一、requests模块
1.1.http与服务器交互的几种方法
get 仅仅获取资源的信息,不增加或者修改数据。
post 一般丢该服务器上的资源,一般我们通过form表单进行提交请求
put 增加
delete 删除
示例
import requests requests.get("http://www.baidu.com") requests.post("http://www.jd.com") requests.put("http://www.jd.com") requests.delete("http://www.jd.com")
1.2. 传递参数
1.2.1.get方式
params = {'key1': 'hello', 'key2': 'world'}
url = 'https://www.jd.com'
r = requests.get(url=url, params=params)
print(r.url)
结果为:
https://www.jd.com/?key1=hello&key2=world
1.2.2.post方式
params = {'key1': 'hello', 'key2': 'world'}
r = requests.post("http://httpbin.org/post", data=params)
print(r.text)
http://httpbin.org/post是requests提供的官网地址,通过json的方式给大家返回。可以看到我们返回的数据。Post的数据参数是data,都是字典的类型,但是urllib就没法接受字典类型,必须是字符串.
结果:
{
"args": {},
"data": "",
"files": {},
"form": {
"key1": "hello",
"key2": "world"
},
"headers": {
"Accept": "*/*",
"Accept-Encoding": "gzip, deflate",
"Connection": "close",
"Content-Length": "21",
"Content-Type": "application/x-www-form-urlencoded",
"Host": "httpbin.org",
"User-Agent": "python-requests/2.18.4"
},
"json": null,
"origin": "1.202.119.5",
"url": "http://httpbin.org/post"
}
1.3.响应http的请求
import requests url="https://www.qiushibaike.com/" header={"User-Agent": "Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/67.0.3396.87 Safari/537.36"} r=requests.get(url=url,headers=header) print(r.request) print(r.headers) print(r.encoding) print(r.cookies) print(r.url) print(r.status_code)#状态码 print(type(r.text)) print(type(r.content))
Requests中text和content的区别是什么
r.text返回的是str类型的数据。
r.content返回的是bytes型也就是二进制的数据。
也就是说,如果你想取文本,可以通过r.text。
如果想取图片,文件,则可以通过r.content。
1.4.Request更改请求头信息
header = {'User-Agent': 'Mozilla/5.0 (Windows NT 6.1) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/49.0.2623.75 Safari/537.36'}
r = requests.get('https://www.qiushibaike.com/', headers=header)
print(r.text)
print(r.headers)
import requests url="https://www.qiushibaike.com/" #添加自定义的请求头信息 header={"User-Agent": "Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/67.0.3396.87 Safari/537.36"} r=requests.get(url=url,headers=header) #通过headers=header将自定义的请求头信息添加到请求信息中 print(type(r.text)) print(r.headers)
可以通过定义一个list,然后通过random模块随机取一个header信息进行访问,防止反爬虫的操作。
1.5.Request的会话对象
s = requests.session()
Python2
S = requests.Session()
所有一次会话的信息都保存在server服务端,只需要对server服务端进行操作就可以了。
s.get(url)
1.6.cookie信息
1.6.1.Cookie的五要素:
Name value domain path expires
import requests def save_cookie(): s = requests.session() s.get('https://www.hao123.com/') print(s.cookies) def save_cookie(): s = requests.session() s.get('https://www.hao123.com/') print(s.cookies) print(s.cookies.keys()) print(s.cookies.values()) for i in s.cookies: print(i) print(i.name, i.value, i.domain, i.path, i.expires) if __name__ == '__main__': save_cookie()
1.6.2.Cookie的常用属性:
Cookie常用的一些属性:
1. Domain 域
2. Path 路径
3. Expires 过期时间
4. name 对应的key值
5. value key对应的value值
cookie中的domain代表的是cookie所在的域,默认情况下就是请求的域名,例如请求http://www.server1.com/files/hello, 那么响应中的set-Cookie默认会使用www.server1.com作为cookie的domain,在浏览器中也是按照domain来组织cookie的。 我们可以在响应中设置cookie的domain为其他域,但是浏览器并不会去保存这些domain为其他域的cookie。
cookie中的path能够进一步的控制cookie的访问,当path=/; 当前域的所有请求都可以访问到这个cookie。 如果path设为其他值,比如path=/test,那么只有/test下面的请求可以访问到这个cookie。
1.6.3.使用已知cookie信息,如何访问网站
url = 'http://httpbin.org/cookies'
r = requests.get(url, cookies={'key1': 'value1', 'key2': 'value2'})
print(r.text)
结果:
{
"cookies": {
"key1": "value1",
"key2": "value2"
}
}
1.6.4.代理访问
代理访问:
采集时为避免被封IP,经常会使用代理。requests也有相应的proxies属性。
西刺代理(http://www.xicidaili.com/)
import requests proxies = { "http": "http://182.108.5.246:8118", # "https": "http://112.117.184.219:9999", } r1 = requests.get("http://2017.ip138.com/ic.asp", proxies=proxies) r2 = requests.get("http://2017.ip138.com/ic.asp") print(r1.text) print(r2.text)
如果代理需要账户和密码,则需这样:
proxies = { "http": "http://user:pass@10.10.1.10:3128/", }
1.6.5.requests的中文乱码问题
import requests param = {"key1": "hello", "key2": "world"} url = 'https://www.baidu.com/' r = requests.get(url=url) print(r.encoding) #ISO-8859-1默认使用的是这个 r.encoding = "utf-8" print(r.text)
1.7.总结
Requests给你提供的所有接口,在传输数据的时候,都可以以key:value的形式进行传输,这个也是我为什么特别喜欢使用requests的原因
如果你使用urllib,那么你就没有这么幸运了,很多事情都需要你自己去处理,并不可以直接通过dict的形式进行传输,需要进行装换
二、Urllib模块
2.1.在python2和python3中的差异
在python2中,urllib和urllib2各有各个的功能,虽然urllib2是urllib的升级版,但是urllib2还是不能完全替代urllib,但是在python3中,全部封装成一个类,urllib
2.2.python2中urllib2和urllib的区别
Urllib2可以接受一个Request对象,并以此可以来设置一个URL的headers,但是urllib只接受一个URL。这就意味着你不能通过urllib伪装自己的请求头。
Urllib模板可以提供运行urlencode的方法,该方法用于GET查询字符串的生成,urllib2的不具备这样的功能,而且urllib.quote等一系列quote和unquote功能没有被加入urllib2中,因此有时也需要urllib的辅助。这就是urllib和urllib2一起使用的原因.
