Python爬虫利器一Requests库的用法

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
官方文档
中文文档

引入

引入一个小例子来感受一下

import requestsr = requests.get('http://www.baidu.com')
print type(r)  # 返回结果类型
print r.status_code		# 状态码
print r.encoding	# 编码方式
print r.cookies		# cookies
print r.text	# html文本
<class 'requests.models.Response'>
200
ISO-8859-1
<RequestsCookieJar[<Cookie BDORZ=27315 for .baidu.com/>]>
<!DOCTYPE html>  ...

以上代码我们请求了本站点的网址,然后打印出了返回结果的类型,状态码,编码方式,Cookies ,网页html等内容

基本请求

requests 库提供了 http 所有的基本请求方式。例如

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")

基本GET请求

最基本的 GET 请求可以直接用 get 方法

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

如果想要加参数,可以利用 params 参数

import requestspayload = {'key1': 'value1', 'key2': 'value2'}
r = requests.get("http://httpbin.org/get", params=payload)
print r.url
http://httpbin.org/get?key2=value2&key1=value1

如果想请求 JSON 文件,可以利用 json () 方法解析 例如自己写一个 JSON 文件命名为 a.json,内容如下

a.json文件["foo", "bar", {"foo": "bar"
}]

利用如下程序请求并解析

import requestsr = requests.get("a.json")
print r.text
print r.json()

运行结果如下,其中一个是直接输出内容,另外一个方法是利用 json () 方法解析,感受下它们的不同

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

如果想获取来自服务器的原始套接字响应,可以取得 r.raw 。 不过需要在初始请求中设置 stream=True 。

r = requests.get('https://github.com/timeline.json', stream=True)
r.raw
r.raw.read(10)
<requests.packages.urllib3.response.HTTPResponse object at 0x101194810>
'\x1f\x8b\x08\x00\x00\x00\x00\x00\x00\x03'

这样就获取了网页原始套接字内容。 如果想添加 headers,可以传 headers 参数

import requestspayload = {'key1': 'value1', 'key2': 'value2'}
headers = {'content-type': 'application/json'}
r = requests.get("http://httpbin.org/get", params=payload, headers=headers)
print r.url
print r.headers
http://httpbin.org/get?key2=value2&key1=value1
{'Content-Length': '418', 'Server': 'gunicorn/19.9.0', 'Connection': 'keep-alive', 'Access-Control-Allow-Credentials': 'true', 'Date': 'Sat, 02 Jan 2021 09:17:07 GMT', 'Access-Control-Allow-Origin': '*', 'Content-Type': 'application/json'}

基本 POST 请求

对于 POST 请求来说,我们一般需要为它增加一些参数。那么最基本的传参方法可以利用 data 这个参数。

import requestspayload = {'key1': 'value1', 'key2': 'value2'}
r = requests.post("http://httpbin.org/post", data=payload)
print r.text
{"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"
}

可以看到参数传成功了,然后服务器返回了我们传的数据。 有时候我们需要传送的信息不是表单形式的,需要我们传 JSON 格式的数据过去,所以我们可以用 json.dumps () 方法把表单数据序列化。

import json
import requestsurl = 'http://httpbin.org/post'
payload = {'some': 'data'}
r = requests.post(url, data=json.dumps(payload))
print r.text
{"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"
}

通过上述方法,我们可以 POST JSON 格式的数据 如果想要上传文件,那么直接用 file 参数即可 。
新建一个 a.txt 的文件,内容写上 Hello World!

import requestsurl = 'http://httpbin.org/post'
files = {'file': open('test.txt', 'rb')}
r = requests.post(url, files=files)
print r.text

运行结果

{"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"
}

这样我们便成功完成了一个文件的上传。 requests 是支持流式上传的,这允许你发送大的数据流或文件而无需先把它们读入内存。要使用流式上传,仅需为你的请求体提供一个类文件对象即可。

with open('massive-body') as f:requests.post('http://some.url/streamed', data=f)

