目录
一、requests模块介绍
requests文档:Requests: 让 HTTP 服务人类 — Requests 2.18.1 文档
作用:
发送http请求,获取响应数据
安装
requests模块是一个第三方模块,需要在python环境中额外安装
pip/pip3 install requests
发送get请求
代码示例# 导入模块 import requests # 目标url url = 'https://www.baidu.com' # 向目标url发送get请求 response = requests.get(url) # 打印响应内容 print(response.text)
二、response响应对象
观察上边代码运行结果发现,有好多乱码,这是因为编解码使用的字符集不同早造成的,可以尝试使用下边的办法来解决中文乱码问题:
# 导入模块 import requests # 目标url url = 'https://www.baidu.com' # 向目标url发送get请求 response = requests.get(url) # 打印响应内容 # print(response.text) print(response.content.decode()) # 注意这里!
- response.text是requests模块按照chardet模块推测出的编码字符集进行解码的结果
- 网络传输的字符串都是bytes类型的,所以response.text = response.content.decode('推测出的编码字符集')
- 我们可以在网页源码中搜索charset,尝试参考该编码字符集,注意存在不准确的情况
2.1 response.text 和 response.content 的区别:
response.text
类型:str
解码类型: requests模块自动根据HTTP 头部对响应的编码作出有根据的推测,推测的文本编码
response.content
类型:bytes
解码类型: 没有指定
2.2 通过对response.content进行decode,来解决中文乱码
response.content.decode() # 默认utf-8
response.content.decode('GBK')
常见的编码字符集
utf-8
gbk
gb2312
ascii(阿斯克码)
iso-8859-1
2.3 其它常用属性或方法
response = requests.get(url)
中response是发送请求获取的响应对象;
response响应对象中除了text、content获取响应内容以外还有其它常用的属性或方法:
response.url
响应的url;有时候响应的url和请求的url并不一致
response.status_code
响应状态码
response.request.headers
响应对应的请求头
response.headers
响应头
response.request._cookies
响应对应请求的cookie;返回cookieJar类型
response.cookies
响应的cookie(经过了set-cookie动作;返回cookieJar类型
response.json()
自动将json字符串类型的响应内容转换为python对象(dict or list)# 导入模块 import requests # 目标url url = 'https://www.baidu.com' # 向目标url发送get请求 response = requests.get(url) # 打印响应内容 # print(response.text) # print(response.content.decode()) # 注意这里! print(response.url) # 打印响应的url print(response.status_code) # 打印响应的状态码 print(response.request.headers) # 打印响应对象的请求头 print(response.headers) # 打印响应头 print(response.request._cookies) # 打印请求携带的cookies print(response.cookies) # 打印响应中携带的cookies
三、 requests模块发送请求
3.1 发送带 header 的请求
我们先写一个获取百度首页的代码
import requests url = 'https://www.baidu.com' response = requests.get(url) print(response.content.decode()) # 打印响应对应请求的请求头信息 print(response.request.headers)
不过,对比浏览器上百度首页的网页源码(F12)和代码中的百度首页的源码,发现代码中的百度首页的源码非常少,所以需要我们带上请求头信息,请求头中有很多字段,其中User-Agent字段必不可少,表示客户端的操作系统以及浏览器的信息。
携带请求头发送请求的方法
requests.get(url, headers=headers)
headers参数接收字典形式的请求头
请求头字段名作为key,字段对应的值作为value
从浏览器中复制User-Agent,构造headers字典
import requests url = 'https://www.baidu.com' 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" } # 在请求头中带上User-Agent,模拟浏览器发送请求 response = requests.get(url, headers=headers) print(response.content) # 打印请求头信息 print(response.request.headers)
3.2 发送带参数的请求
使用百度搜索时url地址中会有一个
?
,此问号后边就是请求参数,又叫查询字符串
url携带参数
import requests 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" } url = 'https://www.baidu.com/s?wd=詹姆斯' response = requests.get(url, headers=headers)
通过构建参数字典
import requests headers = { "User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/97.0.4692.99 Safari/537.36" } # 目标url # url = 'https://www.baidu.com/s?wd=詹姆斯' # 这里最后有没有问号结果都一样 url = 'https://www.baidu.com/s?' # 请求参数是一个字典 即wd=python kw = {'wd': '詹姆斯'} # 带上请求参数发起请求,获取响应 response = requests.get(url, headers=headers, params=kw) print(response.content)
3.3 headers参数中携带 cookie
网站经常利用请求头中的Cookie字段来做用户访问状态的保持,那么我们可以在headers参数中添加Cookie,模拟普通用户的请求。
访问gitee登陆的url地址 https://gitee.com/login
输入账号密码点击登陆后,访问一个需要登陆后才能获取正确内容的url,比如点击右上角的【个人中心】访问 https://gitee.com/mengnf
确定url之后,再确定发送该请求所需要的请求头信息中的User-Agent和Cookie
将值赋值出来:
# 构造请求头字典 headers = { # 从浏览器中复制过来的User-Agent 'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/97.0.4692.99 Safari/537.36', # 从浏览器中复制过来的Cookie 'Cookie': '这里是复制过来的cookie字符串' }
cookies参数的形式:字典
cookies = {"cookie的name":"cookie的value"}
该字典对应请求头中Cookie字符串,以分号、空格分割每一对字典键值对
等号左边的是一个cookie的name,对应cookies字典的key
等号右边对应cookies字典的value
cookies参数的使用方法
response = requests.get(url, cookies)
