一、requests库安装
requests库是python爬虫的开发基础库,它提供了基于URL链接的请求命令,返回网页页面信息。
requests库可以采用通用安装模式,启动命令行界面,以管理员权限进入,运行pip install requests 。如下图:
在连接互联网的情况下,python的pip工具会自动搜寻、下载、安装requests库。
或者选择在线下载requests库的安装文件,运行pip install 安装文件(在同一目录下),requests库的安装文件可以在以下链接下载
安装测试
import requests
r=requests.get("http://www.baidu.com")
r.encoding=r.apparent_encoding
r.text
在python自带的IDLE中运行以上代码,会返回百度首页的HTML源文件,证明安装request库成功。
二、requests库入门方法
方法 | 说明 |
requests.request() | 构造请求,requests库的基本构造方法 |
requests.get() | 获取HTML网页的主要方法,类似于HTTP协议的GET |
requests.head() | 获取HTML网页的头部信息,类似于HTTP协议的HEAD |
requests.post() | 向HTML页面提交post请求,类似于HTTP协议的POST |
requests.put() | 向HTML页面提交put请求,类似于HTTP协议的PUT |
requests.patch() | 向HTML页面提交局部修改的请求,类似于HTTP协议的PATCH |
requests.delete() | 向HTML页面提交删除的请求,类似于HTTP协议的delete |
由于目前很多网站不允许用户修改内容,因此主要使用的还是,requests.get()以及requests.head()方法。requests库的方法十分类似于HTTP协议,下面简单介绍下HTTP协议。
HTTP,Hypertext Transfer Protocol,超文本传输协议
HTTP是一个基于“请求与响应”模式的、无状态的应用层协议。HTTP协议采用URL作为定位网络资源的标识,URL的格式如下:
http://host[:port][path]
host :合法的Internet主机域名或IP地址
port :端口号,缺省值为80
path :请求资源的路径
URL是指通过HTTP协议存储资源的Internet路径,一个资源对应于一个路径。
HTTP操作请求
GET | 请求获取URL位置资源 |
HEAD | 请求获取URL位置资源的响应消息报告,即获得资源的头部信息 |
POST | 请求向URL位置的资源后附加新的数据 |
PUT | 请求向URL位置存储一个资源,覆盖原URL处的资源 |
PATCH | 请求局部更新URL位置处的资源,即改变该处资源的部分内容 |
DELETE | 请求删除URL位置处存储的资源 |
下面介绍requests库的基本方法的操作与参数
requests.request(method, url, **kwargs)
method: 请求方式
url: 拟获取页面的URL链接
**kwargs: 控制访问参数,共十三个
params: 字典或字节序列,可作为参数添加到URL中。
import requests
kv={'wd':'哈哈','rev_spt':'1'}
r=requests.request('get','http://www.baidu.com/s?,params=kv}
print(r.url)
运行以上的代码得到的结果为‘http://www.baidu.com/s?wd=%E5%93%88%E5%93%88&rsv_spt=1‘。。params参数对于查询和拼接URL十分有用。。
data: 字典、字节序列或文件对象,作为request的内容。
import requests
kv={'key1':'value','key2','value2'}
r=requests.request('post',http://python123.io/ws',data=key}
body = '主体内容'
r=requests.request('post',http://python123.io/ws',data=body}
当向网站页面进行小部分修改时候,可以使用data控制参数,将修改的内容保存于字典或字节序列中,使用post请求方式修改。。
json: json格式的数据,作为request的内容。
import requests
kv={'key':'value'}
r=requests.request('post','http://python123.io/ws',json=kv)
headers: 字典,HTTP定制头。
import requests
header={'user-agent':'Chrome/10'}
r=requests.request('post','http://python123.io/ws',headers=header
某些网页对于爬虫的识别是鉴于发起请求的头字段,用户可以将头字段的用户浏览器修改为Chroms/10或其他绕过识别(python的头字段为{'User-Agent': 'python-requests/2.18.4', 'Accept-Encoding': 'gzip, deflate', 'Accept': '*/*', 'Connection': 'keep-alive'})
