前言:
爬虫三大库——Requests、Lxml、BeautifulSoup
Requests库的官方文档指出:让HTTP服务于人类。Requests库的作用就是请求网站获取网页数据的。今天我们来了解一下Requests库如果感觉博主的文章还不错的话,还请关注、点赞、收藏三连支持一下博主哦
文章目录
1.requests.request(method, url, **kwargs)
2.requests.get(url, params=None, **kwargs)
4.requests.post(url, data=None, json=None, **kwargs)
5.requests.put(url, data=None, **kwargs)
6.requests.patch(url, data=None, **kwargs)
一、Requests安装
Step1.Win平台: “以管理员身份运行”cmd
Step2.执行 pip install requests
这样Requests库就安装成功了
安装成功之后,我们进行一下测试,以访问百度页面为例
二、Requests库的两个重要对象
1. Response对象
Response对象包含服务器返回的所有信息,也包含请求的Request信息
属性 | 说明 |
---|---|
r.status_code | HTTP请求的返回状态,200表示连接成功,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中猜测的响应内容编码方式 |
r.apparent_encoding | 从内容中分析出的响应内容编码方式(备选编码方式) |
r.content | HTTP响应内容的二进制形式 |
r.status_code,HTTP请求的返回状态,返回200表示连接成功,返回404表示失败(不是200都为失败)
理解 r.encoding和r.apparent_encoding
r.encoding | 从HTTP header中猜测的响应内容编码方式 |
r.apparent_encoding
| 从内容中分析出的响应内容编码方式(备选编码方式) |
- 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显示网页内容
- r.apparent_encoding:根据网页内容分析出的编码方式,可以看作是r.encoding的备选
2.Request对象
当引用requests库时会在内部生成Request对象,下面为Requests库的7个主要方法,后面我们会这几个方法进行详细介绍
方法 | 说明 |
---|---|
requests.request() | 构造一个请求,支撑以下各方法的基础方法 |
requests.get() | 获取HTML网页的主要方法,对应于HTTP的GET |
requests.head() | 获取HTML网页头信息的方法,对应于HTTP的HEAD |
requests.post() | 向HTML网页提交POST请求的方法,对应于HTTP的POST |
requests.put() | 向HTML网页提交PUT请求的方法,对应于HTTP的PUT |
requests.patch() | 向HTML网页提交局部修改请求,对应于HTTP的PATCH |
requests.delete() | 向HTML页面提交删除请求,对应于HTTP的DELETE |
三、HTTP协议
我们要从网页中爬取数据,要理解HTTP协议的相应原理
1.HTTP概念
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 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,缺省端口为80
- path: 请求资源的路径
HTTP URL实例:
http://www.bit.edu.cnhttp://220.181.111.188/dutyHTTP URL 的理解:URL 是通过 HTTP 协议存取资源的 Internet 路径,一个 URL 对应一个数据资源
2.HTTP协议对资源的操作
理解PUT和PATCH的区别假设 URL 位置有一组数据 UserInfo ,包括 UserID 、 UserName 等 20 个字段需求:用户修改了 UserName ,其他不变• 采用 PATCH ,仅向 URL 提交 UserName 的局部更新请求• 采用 PUT ,必须将所有 20 个字段一并提交到 URL ,未提交字段被删除PATCH的最主要好处:节省网络带宽
3.HTTP协议与Requests库
HTTP协议方法 | Requests库方法 | 功能一致性 |
---|---|---|
GET | requests.get() | 一致 |
HEAD | requests.head() | 一致 |
POST | requests.post() | 一致 |
PUT | requests.put() | 一致 |
PATCH | requests.patch() | 一致 |
DELETE | requests.delete() | 一致 |
四、 Requests库的主要方法解析
1.requests.request(method, url, **kwargs)
这个方法其实就是Requests库的核心方法
Requests虽然有7个主要的方法,但是其余几个都是由request()方法进行封装的
下面是get()方法的定义函数
语法格式:
requests.request(method, url, **kwargs)
- method : 请求方式,对应get/put/post等7种
- url : 拟获取页面的url链接
- **kwargs: 控制访问的参数,共13个
method:请求方式
r = requests.request( 'GET' , url , **kwargs )r = requests.request( 'HEAD' , url , **kwargs )r = requests.request( 'POST' , url , **kwargs )r = requests.request( 'PUT' , url , **kwargs )r = requests.request( 'PATCH' , url , **kwargs )r = requests.request( 'delete' , url , **kwargs )r = requests.request( 'OPTIONS' , url , **kwargs )**kwargs: 控制访问的参数,均为可选项
- params : 字典或字节序列,作为参数增加到url中
- data : 字典、字节序列或文件对象,作为Request的内容
- json : JSON格式的数据,作为Request的内容
- headers : 字典,HTTP定制头
- cookies : 字典或CookieJar,Request中的cookie
- auth : 元组,支持HTTP认证功能
- files : 字典类型,传输文件
- timeout : 设定超时时间,秒为单位
- proxies : 字典类型,设定访问代理服务器,可以增加登录认证
- 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