将cookie字符串转换为cookies参数所需的字典:
cookies_dict = {cookie.split('=')[0]:cookie.split('=')[-1] for cookie in cookies_str.split('; ')}
注意:cookie一般是有过期时间的,一旦过期需要重新获取
import requests url = 'https://github.com/USER_NAME' # 构造请求头字典 headers = { 'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/67.0.3396.87 Safari/537.36' } # 构造cookies字典 cookies_str = '从浏览器中copy过来的cookies字符串' cookies_dict = {cookie.split('=')[0]: cookie.split('=')[-1] for cookie in cookies_str.split('; ')} # 请求头参数字典中携带cookie字符串 resp = requests.get(url, headers=headers, cookies=cookies_dict) print(resp.text)
cookieJar对象转换为cookies字典的方法
使用requests获取的resposne对象,具有cookies属性。该属性值是一个cookieJar类型,包含了对方服务器设置在本地的cookie。
转换方法
cookies_dict = requests.utils.dict_from_cookiejar(response.cookies)
其中response.cookies返回的就是cookieJar类型的对象
requests.utils.dict_from_cookiejar
函数返回cookies字典
3.4 超时参数timeout的使用
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,此时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。
超时参数timeout
response = requests.get(url, timeout=3)
timeout=3表示:发送请求后,3秒钟内返回响应,否则就抛出异常
3.5 关于proxy代理
proxy代理参数通过指定代理ip,让代理ip对应的正向代理服务器转发我们发送的请求
使用代理的过程
代理ip是一个ip,指向的是一个代理服务器
代理服务器能够帮我们向目标服务器转发请求
正向代理和反向代理的区别
从发送请求的一方的角度,来区分正向或反向代理
为浏览器或客户端(发送请求的一方)转发请求的,叫做正向代理
浏览器知道最终处理请求的服务器的真实ip地址,例如VPN
不为浏览器或客户端(发送请求的一方)转发请求、而是为最终处理请求的服务器转发请求的,叫做反向代理
浏览器不知道服务器的真实地址,例如nginx
代理ip(代理服务器)的分类
根据代理ip的匿名程度,代理IP可以分为下面三类:
透明代理(Transparent Proxy):透明代理虽然可以直接“隐藏”你的IP地址,但是还是可以查到你是谁。目标服务器接收到的请求头如下:
REMOTE_ADDR = Proxy IP
HTTP_VIA = Proxy IP
HTTP_X_FORWARDED_FOR = Your IP匿名代理(Anonymous Proxy):使用匿名代理,别人只能知道你用了代理,无法知道你是谁。目标服务器接收到的请求头如下:
REMOTE_ADDR = proxy IP
HTTP_VIA = proxy IP
HTTP_X_FORWARDED_FOR = proxy IP高匿代理(Elite proxy或High Anonymity Proxy):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。毫无疑问使用高匿代理效果最好。目标服务器接收到的请求头如下:
REMOTE_ADDR = Proxy IP
HTTP_VIA = not determined
HTTP_X_FORWARDED_FOR = not determined根据网站所使用的协议不同,需要使用相应协议的代理服务。从代理服务请求使用的协议可以分为:
http代理:目标url为http协议
https代理:目标url为https协议
socks隧道代理(例如socks5代理)等:
socks 代理只是简单地传递数据包,不关心是何种应用协议(FTP、HTTP和HTTPS等)。
socks 代理比http、https代理耗时少。
socks 代理可以转发http和https的请求
proxies代理参数的使用
为了让服务器以为不是同一个客户端在请求;
为了防止频繁向一个域名发送请求被封ip,所以我们需要使用代理ip;
proxies的形式:字典
proxies = {
"http": "http://12.34.56.79:9527",
"https": "https://12.34.56.79:9527",
}
response = requests.get(url, proxies=proxies)
注意:如果proxies字典中包含有多个键值对,发送请求时将按照url地址的协议来选择使用相应的代理ip
3.6 使用verify参数忽略CA证书
在使用浏览器上网的时候,有时看到这样的提示
-
原因:该网站的CA证书没有经过【受信任的根证书颁发机构】的认证
为了在代码中能够正常的请求,使用
verify=False
参数,此时requests模块发送请求将不做CA证书的验证:verify参数能够忽略CA证书的认证
response = requests.get(url,verify=False)
四、requests模块发送post请求
登录注册( 在web工程师看来POST 比 GET 更安全,url地址中不会暴露用户的账号密码等信息)
需要传输大文本内容的时候( POST 请求对数据长度没有要求)
requests发送post请求的方法
response = requests.post(url, data)
data
参数接收一个字典requests模块发送post请求函数的其它参数和发送get请求的参数完全一致
五、利用requests.session进行状态保持
requests模块中的Session类能够自动处理发送请求获取响应过程中产生的cookie,进而达到状态保持的目的。
作用及场景
- 自动处理cookie,即 下一次请求会带上前一次的cookie
自动处理连续的多次请求过程中产生的cookie
session = requests.session() # 实例化session对象
response = session.get(url, headers, ...)
response = session.post(url, data, ...)
import requests
import re
# 构造请求头字典
headers = {
'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/67.0.3396.87 Safari/537.36',
}
# 实例化session对象
session = requests.session()
# 访问登陆页获取登陆请求所需参数
response = session.get('https://github.com/login', headers=headers)
authenticity_token = re.search('name="authenticity_token" value="(.*?)" />', response.text).group(1) # 使用正则获取登陆请求所需参数
# 构造登陆请求参数字典
data = {
'commit': 'Sign in', # 固定值
'utf8': '✓', # 固定值
'authenticity_token': authenticity_token, # 该参数在登陆页的响应内容中
'login': input('输入github账号:'),
'password': input('输入github账号:')
}
# 发送登陆请求(无需关注本次请求的响应)
session.post('https://github.com/session', headers=headers, data=data)
# 打印需要登陆后才能访问的页面
response = session.get('https://github.com/1596930226', headers=headers)
print(response.text)