cookies: 字典或cookiejar,request中的cookie。
auth: 元组,支持HTTP的认证功能。
file: 字典类型,传输文件
import requests
fs={'file':open('data.xls','rb')}r=requests.request('post','http://python123.io/ws',file=fs)
timeout: 设定超时时间,以秒为单位
import requests
r=requests.request('get','http://python123.io/ws',timeout=10)
proxies: 字典类型,设置访问代理服务器,可以增加登录认证
import requests
pxs={'http':'http://user:pass@10.10.10.1:1234','https':'https://10.10.10.1.4321'}
r=requests.request('get','http://www.baidu.com',proxies=pxs)
allow_redirects: True/False,默认为True,重定向开关
stream: True/False,默认为True,获取内容立即下载开关
verify: True/False,默认为True,认证ssl证书开关
cert: 本地ssl证书路径。
requests.get(url, params=None, **kwargs)
url: 拟获取页面的URL链接
params: url中的额外参数,字典或字节流,可选,默认为空
**kwargs: 控制访问参数,共十二个
requests.head(url, **kwargs)
url: 拟获取页面的URL链接
**kwargs: 控制访问参数,共十二个
requests.post(url, data=None, json=None, **kwargs)
url: 拟更新页面的URL链接
data: 字典、字节序列或文件对象,作为request的内容。默认为空
json: json格式的数据,作为request的内容。默认为空
**kwargs: 控制访问参数,共十二个
requests.put(url, data=None, **kwargs)
url: 拟更新页面的URL链接
data: 字典、字节序列或文件对象,作为request的内容。默认为空
**kwargs: 控制访问参数,共十二个
requests.patch(url, data=None, **kwargs)
url: 拟更新页面的URL链接
data: 字典、字节序列或文件对象,作为request的内容。默认为空
**kwargs: 控制访问参数,共十二个
requests.delete(url, **kwargs)
url: 拟删除页面的URL链接
**kwargs: 控制访问参数,共十二个
三、response对象、属性、编码
response 对象 是指由 requests.get()方法返回的对象。其包含服务器的资源。
requests.get()方法的源码如下。。
可以明显的看出,response对象为requests对象中方法的返回。
response对象的属性如下表格
属性 | 说明 |
r.status_code | http请求返回的状态,200表示成功,404表示失败 |
r.text | http响应内容的字符串形式,即url对应的页面内容 |
r.encoding | 从HTTP header中猜测响应内容的编码方式 |
r.apparent_encoding | 内容的备用编码方式 |
r.content | HTTP响应内容的二进制形式 |
其中 r.headers 会包含部分请求信息。我们可以用返回的response对象的头信息来检测请求是否合适。。
response 对象的编码如下
r.encoding 如果header中不存在charset,则认为编码为ISO-8859-1,r.text根据r.encoding的编码方式显示页面内容
r.apparent_encoding 编码备选方式。。一般可认为为UTF-8编码
四、通用代码框架与异常
requests库的常见异常如下表格
异常 | 说明 |
requests.ConnectionError | 连接异常,可能是DNS查询失败,或拒绝连接 |
requests.HTTPError | HTTP错误 |
requests.URLRequired | URL缺失 |
requests.TooManyRedirects | 超过最大重定向次数,重定向异常 |
requests.CoonectTimeout | 连接远程服务器超时异常 |
requests.Timeout | URL超时,超时异常 |
response的异常如下图
通用代码框架如下
import requests
def getHtmlText(url):
try:
r=requests.get(url, timeout=30)
r.raise_for_status()
r.encoding = r.apparent_encoding
return r.text
except:
return print("产生异常")
if _mame_ == "_main_":
url = "www.baidu.com"
print (getHtmlText(url))