requests模块的使用

最新推荐文章于 2023-07-14 15:38:55 发布

梦因you而美

最新推荐文章于 2023-07-14 15:38:55 发布

阅读量2k

点赞数 16

分类专栏：爬虫文章标签： requests模块 retrying模块代理IP 处理cookie相关的请求证书错误

本文链接：https://blog.csdn.net/apollo_miracle/article/details/84769941

版权

爬虫专栏收录该内容

51 篇文章 3 订阅

订阅专栏

1 学习目标

requests模块的认识
requests发送get请求
requests获取响应数据
requests发送带headers的请求
requests发送带参数的请求
requests发送POST请求
requests使用代理
requests处理cookie

2 requests模块的入门使用

2.1 为什么要重点学习requests模块，而不是urllib

requests的底层实现就是urllib
requests在python2 和python3中通用，方法完全一样
requests简单易用
requests能够自动帮助我们解压(gzip压缩的等)网页内容

2.2 requests的作用

作用：发送网络请求，返回响应数据

中文文档： http://docs.python-requests.org/zh_CN/latest/index.html

通过观察文档来学习：如何使用requests来发送网络请求？

2.3 requests模块发送简单的请求、获取响应

需求：通过requests向百度首页发送请求，获取百度首页的数据

response = requests.get(url)

response的常用属性：

response.text
respones.content
response.status_code
response.request.headers
response.headers

思考：text是response的属性还是方法呢？

一般来说名词，往往都是对象的属性，对应的动词是对象的方法

2.3.1 response.text 和response.content的区别

response.text
- 类型：str
- 解码类型：根据HTTP 头部对响应的编码作出有根据的推测，推测的文本编码
- 如何修改编码方式：response.encoding=”gbk”
response.content
- 类型：bytes
- 解码类型：没有指定
- 如何修改编码方式：response.content.deocde(“utf8”)

获取网页源码的通用方式：

response.content.decode()
response.content.decode("GBK")
response.text

以上三种方法从前往后尝试，能够100%的解决所有网页解码的问题

所以：更推荐使用response.content.deocde()的方式获取响应的html页面

2.3.2 练习：把网络上的图片保存到本地

思考：

以什么方式打开文件
保存什么格式的内容

import requests

url = "https://www.baidu.com/img/bd_logo1.png"
resp = requests.get(url)
with open("baidulogo.png", "wb") as f:
    f.write(resp.content)

2.4.1 为什么请求需要带上header？

模拟浏览器，欺骗服务器，获取和浏览器一致的内容

2.4.2 header的形式

header的形式：字典

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"}

2.4.3 用法

requests.get(url,headers=headers)

2.5 发送带参数的请求

2.5.1 什么叫做请求参数

错误的列1： http://www.webkaka.com/tutorial/server/2015/021013/

正确的例2：https://www.baidu.com/s?wd=python&c=b

2.5.2 参数的形式

参数的形式：字典

kw = {'wd':'长城'}

2.5.3 用法

requests.get(url,params=kw)

2.5.4 关于参数的注意点

在url地址中，很多参数是没有用的，比如百度搜索的url地址，其中参数只有一个字段有用，其他的都可以删除

对应的，在后续的爬虫中，遇到很多参数的url地址，都可以尝试删除参数

2.6 作业

1.获取新浪首页，查看response.text 和response.content.decode()的区别

2.实现任意贴吧的爬虫，保存网页到本地

3 requests模块的深入使用

3.1 requests模块发送POST请求

3.1.1 哪些地方我们会用到POST请求：

登录注册（ POST 比 GET 更安全）
需要传输大文本内容的时候（ POST 请求对数据长度没有要求）

所以同样的，我们的爬虫也需要在这两个地方回去模拟浏览器发送post请求

3.1.2 使用requests模块发送post请求

用法： response = requests.post("http://www.baidu.com/", data = data,headers=headers)
data 的形式：字典

