Python爬虫利器一之Requests库的用法
前言
之前我们用了 urllib 库，这个作为入门的工具还是不错的，对了解一些爬虫的基本理念，掌握爬虫爬取的流程有所帮助。入门之后，我们就需要学习一些更加高级的内容和工具来方便我们的爬取。那么这一节来简单介绍一下 requests 库的基本用法。
注：Python 版本依然基于 2.7
官方文档
以下内容大多来自于官方文档，本文进行了一些修改和总结。要了解更多可以参考
安装
利用 pip 安装
|
1
|
$
pip
install
requests
|
或者利用 easy_install
|
1
|
$
easy_install
requests
|
通过以上两种方法均可以完成安装。
引入
首先我们引入一个小例子来感受一下
|
1
2
3
4
5
6
7
8
|
import
requests
r
=
requests
.
get
(
'http://cuiqingcai.com'
)
print
type
(
r
)
print
r
.
status_code
print
r
.
encoding
#print r.text
print
r
.
cookies
|
以上代码我们请求了本站点的网址，然后打印出了返回结果的类型，状态码，编码方式，Cookies等内容。
运行结果如下
|
1
2
3
4
|
<
class
'requests.models.Response'
>
200
UTF
-
8
<
RequestsCookieJar
[
]
>
|
怎样，是不是很方便。别急，更方便的在后面呢。
基本请求
requests库提供了http所有的基本请求方式。例如
|
1
2
3
4
5
|
r
=
requests
.
post
(
"http://httpbin.org/post"
)
r
=
requests
.
put
(
"http://httpbin.org/put"
)
r
=
requests
.
delete
(
"http://httpbin.org/delete"
)
r
=
requests
.
head
(
"http://httpbin.org/get"
)
r
=
requests
.
options
(
"http://httpbin.org/get"
)
|
嗯，一句话搞定。
基本GET请求
最基本的GET请求可以直接用get方法
|
1
|
r
=
requests
.
get
(
"http://httpbin.org/get"
)
|
如果想要加参数，可以利用 params 参数
|
1
2
3
4
5
|
import
requests
payload
=
{
'key1'
:
'value1'
,
'key2'
:
'value2'
}
r
=
requests
.
get
(
"http://httpbin.org/get"
,
params
=
payload
)
print
r
.
url
|
运行结果
|
1
|
http
:
//httpbin.org/get?key2=value2&key1=value1
|
如果想请求JSON文件，可以利用 json() 方法解析
例如自己写一个JSON文件命名为a.json，内容如下
|
1
2
3
|
[
"foo"
,
"bar"
,
{
"foo"
:
"bar"
}
]
|
利用如下程序请求并解析
|
1
2
3
4
5
|
import
requests
r
=
requests
.
get
(
"a.json"
)
print
r
.
text
print
r
.
json
(
)
|
运行结果如下，其中一个是直接输出内容，另外一个方法是利用 json() 方法解析，感受下它们的不同
|
1
2
3
4
|
[
"foo"
,
"bar"
,
{
"foo"
:
"bar"
}
]
[
u
'foo'
,
u
'bar'
,
{
u
'foo'
:
u
'bar'
}
]
|
如果想获取来自服务器的原始套接字响应，可以取得 r.raw 。 不过需要在初始请求中设置 stream=True 。
|
1
2
3
4
5
|
r
=
requests
.
get
(
'https://github.com/timeline.json'
,
stream
=
True
)
r
.
raw
<
requests
.
packages
.
urllib3
.
response
.
HTTPResponse
object
at
0x101194810
>
r
.
raw
.
read
(
10
)
'\x1f\x8b\x08\x00\x00\x00\x00\x00\x00\x03'
|
这样就获取了网页原始套接字内容。
如果想添加 headers，可以传 headers 参数
|
1
2
3
4
5
6
|
import
requests
payload
=
{
'key1'
:
'value1'
,
'key2'
:
'value2'
}
headers
=
{
'content-type'
:
'application/json'
}
r
=
requests
.
get
(
"http://httpbin.org/get"
,
params
=
payload
,
headers
=
headers
)
print
r
.
url
|
通过headers参数可以增加请求头中的headers信息
基本POST请求
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。
|
1
2
3
4
5
|
import
requests
payload
=
{
'key1'
:
'value1'
,
'key2'
:
'value2'
}
r
=
requests
.
post
(
"http://httpbin.org/post"
,
data
=
payload
)
print
r
.