params : 字典或字节序列,作为参数增加到url中>>> kv = { 'key1' : 'value1' , 'key2' : 'value2' }>>> r = requests . request ( 'GET' , 'http://python123.io/ws' , params = kv )>>> print(r.url)http://python123.io/ws?key1=value1&key2=value2
data : 字典、字节序列或文件对象,作为Request的内容>>> kv = { 'key1' : 'value1' , 'key2' : 'value2' }>>> r = requests . request ( 'POST' , 'http://python123.io/ws' , data = kv )>>> body = ' 主体内容 '>>> r = requests . request ( 'POST' , 'http://python123.io/ws' , data = body )
json : JSON格式的数据,作为Request的内容>>> kv = { 'key1' : 'value1' }>>> r = requests . request ( 'POST' , 'http://python123.io/ws' , json = kv )
headers : 字典,HTTP定制头>>> hd = { 'user‐agent' : 'Chrome/10' }>>> r = requests . request ( 'POST' , 'http://python123.io/ws' , headers = hd )
cookies : 字典或CookieJar,Request中的cookie>>> fs = { 'file' : open( 'data.xls' , 'rb' )}>>> r = requests . request ( 'POST' , 'http://python123.io/ws' , files = fs )
timeout : 设定超时时间,秒为单位>>> r = requests . request ( 'GET' , 'http://www.baidu.com' , timeout = 10 )
proxies : 字典类型,设定访问代理服务器,可以增加登录认证>>> 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 )
2.requests.get(url, params=None, **kwargs)
使用get()方法我们可以爬取大部分的网页
语法:
requests.get(url, params=None, **kwargs)
- url : 拟获取页面的url链接
- params : url中的额外参数,字典或字节流格式,可选
- **kwargs: 12个控制访问的参数
3.requests.head()
语法requests.head( url , **kwargs )
- url : 拟获取页面的url链接
- **kwargs: 12个控制访问的参数
>>> r = requests . head ( 'http://httpbin.org/get' )>>> r.headers{'Content‐Length': '238', 'Access‐Control‐Allow‐Origin': '*', 'Access‐Control‐Allow‐Credentials': 'true', 'Content‐Type':'application/json', 'Server': 'nginx', 'Connection': 'keep‐alive','Date': 'Sat, 18 Feb 2017 12:07:44 GMT'}>>> r.text''
4.requests.post(url, data=None, json=None, **kwargs)
语法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,Request的内容
- json : JSON格式的数据,Request的内容
- **kwargs: 12个控制访问的参数
向 URL POST 一个字典 ,自动编码为form (表单)>>> payload = { 'key1' : 'value1' , 'key2' : 'value2' }>>> r = requests . post ( 'http://httpbin.org/post' , data = payload )>>> print(r.text){ ..."form": {"key2": "value2","key1": "value1"},}
向 URL POST 一个字符串,自动编码为data>>> r = requests . post ( 'http://httpbin.org/post' , data = 'ABC' )>>> print(r.text){ ..."data": "ABC""form": {},}
5.requests.put(url, data=None, **kwargs)
语法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,Request的内容
- **kwargs: 12个控制访问的参数
>>> payload = { 'key1' : 'value1' , 'key2' : 'value2' }>>> r = requests . put ( 'http://httpbin.org/put' , data = payload )>>> print(r.text){ ..."form": {"key2": "value2","key1": "value1"},}
6.requests.patch(url, data=None, **kwargs)
语法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,Request的内容
- **kwargs: 12个控制访问的参数
7.requests.delete(url, **kwargs)
语法requests.delete( url , **kwargs )
- url : 拟删除页面的url链接
- **kwargs: 12个控制访问的参数
五、爬取网页的通用代码框架
1.理解Requests库的异常
异常 | 说明 |
---|---|
requests.ConnectionError | 网络连接错误异常,如DNS查询失败、拒绝连接等 |
requests.HTTPError | HTTP错误异常 |
requests.URLRequired | URL缺失异常 |
requests.TooManyRedirects | 超过最大重定向次数,产生重定向异常 |
requests.ConnectTimeout | 连接远程服务器超时异常 |
requests.Timeout | 请求URL超时,产生超时异常 |
r.raise_for_status() | 如果不是200,产生异常 requests.HTTPError |
2.爬取网页的通用代码框架
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 "产生异常"
if __name__=="__main__":
url="http://www.baidu.com"
print(getHTMLText(url))