之前我们用了 urllib 库,这个作为入门的工具还是不错的,对了解一些爬虫的基本理念,掌握爬虫爬取的流程有所帮助。入门之后,我们就需要学习一些更加高级的内容和工具来方便我们的爬取。那么这一节来简单介绍一下 requests 库的基本用法。
介绍
首先让我们来看 Requests 官方的介绍:
1 |
|
翻译过来就是:Requests 是为人类写的一个优雅而简单的 Python HTTP 库。这个介绍很直白了,让我们先来感受一下 Requests 的威力。
1 |
|
这个请求如果用 urllib 来实现,代码如下:
1 |
|
从感官上就能看出来,使用 urllib 在 URL 、参数等方面会复杂一些。这只是冰山一角,实际使用中 Requests 还有好多方面超越 urllib ,它并不是浪得虚名,接下来的学习中你就会感受到。
安装
使用pip命令
1 |
|
或者也可以使用 easy_install 命令安装
1 |
|
发送请求
使用 Requests 发送网络请求非常简单。
我们首先需要导入 Requests 模块:
1 |
|
然后,我们就可以尝试获取某个网页。本例子中,我们来获取 Github 的公共时间线:
1 |
|
现在,我们有一个名为 r 的 Response 对象。我们可以从这个对象中获取所有我们想要的信息。
Requests 简便的 API 意味着所有 HTTP 请求类型都是显而易见的。例如,你可以这样发送一个 HTTP POST 请求:
1 |
|
简单,对吧?那么其他 HTTP 请求类型:PUT,DELETE,HEAD 以及 OPTIONS 又是如何的呢?都是一样的简单:
1 |
|
传递参数
我们在发送请求时,经常需要向服务端发送请求参数,通常参数都是以键/值对的形式置于 URL 中,跟在一个问号的后面。例如, httpbin.org/get?key=val。 Requests 允许你使用 params 关键字参数,以一个字符串字典来提供这些参数。举例来说,如果你想传递 key1=value1 和 key2=value2 到 httpbin.org/get ,那么你可以使用如下代码:
1 |
|
通过打印输出该 URL,你能看到 URL 已被正确编码。
注意字典里值为 None 的键都不会被添加到 URL 的查询字符串里。
你还可以将一个列表作为值传入:
1 |
|
响应内容
我们可以通过返回读取服务器响应的内容,以 请求百度首页为例:
1 |
|
Requests 会自动解码来自服务器的内容,大多数 unicode 字符集都能被无缝地解码。
请求发出后,Requests 会基于 HTTP 头部对响应的编码作出有根据的推测。当你访问 r.text 之时,Requests 会使用其推测的文本编码。你可以通过 r.encoding 来获取 Requests 使用的编码:
1 |
|
并且能够使用 r.encoding 属性来改变它:
1 |
|
如果你改变了编码,每当你访问 r.text ,Request 都将会使用 r.encoding 的新值。
二进制响应内容
对于非文本请求(例如图片),你也能以字节的方式访问请求响应体,Requests 会自动为你解码 gzip 和 deflate 传输编码的响应数据。
例如,以请求返回的二进制数据创建一张图片,你可以使用如下代码:
1 |
|
JSON 响应内容
Requests 中有一个内置的 JSON 解码器,可以帮助你处理 JSON 数据:
1 |
|
如果 JSON 解码失败, r.json() 就会抛出一个异常。
1 |
|
需要注意的是,成功调用 r.json() 并不意味着响应的成功。有的服务器会在失败的响应中包含一个 JSON 对象(比如 HTTP 500 的错误细节)。这种 JSON 会被解码返回。要检查请求是否成功,请使用 r.raise_for_status() 或者检查 r.status_code 是否和你的期望相同。
原始响应内容
在极少数情况下,你可能想获取来自服务器的原始套接字响应,那么你可以访问 r.raw。 这个时候请确保在初始请求中设置了 stream=True。具体你可以这么做:
1 |
|
设置请求头
