第60天:Requests的基本用法

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
Requests is an elegant and simple HTTP library for Python, built for human beings.

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
2
3
4
5
6
7
8
9
import requests

# 发送请求
response = requests.get(url="http://www.baidu.com/s", params={'wd':'python'})
# 处理响应
print(response.status_code)

# 输出结果
200

这个请求如果用 urllib 来实现,代码如下:

1
2
3
4
5
6
7
8
9
10
11
12
import urllib.parse
import urllib.request

url = "http://www.baidu.com/s"
params = urllib.parse.urlencode({'wd':'python'})
# 发送请求
response = urllib.request.urlopen('?'.join([url, params]))
# 处理响应
print(response.getcode())

# 输出结果
200

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
$ pip3 install requests

或者也可以使用 easy_install 命令安装

1
$ easy_install requests

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
import requests

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
r = requests.get('https://api.github.com/events')

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
r = requests.post('http://httpbin.org/post', data = {'key':'value'})

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
2
3
4
r = requests.put('http://httpbin.org/put', data = {'key':'value'})
r = requests.delete('http://httpbin.org/delete')
r = requests.head('http://httpbin.org/get')
r = requests.options('http://httpbin.org/get')

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
2
3
4
5
6
payload = {'key1': 'value1', 'key2': 'value2'}
r = requests.get("http://httpbin.org/get", params=payload)
print(r.url)

# 输出结果
http://httpbin.org/get?key1=value1&key2=value2

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
2
3
4
5
payload = {'key1': 'value1', 'key2': ['value2', 'value3']}
r = requests.get("http://httpbin.org/get", params=payload)

# 输出结果
http://httpbin.org/get?key1=value1&key2=value2&key2=value3

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
2
3
4
5
6
7
8
9
import requests
r = requests.get('http://www.baidu.com')
print(r.text)

#返回(太多,只显示一部分)

<!DOCTYPE html>
<!--STATUS OK--><html> <head><meta http-eq...

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
2
3
4
r.encoding

# 输出结果
'utf-8'

并且能够使用 r.encoding 属性来改变它:

1
r.encoding = 'ISO-8859-1'

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
2
3
4
5
6
7
8
9
10
11
12
13
14
15
import requests
from PIL import Image
from io import BytesIO

r = requests.get('http://img.sccnn.com/bimg/326/203.jpg')
print(r.content)
bi = BytesIO(r.content)
print(bi)
i = Image.open(bi)
print(i)

# 输出结果
b'\xff\xd8\xff\xe0\x00\x10JFIF\x00\...
<_io.BytesIO object at 0x1112fdbf8>
<PIL.JpegImagePlugin.JpegImageFile image mode=RGB size=600x400 at 0x111020588>

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
2
3
4
5
r = requests.get('https://api.github.com/events')
print(r.json())

# 输出结果
[{u'repository': {u'open_issues': 0, u'url': 'https://github.com/...

如果 JSON 解码失败, r.json() 就会抛出一个异常。

1
2
3
4
5
r = requests.get('https://www.baidu.com')
print(r.json())

# 输出结果
json.decoder.JSONDecodeError: Expecting value: line 1 column 1 (char 0)

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
2
3
4
5
6
7
r = requests.get('https://api.github.com/events', stream=True)
print(r.raw)
print(r.raw.read(10))

# 输出结果
<requests.packages.urllib3.response.HTTPResponse object at 0x101194810>
'\x1f\x8b\x08\x00\x00\x00\x00\x00\x00\x03'

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
2
3
4
5
6
7
url = 'http://www.baidu.com'
headers = {'User-Agent': 'myagent/2.21.0'}
r = requests.get(url, headers=headers)
print(r.request.headers)

# 输出结果
{'User-Agent': 'myagent/2.21.0', 'Accept-Encoding': 'gzip, deflate', 'Accept': '*/*', 'Connection': 'keep-alive'}

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
2
3
4
5
6
7
8
9
10
{
  "args": {}, 
  "data": "", 
  "files": {}, 
  "form": {}, 
  "headers": {}, 
  "json": null, 
  "origin": "221.232.172.222, 221.232.172.222", 
  "url": "https://httpbin.org/post"
}

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
2
3
4
5
6
7
8
9
10
11
12
13
payload = {'key1': 'value1', 'key2': 'value2'}
r = requests.post("http://httpbin.org/post", data=payload)
print(r.text)

# 输出结果
{
  ...
  "form": {
    "key1": "value1", 
    "key2": "value2"
  }, 
  ...
}

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
2
3
4
5
6
7
8
9
10
11
12
13
14
15
payload = (('key1', 'value1'), ('key1', 'value2'))
r = requests.post("http://httpbin.org/post", data=payload)
print(r.text)

