爬虫入门教程 —— 2

 requests 

Request 自称是 HTTP for Humans  ,非常的方便。

Request 其实底层就是封装的urllib3,它的文档非常的完备，完全可以支持现在的网络需要，可以在python3完运行

Request中文文档 API : 点击打开链接

安装

pip  install requests   

liunx

 

基本GET请求（headers参数 和 parmas参数）

 

1. 最基本的GET请求可以直接用get方法

response = requests.get("http://www.baidu.com/")

# 也可以这么写
# response = requests.request("get", "http://www.baidu.com/")

2. 添加 headers 和 查询参数

如果想添加 headers，可以传入headers参数来增加请求头中的headers信息。如果要将参数放在url中传递，可以利用 params 参数

import requests

kw = {'wd':'北京'}

headers = {"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/54.0.2840.99 Safari/537.36"}

# params 接收一个字典或者字符串的查询参数，字典类型自动转换为url编码， 
response = requests.get("http://www.baidu.com/?", params = kw, headers = headers)

# 查看响应内容，response.text 返回的是Unicode格式的数据
print (response.text)

# 查看响应内容，response.content返回的字节流数据
# print (respones.content)

# 查看完整url地址
print(response.url)

# 查看响应头部字符编码
print(response.encoding)

# 查看响应码
print（response.status_code）

第一行代码使我们引入这个类库，你可能会问 kw 和headers 是什么？为什么叫这个？ 它是我们访问服务器需要携带的一些参数，就像你向一个朋友发消息问问题。你带着你的问题，说明你是谁，让你朋友知道你想要干什么的。所以我们将这些参数放到我们的请求参数里面去，requests.get（）就是指的我们发送的是get请求 。外边的名字，至于名字你爱叫什么叫什么，不过是传参数到requests.get（params=xx, header=xx）里面去的时候，你要按照规则来。至于返回时候response.text  和response.content  有什么区别，简单说，取文本可以用text 取图片视频等我们用content字节流数据

运行结果：

......

......

'http://www.baidu.com/s?wd=%E9%95%BF%E5%9F%8E'

'utf-8'

200

基本POST请求（data参数）

2. 传入data数据

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 requests

formdata = {
    "type":"AUTO",
    "i":"i love python",
    "doctype":"json",
    "xmlVersion":"1.8",
    "keyfrom":"fanyi.web",
    "ue":"UTF-8",
    "action":"FY_BY_ENTER",
    "typoResult":"true"
}

url = "http://fanyi.youdao.com/translate?smartresult=dict&smartresult=rule&smartresult=ugc&sessionFrom=null"

headers={ "User-Agent": "Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/51.0.2704.103 Safari/537.36"}

response = requests.post(url, data = formdata, headers = headers)

print (response.text)

是不是非常的简单。

 

代理（proxies参数）

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 requests

# 根据协议类型，选择不同的代理
proxies = {"http": "http://xx.xx.xx.xx:1234"}

response = requests.get("http://www.baidu.com", proxies = proxies)
print (response.text)

你可能又要问了，代理ip有什么用？爬虫是一般是网站最烦的东西了，凭什么你可以随便拿我的数据，对我的服务器增加负载，爬取次数过于频繁的话 对服务器正常运转早成影响。啧啧 这就涉及到了反爬虫，，网站管理人员可能就封你的id禁止你的访问权限，爬取的数据量上升到几万甚至百万甚至更多的的时候，你可能就用代理IP池。有关于反爬虫的一些常见的反爬虫措施 我们后边的课程中会给大家讲解。 莫妖惊慌。。

 

私密代理验证

私密代理的使用方法(携带用户名字和密码 )

import requests

# 如果代理需要使用HTTP Basic Auth，可以使用下面这种格式：
proxy = { "http": "user：passwd@124.88.67.81:80" }

response = requests.get("http://www.baidu.com", proxies = proxy)

print (response.text)

Cookies 和 Session

关于cookies 和session 我建议大家去了解一下， 我们只讲解我们能遇到的

cookie是我们访问服务器的时候， 服务器暂时存在我们浏览器的小数据，他可以记录我们的登录状态，请求是否来自于同一个浏览器等

如果一个请求中包含了cookies的话 我们可以这样拿到

import requests

response = requests.get("http://www.baidu.com/")

# 7. 返回CookieJar对象:
cookiejar = response.cookies

# 8. 将CookieJar转为字典：
cookiedict = requests.utils.dict_from_cookiejar(cookiejar)

print (cookiejar)

print (cookiedic)

在 requests 里，session对象是一个非常常用的对象，这个对象代表一次用户会话：从客户端浏览器连接服务器开始，到客户端浏览器与服务器断开。会话能让我们在跨请求时候保持某些参数，比如在同一个 Session 实例发出的所有请求之间保持 cookie 。

import requests

# 1. 创建session对象，可以保存Cookie值
ssion = requests.session()

# 2. 处理 headers
headers = {"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/54.0.2840.99 Safari/537.36"}

# 3. 需要登录的用户名和密码
data = {"email":"xxxx@xxx.com", "password":"xxxx"}  

# 4. 发送附带用户名和密码的请求，并获取登录后的Cookie值，保存在ssion里
ssion.post("http://www.renren.com/PLogin.do", data = data)

# 5. ssion包含用户登录后的Cookie值，可以直接访问那些登录后才可以访问的页面
response = ssion.get("http://www.renren.com/410043129/profile")

# 6. 打印响应内容
print (response.text)

处理HTTPS请求 SSL证书验证

Requests也可以为HTTPS请求验证SSL证书

import requests
response = requests.get("https://www.baidu.com/", verify=True)

# 也可以省略不写
# response = requests.get("https://www.baidu.com/")
print (r.text)

如果SSL证书验证不通过，或者不信任服务器的安全证书，则会报出SSLError

我们来测试一下

import requests
response = requests.get("https://www.12306.cn/mormhweb/")
print (response.text)

SSLError: ("bad handshake: Error([('SSL routines', 'ssl3_get_server_certificate', 'certificate verify failed')],)",)

如果我们想跳过 12306 的证书验证，把 verify 设置为 False 就可以正常请求了

r = requests.get("https://www.12306.cn/mormhweb/", verify = False)