3.2 使用代理

3.2.1 为什么要使用代理

让服务器以为不是同一个客户端在请求
防止我们的真实地址被泄露，防止被追究

3.2.2 理解使用代理的过程

3.2.3 理解正向代理和反向代理的区别

通过上图可以看出：

正向代理：对于浏览器知道服务器的真实地址，例如VPN
反向代理：浏览器不知道服务器的真实地址，例如nginx

3.2.4 代理的使用

用法： requests.get("http://www.baidu.com", proxies = proxies)
proxies的形式：字典
例如：

proxies = { 
    "http": "http://12.34.56.79:9527", 
    "https": "https://12.34.56.79:9527", 
    }

3.2.5 代理IP的分类

根据代理服务器端的配置，向目标地址发送请求时，REMOTE_ADDR， HTTP_VIA，HTTP_X_FORWARDED_FOR三个变量不同而可以分为下面四类：

透明代理(Transparent Proxy)
```
  REMOTE_ADDR = Proxy IP
  HTTP_VIA = Proxy IP
  HTTP_X_FORWARDED_FOR = Your IP
```
透明代理虽然可以直接“隐藏”你的IP地址，但是还是可以从HTTP_X_FORWARDED_FOR来查到你是谁。
匿名代理(Anonymous Proxy)
```
  REMOTE_ADDR = proxy IP
  HTTP_VIA = proxy IP
  HTTP_X_FORWARDED_FOR = proxy IP
```
匿名代理比透明代理进步了一点：别人只能知道你用了代理，无法知道你是谁。

混淆代理(Distorting Proxies)
```
  REMOTE_ADDR = Proxy IP
  HTTP_VIA = Proxy IP
  HTTP_X_FORWARDED_FOR = Random IP address
```
如上，与匿名代理相同，如果使用了混淆代理，别人还是能知道你在用代理，但是会得到一个假的IP地址，伪装的更逼真
高匿代理(Elite proxy或High Anonymity Proxy)
```
  REMOTE_ADDR = Proxy IP
  HTTP_VIA = not determined
  HTTP_X_FORWARDED_FOR = not determined
```
可以看出来，高匿代理让别人根本无法发现你是在用代理，所以是最好的选择。

从使用的协议：代理ip可以分为http代理，https代理，socket代理等，使用的时候需要根据抓取网站的协议来选择

3.2.6 代理IP使用的注意点

反反爬

使用代理ip是非常必要的一种反反爬的方式,但是即使使用了代理ip，对方服务器任然会有很多的方式来检测我们是否是一个爬虫

比如：
- 一段时间内，检测IP访问的频率，访问太多频繁会屏蔽
- 检查Cookie，User-Agent，Referer等header参数，若没有则屏蔽
- 服务方购买所有代理提供商，加入到反爬虫数据库里，若检测是代理则屏蔽
  
  所以更好的方式是购买质量更高的代理，或者自己搭建代理服务器，组装自己的代理IP池，同时在使用的时候使用随机的方式进行选择使用，不要每次都用一个代理ip，没事没有任何效果的
代理ip池的更新

购买的代理ip很多时候大部分(超过60%)可能都没办法使用，这个时候就需要通过程序去检测哪些可用，把不能用的删除掉。对应的实现方式在我们学习了超时参数的使用之后大家会了解
面试

很多时候面试官会了解自己项目中的代理ip的使用情况，比如：代理ip池的大小，代理ip的更新时间，代理ip中可用的代理ip的比例等等，这些都是开放性的问题，面试官了解的时候估计是自己的代理ip池用的不爽：）

4 requests模块处理cookie相关的请求

4.1 使用requests处理cookie相关的请求

4.1.1 回顾cookie和session的区别

cookie数据存放在客户的浏览器上，session数据放在服务器上。
cookie不是很安全，别人可以分析存放在本地的cookie并进行cookie欺骗。
session会在一定时间内保存在服务器上。当访问增多，会比较占用你服务器的性能。
单个cookie保存的数据不能超过4K，很多浏览器都限制一个站点最多保存20个cookie。

4.1.2 爬虫中为什么要使用cookie

带上cookie的好处
- 能够访问登录后的页面
- 正常的浏览器在请求服务器的时候肯定会带上cookie（第一次请求某个地址除外），所以对方服务器有可能会通过是否携带cookie来判断我们是否是一个爬虫，对应的能够起到一定的反爬的效果
带上cookie的坏处
- 一套cookie往往对应的是一个用户的信息，请求太频繁有更大的可能性被对方识别为爬虫
- 那么上面的问题如何解决?使用多个账号

