【Python3 爬虫学习笔记】基本库的使用 6 —— 使用requests

二、使用requests

1. 基本用法

1.1 实例引入

urllib库中的urlopen()方法实际上是以GET方式请求网页，而requests中相应的方法就是get()方法。

import requests

r = requests.get('https://www.baidu.com/')
print(type(r))
print(r.status_code)
print(type(r.text))
print(r.text)
print(r.cookies)

运行结果：

这里调用get()方法实现与urlopen()相同的操作，得到一个Response对象，然后分别输出了Response的类型、状态码、响应体的类型、内容以及Cookies。
通过运行结果可以发现，它的返回类型是requests.models.Response，响应体的类型是字符串str，Cookies的类型是RequestsCookieJar。

1.2 GET请求

import requests

r = requests.get('http://httpbin.org/get')
print(r.text)

运行结果如下：

{
  "args": {},
  "headers": {
    "Accept": "*/*",
    "Accept-Encoding": "gzip, deflate",
    "Connection": "close",
    "Host": "httpbin.org",
    "User-Agent": "python-requests/2.18.4"
  },
  "origin": "221.216.169.171",
  "url": "http://httpbin.org/get"
}

可以发现，我们成功发起了GET请求，返回结果中包含请求头、URL、IP等信息。
对于GET请求，利用params这个参数，可以附加额外的信息。

import requests

data = {
    'name':'germey',
    'age':22
}
r = requests.get("http://httpbin.org/get",params=data)
print(r.text)

另外，网页的返回类型实际上是str类型，但是它很特殊，是JSON格式的。所以，如果想直接解析返回结果，得到一个字典格式的话，可以直接调用json()方法。示例如下：

import requests

r = requests.get("http://httpbin.org/get")
print(type(r.text))
print(r.json())
print(type(r.json()))

运行结果如下：

可以发现，调用json()方法，就可以将返回结果是JSON格式的字符串转化为字典。
如果返回不是JSON格式，便会出现解析错误，抛出json.decoder.JSONDecodeError异常。

抓取网页

import requests
import re

headers = {
    'User-Agent':'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_11_4) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/52.0.2743.116 Safari/537.36'
}
r = requests.get("https://www.zhihu.com/explore", headers=headers)
pattern = re.compile('explore-feed.*?question_link.*?>(.*?)</a>', re.S)
titles = re.findall(pattern, r.text)
print(titles)

这里加入了headers信息，其中包含了User-Agent字段信息，也就是浏览器标识信息。如果不加Headers，知乎会禁止抓取。
接下来用到了最基础的正则表达式来匹配出所有的问题内容。
运行结果如下：