text
|
运行结果
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
|
{
"args"
:
{
}
,
"data"
:
""
,
"files"
:
{
}
,
"form"
:
{
"key1"
:
"value1"
,
"key2"
:
"value2"
}
,
"headers"
:
{
"Accept"
:
"*/*"
,
"Accept-Encoding"
:
"gzip, deflate"
,
"Content-Length"
:
"23"
,
"Content-Type"
:
"application/x-www-form-urlencoded"
,
"Host"
:
"httpbin.org"
,
"User-Agent"
:
"python-requests/2.9.1"
}
,
"json"
:
null
,
"url"
:
"http://httpbin.org/post"
}
|
可以看到参数传成功了，然后服务器返回了我们传的数据。
有时候我们需要传送的信息不是表单形式的，需要我们传JSON格式的数据过去，所以我们可以用 json.dumps() 方法把表单数据序列化。
|
1
2
3
4
5
6
7
|
import
json
import
requests
url
=
'http://httpbin.org/post'
payload
=
{
'some'
:
'data'
}
r
=
requests
.
post
(
url
,
data
=
json
.
dumps
(
payload
)
)
print
r
.
text
|
运行结果
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
|
{
"args"
:
{
}
,
"data"
:
"{\"some\": \"data\"}"
,
"files"
:
{
}
,
"form"
:
{
}
,
"headers"
:
{
"Accept"
:
"*/*"
,
"Accept-Encoding"
:
"gzip, deflate"
,
"Content-Length"
:
"16"
,
"Host"
:
"httpbin.org"
,
"User-Agent"
:
"python-requests/2.9.1"
}
,
"json"
:
{
"some"
:
"data"
}
,
"url"
:
"http://httpbin.org/post"
}
|
通过上述方法，我们可以POST JSON格式的数据
如果想要上传文件，那么直接用 file 参数即可
新建一个 a.txt 的文件，内容写上 Hello World!
|
1
2
3
4
5
6
|
import
requests
url
=
'http://httpbin.org/post'
files
=
{
'file'
:
open
(
'test.txt'
,
'rb'
)
}
r
=
requests
.
post
(
url
,
files
=
files
)
print
r
.
text
|
可以看到运行结果如下
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
|
{
"args"
:
{
}
,
"data"
:
""
,
"files"
:
{
"file"
:
"Hello World!"
}
,
"form"
:
{
}
,
"headers"
:
{
"Accept"
:
"*/*"
,
"Accept-Encoding"
:
"gzip, deflate"
,
"Content-Length"
:
"156"
,
"Content-Type"
:
"multipart/form-data; boundary=7d8eb5ff99a04c11bb3e862ce78d7000"
,
"Host"
:
"httpbin.org"
,
"User-Agent"
:
"python-requests/2.9.1"
}
,
"json"
:
null
,
"url"
:
"http://httpbin.org/post"
}
|
这样我们便成功完成了一个文件的上传。
requests 是支持流式上传的，这允许你发送大的数据流或文件而无需先把它们读入内存。要使用流式上传，仅需为你的请求体提供一个类文件对象即可
|
1
2
|
with
open
(
'massive-body'
)
as
f
:
requests
.
post
(
'http://some.url/streamed'
,
data
=
f
)
|
这是一个非常实用方便的功能。
Cookies
如果一个响应中包含了cookie，那么我们可以利用 cookies 变量来拿到
|
1
2
3
4
5
6
|
import
requests
url
=
'http://example.com'
r
=
requests
.
get
(
url
)
print
r
.
cookies
print
r
.
cookies
[
'example_cookie_name'
]
|
以上程序仅是样例，可以用 cookies 变量来得到站点的 cookies
另外可以利用 cookies 变量来向服务器发送 cookies 信息
|
1
2
3
4
5
6
|
import
requests
url
=
'http://httpbin.org/cookies'
cookies
=
dict
(
cookies_are
=
'working'
)
r
=
requests
.
get
(
url
,
cookies
=
cookies
)
print
r
.
text
|
运行结果
|
1
|
'{"cookies": {"cookies_are": "working"}}'
|
可以已经成功向服务器发送了 cookies
超时配置
可以利用 timeout 变量来配置最大请求时间
|
1
|
requests
.
get
(
'http://github.com'
,
timeout
=
0.001
)
|
注：timeout 仅对连接过程有效，与响应体的下载无关。
也就是说，这个时间只限制请求的时间。即使返回的 response 包含很大内容，下载需要一定时间，然而这并没有什么卵用。
会话对象
在以上的请求中，每次请求其实都相当于发起了一个新的请求。也就是相当于我们每个请求都用了不同的浏览器单独打开的效果。也就是它并不是指的一个会话，即使请求的是同一个网址。比如
|
1
2
3
4
5
|
import
requests
requests
.
get
(
'http://httpbin.org/cookies/set/sessioncookie/123456789'
)
r
=
requests
.
get
(
"http://httpbin.org/cookies"
)
print
(
r
.
text
)
|
结果是
|
1
2
3
|
{
"cookies"
:
{
}
}
|
很明显，这不在一个会话中，无法获取 cookies，那么在一些站点中，我们需要保持一个持久的会话怎么办呢？就像用一个浏览器逛淘宝一样，在不同的选项卡之间跳转，这样其实就是建立了一个长久会话。
解决方案如下
|
1
2
3
4
5
6
|
import
requests
s
=
requests
.