# 输出结果
{
  ...
  "form": {
    "key1": [
      "value1", 
      "value2"
    ]
  }, 
  ...
}

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
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
payload = {'some': 'data'}
r = requests.post("http://httpbin.org/post", json=payload)
print(r.text)

# 输出结果
{
  "args": {}, 
  "data": "{\"some\": \"data\"}", 
  "files": {}, 
  "form": {}, 
  "headers": {
    "Accept": "*/*", 
    "Accept-Encoding": "gzip, deflate", 
    "Content-Length": "16", 
    "Content-Type": "application/json", 
    "Host": "httpbin.org", 
    "User-Agent": "python-requests/2.21.0"
  }, 
  "json": {
    "some": "data"
  }, 
  "origin": "221.232.172.222, 221.232.172.222", 
  "url": "https://httpbin.org/post"
}

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
2
3
4
5
6
7
8
9
10
11
12
files = {'file': open('test.txt', 'rb')}
r = requests.post('http://httpbin.org/post', files=files)
print(r.text)

# 输出结果
{
  ...
  "files": {
    "file": "this is a file test"
  }, 
  ...
}

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
2
3
4
5
6
7
8
9
10
11
12
files = {'file': ('test.txt', 'some,data,to,send\nanother,row,to,send\n')}
r = requests.post('http://httpbin.org/post', files=files)
print(r.text)

# 输出结果
{
  ...
  "files": {
    "file": "some,data,to,send\nanother,row,to,send\n"
  }, 
  ...
}

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
2
3
4
5
r = requests.get('http://httpbin.org/get')
print(r.status_code)

# 输出结果
200

为方便引用,Requests还附带了一个内置的状态码查询对象:

1
2
3
4
print(r.status_code == requests.codes.ok)

# 输出结果
True

我们还可以查看响应的响应头信息:

1
2
3
4
5
r = requests.get('http://httpbin.org/get')
print(r.headers)

# 输出结果
{'Access-Control-Allow-Credentials': 'true', 'Access-Control-Allow-Origin': '*', 'Content-Encoding': 'gzip', 'Content-Type': 'application/json', 'Date': 'Wed, 18 Sep 2019 12:22:06 GMT', 'Referrer-Policy': 'no-referrer-when-downgrade', 'Server': 'nginx', 'X-Content-Type-Options': 'nosniff', 'X-Frame-Options': 'DENY', 'X-XSS-Protection': '1; mode=block', 'Content-Length': '183', 'Connection': 'keep-alive'}

要获取响应头的某个字段值,我们可以这样:

1
2
3
4
print(r.headers['Content-Encoding'])

# 输出结果
gzip

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
2
3
4
5
6
url = 'http://example.com/some/cookie/setting/url'
r = requests.get(url)
r.cookies['example_cookie_name']

# 输出结果
'example_cookie_value'

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
2
3
4
5
6
7
8
9
10
cookies = dict(cookies_are='working')
r = requests.get('http://httpbin.org/cookies', cookies=cookies)
print(r.text)

# 输出结果
{
  "cookies": {
    "cookies_are": "working"
  }
}

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
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
jar = requests.cookies.RequestsCookieJar()
#为路径/cookies设置cookie
jar.set('tasty_cookie', 'yum', domain='httpbin.org', path='/cookies')
#为路径/elsewhere设置cookie
jar.set('gross_cookie', 'blech', domain='httpbin.org', path='/elsewhere')
#请求路径为/cookies的URL
url = 'http://httpbin.org/cookies'
r = requests.get(url, cookies=jar)
print(r.text)

# 输出结果
{
  "cookies": {
    "tasty_cookie": "yum"
  }
}

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
2
3
4
5
6
7
8
9
r = requests.get('http://github.com')
print(r.url)
print(r.status_code)
print(r.history)

# 输出结果
https://github.com/
200
[<Response [301]>]

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
2
3
4
5
6
7
r = requests.get('http://github.com', allow_redirects=False)
print(r.status_code)
print(r.history)

# 输出结果
301
[]

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
2
3
4
requests.get('http://github.com', timeout=0.001)

# 输出结果
requests.exceptions.ConnectTimeout: HTTPConnectionPool(host='github.com', port=80): Max retries exceeded with url: / (Caused by ConnectTimeoutError(<urllib3.connection.HTTPConnection object at 0x110adf400>, 'Connection to github.com timed out. (connect timeout=0.001)'))

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

Python Geek Tech wechat
欢迎订阅 Python 技术,这里分享关于 Python 的一切。