Cookies

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

import requestsurl = 'http://example.com'
r = requests.get(url)
print r.cookies
print r.cookies['example_cookie_name']
import requestsurl = 'http://www.baidu.com'
r = requests.get(url)
print(r)
print(r.cookies)
print(repr(r.cookies))
for cookie in r.cookies:print(cookie.name,':',cookie.value)
结果:
<Response [200]>
<RequestsCookieJar[<Cookie BDORZ=27315 for .baidu.com/>]>
<RequestsCookieJar[Cookie(version=0, name='BDORZ', value='27315', port=None, port_specified=False, domain='.baidu.com', domain_specified=True, domain_initial_dot=True, path='/', path_specified=True, secure=False, expires=1609667934, discard=False, comment=None, comment_url=None, rest={}, rfc2109=False)]>
('BDORZ', ':', '27315')

以上程序仅是样例,可以用 cookies 变量来得到站点的 cookies 另外可以利用 cookies 变量来向服务器发送 cookies 信息

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

结果

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

超时配置

可以利用 timeout 变量来配置最大请求时间

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

注:timeout 仅对连接过程有效,与响应体的下载无关。 也就是说,这个时间只限制请求的时间。即使返回的 response 包含很大内容,下载需要一定时间,然而这并没有什么卵用。

会话对象

在以上的请求中,每次请求其实都相当于发起了一个新的请求。也就是相当于我们每个请求都用了不同的浏览器单独打开的效果。也就是它并不是指的一个会话,即使请求的是同一个网址。比如

r = requests.get('http://httpbin.org/cookies/set/sessioncookie/123456789')
print(r.text)
r = requests.get("http://httpbin.org/cookies")
print(r.text)

结果

{"cookies": {"sessioncookie": "123456789"}
}{"cookies": {}
}

很明显,这不在一个会话中,无法获取 cookies,那么在一些站点中,我们需要保持一个持久的会话怎么办呢?就像用一个浏览器逛淘宝一样,在不同的选项卡之间跳转,这样其实就是建立了一个长久会话。 解决方案如下

import requestss = requests.Session()
r = s.get('http://httpbin.org/cookies/set/sessioncookie/123456789')
print(r.text),
r = s.get("http://httpbin.org/cookies")
print(r.text)
{"cookies": {"sessioncookie": "123456789"}
}
{"cookies": {"sessioncookie": "123456789"}
}

在这里我们请求了两次,一次是设置 cookies,一次是获得 cookies 运行结果。
发现可以成功获取到 cookies 了,这就是建立一个会话到作用。体会一下。 那么既然会话是一个全局的变量,那么我们肯定可以用来全局的配置了。

import requestss = requests.Session()
s.headers.update({'x-test': 'true'})
r = s.get('http://httpbin.org/headers')
print r.text,
r = s.get('http://httpbin.org/headers', headers={'x-test2': 'true'})
print r.text

通过 s.headers.update 方法设置了 headers 的变量。然后我们又在请求中设置了一个 headers,那么会出现什么结果? 很简单,两个变量都传送过去了。 运行结果


{"headers": {"Accept": "*/*", "Accept-Encoding": "gzip, deflate", "Host": "httpbin.org", "User-Agent": "python-requests/2.25.1", "X-Amzn-Trace-Id": "Root=1-5ff04727-6f9c875c3aab64a939bdc939", "X-Test": "true"}
}
{"headers": {"Accept": "*/*", "Accept-Encoding": "gzip, deflate", "Host": "httpbin.org", "User-Agent": "python-requests/2.25.1", "X-Amzn-Trace-Id": "Root=1-5ff04728-1a6024b044e0fcba04d96242", "X-Test": "true", "X-Test2": "true"}
}

如果 get 方法传的 headers 同样也是 x-test 呢?

r = s.get('http://httpbin.org/headers', headers={'x-test': 'true'})
{"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个变量了呢?很简单,设置为 None 即可

r = s.get('http://httpbin.org/headers', headers={'x-test': None})
{"headers": {"Accept": "*/*", "Accept-Encoding": "gzip, deflate", "Host": "httpbin.org", "User-Agent": "python-requests/2.9.1"}
}

以上就是 session 会话的基本用法

SSL证书验证

现在随处可见 https 开头的网站,Requests 可以为 HTTPS 请求验证 SSL 证书,就像 web 浏览器一样。要想检查某个主机的 SSL 证书,你可以使用 verify 参数 现在 12306 证书不是无效的嘛,来测试一下

import requestsr = requests.get('https://kyfw.12306.cn/otn/', verify=True)
print r.text
requests.exceptions.SSLError: [SSL: CERTIFICATE_VERIFY_FAILED] certificate verify failed (_ssl.c:590)

测试下正常的

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

嗯,正常请求,内容我就不输出了。 如果我们想跳过刚才 12306 的证书验证,把 verify 设置为 False 即可

代理

如果需要使用代理,你可以通过为任意请求方法提供 proxies 参数来配置单个请求。

import requestsproxies = {"https": "http://41.118.132.69:4433"
}
r = requests.post("http://httpbin.org/post", proxies=proxies)
print r.text

也可以通过环境变量 HTTP_PROXY 和 HTTPS_PROXY 来配置代理

export HTTP_PROXY="http://10.10.1.10:3128"
export HTTPS_PROXY="http://10.10.1.10:1080"

API

Developer Interface

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/news/402184.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

Windows窗口样式

windows样式有很多种&#xff0c;不同的windows&#xff0c;windows控件接受不同的样式。如Combo box接受下以样式&#xff1a;WS_CHILD AlwaysWS_VISIBLE UsuallyWS_DISABLED RarelyWS_VSCROLL To add vertical scrolling for the list box in the combo boxWS_HSCROL…

Linux 字符设备驱动开发基础(六)—— VFS 虚拟文件系统解析

一、VFS 虚拟文件系统基础概念 Linux 允许众多不同的文件系统共存&#xff0c;并支持跨文件系统的文件操作&#xff0c;这是因为有虚拟文件系统的存在。虚拟文件系统&#xff0c;即VFS&#xff08;Virtual File System&#xff09;是 Linux 内核中的一个软件抽象层。它通过一些…

初识 es6

es6 可能出来已经有一段时间了&#xff0c;但是我到今天才发现他的好&#xff0c;却不是很了解他&#xff0c;也不知道各个浏览器的兼容性怎么样&#xff1f;今天就把他们都弄明白。 新增命令 let ES6新增了let命令&#xff0c;用来声明变量。它的用法类似于var&#xff0c;但是…

Python爬虫利器四PhantomJS的用法

大家有没有发现之前我们写的爬虫都有一个共性&#xff0c;就是只能爬取单纯的 html 代码&#xff0c;如果页面是 JS 渲染的该怎么办呢&#xff1f;如果我们单纯去分析一个个后台的请求&#xff0c;手动去摸索 JS 渲染的到的一些结果&#xff0c;那简直没天理了。所以&#xff0…

从零开始学习Hadoop--第1章 Hadoop的安装

Hadoop的安装比较繁琐&#xff0c;有如下几个原因&#xff1a;其一&#xff0c;Hadoop有非常多的版本&#xff1b;其二&#xff0c;官方文档不尽详细&#xff0c;有时候更新脱节&#xff0c;Hadoop发展的太快了&#xff1b;其三&#xff0c;网上流传的各种文档&#xff0c;或者…

vim使用—实现程序的自动补齐(C语言)

使用过Source Insight的人一定对它的自动补全功能印象深刻&#xff0c;在很多的集成开发环境中&#xff0c;也都支持自动补全。vim做为一个出色的编辑器&#xff0c;这样的功能当然少不了。至于如何实现程序自动补全&#xff0c;网上教程很多。这里&#xff0c;我将自己配置过程…

8、JDBC入门整理

JDBC入门 l 导jar包&#xff1a;驱动&#xff01; l 加载驱动类&#xff1a;Class.forName(“类名”); l 给出url、username、password&#xff0c; l 使用DriverManager类来得到Connection对象&#xff01; 1 什么是JDBC(接口,实现为驱动) JDBC&#xff08;Java DataBase…

Python 爬虫利器二之 Beautiful Soup 的用法

上一节我们介绍了正则表达式&#xff0c;它的内容其实还是蛮多的&#xff0c;如果一个正则匹配稍有差池&#xff0c;那可能程序就处在永久的循环之中&#xff0c;而且有的小伙伴们也对写正则表达式的写法用得不熟练&#xff0c;没关系&#xff0c;我们还有一个更强大的工具&…