Session
(
)
s
.
get
(
'http://httpbin.org/cookies/set/sessioncookie/123456789'
)
r
=
s
.
get
(
"http://httpbin.org/cookies"
)
print
(
r
.
text
)
|
在这里我们请求了两次，一次是设置 cookies，一次是获得 cookies
运行结果
|
1
2
3
4
5
|
{
"cookies"
:
{
"sessioncookie"
:
"123456789"
}
}
|
发现可以成功获取到 cookies 了，这就是建立一个会话到作用。体会一下。
那么既然会话是一个全局的变量，那么我们肯定可以用来全局的配置了。
|
1
2
3
4
5
6
|
import
requests
s
=
requests
.
Session
(
)
s
.
headers
.
update
(
{
'x-test'
:
'true'
}
)
r
=
s
.
get
(
'http://httpbin.org/headers'
,
headers
=
{
'x-test2'
:
'true'
}
)
print
r
.
text
|
通过 s.headers.update 方法设置了 headers 的变量。然后我们又在请求中设置了一个 headers，那么会出现什么结果？
很简单，两个变量都传送过去了。
运行结果
|
1
2
3
4
5
6
7
8
9
10
|
{
"headers"
:
{
"Accept"
:
"*/*"
,
"Accept-Encoding"
:
"gzip, deflate"
,
"Host"
:
"httpbin.org"
,
"User-Agent"
:
"python-requests/2.9.1"
,
"X-Test"
:
"true"
,
"X-Test2"
:
"true"
}
}
|
如果get方法传的headers 同样也是 x-test 呢？
|
1
|
r
=
s
.
get
(
'http://httpbin.org/headers'
,
headers
=
{
'x-test'
:
'true'
}
)
|
嗯，它会覆盖掉全局的配置
|
1
2
3
4
5
6
7
8
9
|
{
"headers"
:
{
"Accept"
:
"*/*"
,
"Accept-Encoding"
:
"gzip, deflate"
,
"Host"
:
"httpbin.org"
,
"User-Agent"
:
"python-requests/2.9.1"
,
"X-Test"
:
"true"
}
}
|
那如果不想要全局配置中的一个变量了呢？很简单，设置为 None 即可
|
1
|
r
=
s
.
get
(
'http://httpbin.org/headers'
,
headers
=
{
'x-test'
:
None
}
)
|
运行结果
|
1
2
3
4
5
6
7
8
|
{
"headers"
:
{
"Accept"
:
"*/*"
,
"Accept-Encoding"
:
"gzip, deflate"
,
"Host"
:
"httpbin.org"
,
"User-Agent"
:
"python-requests/2.9.1"
}
}
|
嗯，以上就是 session 会话的基本用法
SSL证书验证
现在随处可见 https 开头的网站，Requests可以为HTTPS请求验证SSL证书，就像web浏览器一样。要想检查某个主机的SSL证书，你可以使用 verify 参数
现在 12306 证书不是无效的嘛，来测试一下
|
1
2
3
4
|
import
requests
r
=
requests
.
get
(
'https://kyfw.12306.cn/otn/'
,
verify
=
True
)
print
r
.
text
|
结果
|
1
|
requests
.
exceptions
.
SSLError
:
[
SSL
:
CERTIFICATE_VERIFY_FAILED
]
certificate
verify
failed
(
_ssl
.
c
:
590
)
|
果真如此
来试下 github 的
|
1
2
3
4
|
import
requests
r
=
requests
.
get
(
'https://github.com'
,
verify
=
True
)
print
r
.
text
|
嗯，正常请求，内容我就不输出了。
如果我们想跳过刚才 12306 的证书验证，把 verify 设置为 False 即可
|
1
2
3
4
|
import
requests
r
=
requests
.
get
(
'https://kyfw.12306.cn/otn/'
,
verify
=
False
)
print
r
.
text
|
发现就可以正常请求了。在默认情况下 verify 是 True，所以如果需要的话，需要手动设置下这个变量。
代理
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
|
1
2
3
4
5
6
7
|
import
requests
proxies
=
{
"https"
:
"http://41.118.132.69:4433"
}
r
=
requests
.
post
(
"http://httpbin.org/post"
,
proxies
=
proxies
)
print
r
.
text
|
也可以通过环境变量 HTTP_PROXY 和 HTTPS_PROXY 来配置代理
|
1
2
|
export
HTTP_PROXY
=
"http://10.10.1.10:3128"
export
HTTPS_PROXY
=
"http://10.10.1.10:1080"
|
通过以上方式，可以方便地设置代理。
API
以上讲解了 requests 中最常用的参数，如果需要用到更多，请参考官方文档 API
结语
以上总结了一下 requests 的基本用法，如果你对爬虫有了一定的基础，那么肯定可以很快上手，在此就不多赘述了。
练习才是王道，大家尽快投注于实践中吧。
转载请注明：静觅 » Python爬虫利器一之Requests库的用法
扫一扫
59万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