4.1.3 requests处理cookie相关的请求之session

requests 提供了一个叫做session类，来实现客户端和服务端的会话保持
会话保持有两个内涵：
- 保存cookie
- 实现和服务端的长连接

使用方法
```
  session = requests.session()
  response = session.get(url,headers)
```
session实例在请求了一个网站后，对方服务器设置在本地的cookie会保存在session中，下一次再使用session请求对方服务器的时候，会带上前一次的cookie
动手：

动手尝试使用session来登录人人网： http://www.renren.com/PLogin.do(先不考虑这个url地址从何而来)，请求体的格式：{"email":"username", "password":"password"}

4.1.4 requests处理cookie相关的请求之cookie放在headers中

了解headers中cookie

headers中的cookie：
- 使用分号+空格(; )隔开
- 分号两边的类似a=b形式的表示一条cookie
- a=b中，a表示键（name），b表示值（value）
- 在headers中仅仅使用了cookie的name和value

cookie的具体组成的字段

由于headers中对cookie仅仅使用它的name和value，所以在代码中我们仅仅需要cookie的name和value即可

在headers中使用cookie

headers = {
"User-Agent":"Mozilla/5.0 (Macintosh; Intel Mac OS X 10_13_4) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/65.0.3325.181 Safari/537.36",
"Cookie":" Pycharm-26c2d973=dbb9b300-2483-478f-9f5a-16ca4580177e; Hm_lvt_98b9d8c2fd6608d564bf2ac2ae642948=1512607763; Pycharm-26c2d974=f645329f-338e-486c-82c2-29e2a0205c74; _xsrf=2|d1a3d8ea|c5b07851cbce048bd5453846445de19d|1522379036"}

requests.get(url,headers=headers)

cookie有过期时间，所以直接复制浏览器中的cookie可能意味着下一程序继续运行的时候需要替换代码中的cookie，对应的我们也可以通过一个程序专门来获取cookie供其他程序使用；当然也有很多网站的cookie过期时间很长，这种情况下，直接复制cookie来使用更加简单

4.1.5 requests处理cookie相关的请求之使用cookies参数

cookies的形式：字典

cookies = {"cookie的name":"cookie的value"}

使用方法：

requests.get(url, headers=headers, cookies=cookie_dict}

4.2 人人网登录之js分析流程

4.2.1 人人网登陆过程中url地址哪里找？

在前面的人人网登陆过程中，我们找到了一个登陆接口，那么这个接口从哪里找到的呢？

可以发现，这个地址就是在登录的form表单中action对应的url地址，也就是进行表单提交的地址。

对应的，提交的数据，仅仅需要：

用户名input标签中，name的值作为键，用户名作为值，
密码input标签中，name的值作为键，密码作为值即可

4.2.2 如果action对应的没有url地址的时候可以怎么做？

通过抓包寻找登录的url地址

通过抓包可以发现，在这个url地址和请求体中均有参数，比如uniqueTimestamp和rkey以及加密之后的password

这个时候我们可以观察手机版的登录接口，是否也是一样的

可以发现在手机版中，依然有参数，但是参数的个数少一些，这个时候，我们可以使用手机版作为参看，来学习如何分析js

4.3 js分析之查看js的位置

4.3.1 观察按钮的绑定js事件

通过点击按钮，然后点击Event Listener，部分网站可以找到绑定的事件，对应的，只需要点击即可跳转到js的位置

4.3.2 通过search all file 来搜索

部分网站的按钮可能并没有绑定js事件监听，那么这个时候可以通过搜索请求中的关键字来找到js的位置，比如livecell

点击美化输出选项

可以继续在其中搜索关键字

4.4 js分析之观察js的执行过程

找到js的位置之后，我们可以来通过观察js的位置，找到js具体在如何执行，后续我们可以通过python程序来模拟js的执行，或者是使用类似js2py直接把js代码转化为python程序去执行