如果你在爬取某个页面内容的时候,发现获取的数据为空,但是直接用浏览器访问 URL 没问题,这时候很有可能是你被服务器识别为爬虫用户了,怎么办呢?我们应该要模拟浏览器去请求,这时候你需要为请求添加 HTTP 头部信息,只要简单地传递一个 dict 给 headers 参数就可以了。
例如,我们设置一下 User-Agent :
1 |
|
可以看到,请求的 User-Agent 已经变成了设置的 myagent/2.21.0。
复杂的 POST 请求
我们在使用 POST 请求的时候,打印一下 r.text 会发现每次都会出现几个关键字:
1 |
|
这些关键字都可以在 POST 的参数里面设置。其中 headers 和 args 我们前面已经讲过,分别表示请求头和参数信息。origin 是指请求的路由 ip,url 是我们请求的 url,其他几个我们都是可以设置的。下面我们就来看看其他几个关键字怎么设置。
设置data参数
如果你在 POST 请求时想提交表单,也只需要简单的传递一个字典给 data 参数即可。你的数据字典在发出请求时会自动编码为表单形式:
1 |
|
你也可以为 data 参数传入一个元组列表。Requests 会自动将其转换成一个列表:
1 |
|
设置 json 参数
Requests 允许你使用 json 直接传递参数,然后它就会被自动编码。
1 |
|
注意,这里不仅赋值给 json 了,而且还自动赋值给 data 了,json 里面的键值对也被自动编码到 data 中了。
设置文件参数
Requests 上传文件很简单:
1 |
|
你也可以增加一个参数,把字符串发送到上传的文件中,例如:
1 |
|
响应状态码和响应头
我们可以从服务器响应的结果中获取状态码和响应头的信息,例如:
1 |
|
为方便引用,Requests还附带了一个内置的状态码查询对象:
1 |
|
我们还可以查看响应的响应头信息:
1 |
|
要获取响应头的某个字段值,我们可以这样:
1 |
|
Cookie
如果一个响应中包含了 cookie ,那么我们可以利用 cookies 变量来拿到:
1 |
|
以上程序仅是样例,运行程序并不会得到下面的返回。需要包含 cookie 的响应才可以得到。
另外可以利用 cookies 变量来向服务器发送 cookies 信息:
1 |
|
可以看到我们设置 cookies 参数后,返回中就包含了我们设置的信息。
Cookie 的返回对象为 RequestsCookieJar,它和字典类似,适合跨域名跨路径使用,也就是说我们可以为不同的域名或者路径设置不同的 cookie 。你还可以把 Cookie Jar 传到 Requests 中:
1 |
|
重定向与请求历史
默认情况下,除了 HEAD 请求, Requests 会自动处理所有重定向。
可以使用响应对象的 history 方法来追踪重定向。
Response.history 是一个 Response 对象的列表,这个对象列表按照从最老到最近的请求进行排序。
例如,Github 将所有的 HTTP 请求重定向到 HTTPS:
1 |
|
如果你使用的 Mac ,在运行这段代码时报错: ConnectionResetError: [Errno 54] Connection reset by peer。你需要升级你系统的 openssl,具体方法请自行百度关键词“mac 更新OpenSSL”,更新之后就不会报错了。
我们还可以通过 allow_redirects 参数禁用重定向处理:
1 |
|
超时
你可以通过设置 timeout 参数来告诉 requests 在经过以 timeout 参数设定的秒数时间之后停止等待响应。
1 |
|
这里通过设置极短的超时时间导致请求停止等待响应,从而引发报错。注意 timeout 仅对连接过程有效,与响应体的下载无关。 timeout 并不是整个下载响应的时间限制,而是如果服务器在 timeout 秒内没有应答,将会引发一个异常。
总结
本文给大家介绍了 Requests 的基本用法,如果你对爬虫有了一定的基础,那么肯定可以很快上手,因为 Requests 使用起来简直太方便了。话不多说,感觉上手实践吧!
文中示例代码:python-100-days