[C#]Attribute特性(3)——AttributeUsage特性和特性标识符

相关文章 [C#]Attribute特性 [C#]Attribute特性(2)——方法的特性及特性参数 AttributeUsage特性 除了可以定制自己的特性来注释常用的C#类型外&#xff0c;您可以用AttributeUsage特性来定义您想怎样使用这些特性。AttributeUsage特性采用如下的调用惯例&#xff1a; 1 [Attri…

Linux 命令 ——less命令

less 工具也是对文件或其它输出进行分页显示的工具&#xff0c;应该说是linux正统查看文件内容的工具&#xff0c;功能极其强大。less 的用法比起 more 更加的有弹性。在 more 的时候&#xff0c;我们并没有办法向前面翻&#xff0c; 只能往后面看&#xff0c;但若使用了 less …

Python 爬虫利器三之 Xpath 语法与 lxml 库的用法

原文链接https://cuiqingcai.com/2621.html 前言 前面我们介绍了 BeautifulSoup 的用法&#xff0c;这个已经是非常强大的库了&#xff0c;不过还有一些比较流行的解析库&#xff0c;例如 lxml&#xff0c;使用的是 Xpath 语法&#xff0c;同样是效率比较高的解析方法。如果大…

android闹钟实现原理

闹钟的原理可用下面我自己画的一幅图来概括&#xff1a;&#xff08;不对的地方&#xff0c;尽管吐槽&#xff09; 我们来看看新建闹钟到闹钟响铃的步骤&#xff1a; 1、新建一个闹钟&#xff1a; ? 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22…

将openstack的Token认证信息存储在memcache中

公司线上的openstack环境运行了5个多月的时间&#xff0c;keystone库的token表已经增长到了31GB&#xff0c;这个数据量还是很大的&#xff0c;对于以后的数据库备份很不方便。每次管理openstack的时候&#xff0c;都会产生一个新的token验证&#xff0c;而历史token信息其实都…

Linux 下shell编程

什么是shell?Shell是一个命令解析器&#xff0c;是介于Linux操作系统的内核(kernel)与用户之间的一个绝缘层。shell脚本就是讲各类命令预先放入其中&#xff0c;方便一次性执行的一个程序文件&#xff0c;主要用于方便管理员进行设置或者管理。 序员的角度来看&#xff0c; Sh…

lxml学习【未完成】

链接 https://www.jianshu.com/p/e084c2b2b66d 官方教程

构建之法第四章--两人合作

两人合作 这一章主要讲述代码规范&#xff0c;极限编程&#xff0c;结对编程&#xff0c;两人合作的不同阶段&#xff0c;影响他人的技巧。 这一章主要介绍代码的规范和代码复审&#xff0c;这个也是我们在编码过程中需要注意的&#xff0c;这样既可以方便别人&#xff0c;也方…

Linux环境变量的设置和查看

环境变量一般是指在操作系统中用来指定操作系统运行环境的一些参数&#xff0c;比如临时文件夹位置和系统文件夹位置等等。 一、Linux的变量种类 按变量的生存周期来划分&#xff0c;Linux变量可分为两类&#xff1a; 1、永久的&#xff1a;需要修改配置文件&#xff0c;变量永…

datastage 重启 续

在重启DS时&#xff0c;不少人肯定会说&#xff0c;一定要在重启之前确认没有人连接DS了。但有时会忘的。虽然说&#xff0c;等一些时间&#xff0c;系统可能会释放死进程&#xff0c;但也有可能&#xff0c;不会。而重启服务器&#xff0c;对于生产系统&#xff0c;可不是那么…

Python urllib、urllib2、urllib3

相关链接&#xff1a; 《Python urllib、urllib2、urllib3用法及区别》 《urllib2库.官方文档翻译》 《urllib3官方文档》 《urllib3的基本用法》 《详解 python3 urllib》

linux 目录/sys 解析

今天学习Linux目录时&#xff0c;遇到/sys这个目录&#xff0c;老师怎么讲的&#xff0c;不太清楚&#xff0c;先对/sys目录知识进行一个整理 首先&#xff0c;对 /sys目录下的各个子目录进行具体说明&#xff1a; /sys下的子目录 内容 /sys/devices 该目录下…