPath 等解析表達式的寫法更加重要。

鑒于該庫手冊沒有被翻譯，后期可以嘗試將其翻譯為中文。

HTML

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。

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。