观察js的执行过程最简单的方式是添加断点

添加断点的方式：在左边行号点击即可添加，对应的右边BreakPoints中会出现现有的所有断点

添加断点之后继续点击登录，每次程序在断点位置都会停止，通过如果该行有变量产生，都会把变量的结果展示在Scoope中

在上图的右上角有1，2，3三个功能，分别表示：

1：继续执行到下一个断点
2：进入调用的函数中
3：从调用的函数中跳出来

4.5 执行js

js也是一门动态的语言，所以在运行的时候需要js的解释器，目前现有的类似js2py的工具都不是特别完善，对于简单的js可以运行，但是复杂的是处理不了的

通过后面的接触大家会发现，很多js都是进过混淆和加密的，即在js的源码中我们会发现大量的命名为a,b,c,d的函数和变量，对于这种情况，如果必须去分析js，那么肯定是非常头大的，但是在后面的课程中，我们会学习通过程序其控制浏览器的方式操作网页、获取数据，这个方法会更加简单。所以在这里我们需要掌握js的分析过程即可。

5 requests模块的其他方法

5.1 requests模块获取cookie

requests.utils.dict_from_cookiejar：把cookiejar对象转化为字典

import requests

url = "http://www.baidu.com"
response = requests.get(url)
print(type(response.cookies))

cookies = requests.utils.dict_from_cookiejar(response.cookies)
print(cookies)

输出为：

<class 'requests.cookies.RequestsCookieJar'>
{'BDORZ': '27315'}

在前面的requests的session类中，我们不需要处理cookie的任何细节，如果有需要，我们可以使用上述方法来解决

5.2 requests处理证书错误

经常我们在网上冲浪时，经常能够看到下面的提示：

出现这个问题的原因是：ssl的证书不安全导致

那么如果在代码中请求会怎么样呢？

import requests

url = "https://www.12306.cn/mormhweb/"
response = requests.get(url)

ssl.CertificateError ...

为了在代码中能够正常的请求，我们修改添加一个参数

import requests

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

5.3 超时参数的使用

在平时网上冲浪的过程中，我们经常会遇到网络波动，这个时候，一个请求等了很久可能任然没有结果

对应的，在爬虫中，一个请求很久没有结果，就会让整个项目的效率变得非常低，这个时候我们就需要对请求进行强制要求，让他必须在特定的时间内返回结果，否则就报错

使用方法如下：

response = requests.get(url,timeout=3)

通过添加timeout参数，能够保证在3秒钟内返回响应，否则会报错

注：这个方法还能够拿来检测代理ip的质量，如果一个代理ip在很长时间没有响应，那么添加超时之后也会报错，对应的这个ip就可以从代理ip池中删除

5.4 retrying模块的使用

上述方法能够加快我们整体的请求速度，但是在正常的网页浏览过成功，如果发生速度很慢的情况，我们会做的选择是刷新页面，那么在代码中，我们是否也可以刷新请求呢？

对应的，retrying模块就可以帮助我们解决

retrying模块的地址：https://pypi.org/project/retrying/
retrying 模块的使用
- 使用retrying模块提供的retry模块
- 通过装饰器的方式使用，让被装饰的函数反复执行
- retry中可以传入参数stop_max_attempt_number,让函数报错后继续重新执行，达到最大执行次数的上限，如果每次都报错，整个函数报错，如果中间有一个成功，程序继续往后执行

所以我们可以结合前面的知识点和retrying模块，把我们需要反复使用的请求方法做一个简单的封装，在后续任何其他地方需要使用的时候，调用该方法就行

代码参考

# parse.py
import requests
from retrying import retry

headers = {}


@retry(stop_max_attempt_number=3) #最大重试3次，3次全部报错，才会报错
def _parse_url(url)
    response = requests.get(url, headers=headers, timeout=3) #超时的时候回报错并重试
    assert response.status_code == 200 #状态码不是200，也会报错并充实
    return response


def parse_url(url)
    try: #进行异常捕获
        response = _parse_url(url)
    except Exception as e:
        print(e)
        response = None
    return response

梦因you而美

关注

16
点赞
踩
53

收藏

觉得还不错? 一键收藏
0
评论
requests模块的使用

1 学习目标requests模块的认识 requests发送get请求 requests获取响应数据 requests发送带headers的请求 requests发送带参数的请求 requests发送POST请求 requests使用代理 requests处理cookie2 requests模块的入门使用2.1 为什么要重点学习requests模块，而不是urllibr...
复制链接

扫一扫