quote用来url转码的
import urllib,urllib2 url="http://www.baidu.com" headers={ "User-Agent":"Mozilla/5.0 (Windows NT 6.1; W…) Gecko/20100101 Firefox/60.0", "Host":"www.baidu.com" } data={"k1":"v1","k2":"v2"} data=urllib.urlencode(data)#http在授受请求时只接受以字符串格式的数据 print(data) response=urllib2.Request(url=url,headers=headers,data=data)
2.3.python3和python2编码及传参区别
''' python3 data=urlib.parse.urlencode(data) urllib.request.Request(url,data) python2 data=urllib.urlencode(data) urllib.Reqeuset(url.data) ''' import urllib from urllib import parse from urllib.request import Request url="http://www.baidu.com" headers={ "User-Agent":"Mozilla/5.0 (Windows NT 6.1; W…) Gecko/20100101 Firefox/60.0", "Host":"www.baidu.com" } data={"k1":"v1","k2":"v2"} data=parse.urlencode(data) print(data) response=Request(url=url,headers=headers,data=data)
2.4.http的头信息传输
http的头信息可以直接使用字典的形式进行传输
import urllib.request urllib.request.Request(url, data=None, headers = {}, method= None) headers = { 'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) ' 'Chrome/45.0.2454.85 Safari/537.36 115Browser/6.0.3', 'Referer': 'http://www.lagou.com/zhaopin/Python/?labelWords=label', 'Connection': 'keep-alive' }
2.5.data参数传输
Request如果要发送data,并无法直接传入字典类型的参数,需要进行数据转换,你可以直接使用类似于get传出参数的方法,也可以使用urllib给我们提供的类
from urllib import request, parse data = { 'first': 'true', 'pn': 1, 'kd': 'Python' } data = parse.urlencode(data).encode('utf-8') print(data)
结果:
b'first=true&pn=1&kd=Python‘
urllib.parse.urlencode(query, doseq=False, safe='', encoding=None, errors=None)
urlencode()主要作用就是将url附上要提交的数据。Post的数据必须是bytes或者iterable of bytes,不能是str,因此需要进行encode()编码
2.6.打开网站
urllib.request.urlopen(url, data=None, timeout=None)
url 需要打开的网站
data psot提交的数据
Timeout 网站访问的超时时间
但是没法伪装我们的头信息
from urllib import request
req = request.Request(url, headers=headers, data=data)
html = request.urlopen(req).read()
2.7.requests模块和urllib模块使用
2.7.1.使用requests爬图片和视频
官网学习网站:http://docs.python-requests.org/zh_CN/latest/user/quickstart.html
示例:下载图片
import codecs import requests url="https://timgsa.baidu.com/timg?image&quality=80&size=b9999_10000&sec=1529385351638&di=f4693b8440f472950d15670a77a4788f&imgtype=0&src=http%3A%2F%2Fpic35.photophoto.cn%2F20150402%2F0011024033183316_b.jpg" res=requests.get(url=url,stream=True) with codecs.open("fj.jpg","wb") as f: for chunk in res.iter_content(10000): f.write(chunk)
2.7.2.使用urllib爬图片和视频
使用urllib爬数据时,可以通过以下两种方法
方法1:通过request.urlretrieve访问下载数据
示例:
import urllib from urllib.request import Request from urllib import request url="https://cloud.video.taobao.com/play/1u/2074441006/p/1/e/6/t/1/50166326429.mp4" request.urlretrieve(url,"hd.mp4")
方法2:通过urlopen方法
示例
from urllib import request url = "http://inews.gtimg.com/newsapp_match/0/2711870562/0" req = request.Request(url) res = request.urlopen(req) text = res.read() with open("2.jpg", "wb") as f: f.write(text)
2.8.urllib的代理
from urllib import request, parse data = { 'first': 'true', 'pn': 1, 'kd': 'Python' } url = 'http://2017.ip138.com/ic.asp' proxy = request.ProxyHandler({'http': '112.95.61.146:8118'}) # 设置proxy opener = request.build_opener(proxy) # 挂载opener # opener = request.build_opener() # 挂载opener request.install_opener(opener) # 安装opener data = parse.urlencode(data).encode('utf-8') page = opener.open(url, data).read() print(type(page)) print(page.decode("gbk"))
结果:<body style="margin:0px"><center>您的IP是:[112.95.61.146] 来自:广东省深圳市 联通</center></body></html>