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: