上一章中,我们了解了urllib的基本用法,详情可浏览如下链接python网络爬虫教程(三):详解urllib库,但其中确实有不方便的地方,为此,我们可以使用更方便更简洁的HTTP请求库requests来帮我们完成爬虫任务。
如果你没有安装requests,无论是Windows、Linux还是Mac,都可以在命令行界面中运行如下命令,即可完成requests库的安装:
pip install requests
如果你没有安装pip,可参考以下文章:写给初学者的Python与pip安装教程。
基本用法
1. GET请求
1. 基本实例
HTTP中最常见的就是GET请求,在requests中可以用如下方法实现:
import requests
response = requests.get('http://httpbin.org/get')
print(type(response))
print(response.text)
结果如下:
<class 'requests.models.Response'>
{
"args": {},
"headers": {
"Accept": "*/*",
"Accept-Encoding": "gzip, deflate",
"Host": "httpbin.org",
"User-Agent": "python-requests/2.23.0",
"X-Amzn-Trace-Id": "Root=1-5eccc552-e9bfd8204c6d591075a2b890"
},
"origin": "171.107.139.104",
"url": "http://httpbin.org/get"
}
可以发现,get()方法返回值是requests.model.Response类型对象,并且这样的请求方法与urllib中的urlopen()方法如出一辙。
如果要添加参数,除了在URL中构造外,还可以使用get()方法的params参数:
import requests
data = {
'name': 'germey',
'age': 22
}
response = requests.get('http://httpbin.org/get', params=data)
print(response.text)
运行结果如下:
{
"args": {
"age": "22",
"name": "germey"
},
"headers": {
"Accept": "*/*",
"Accept-Encoding": "gzip, deflate",
"Host": "httpbin.org",
"User-Agent": "python-requests/2.23.0",
"X-Amzn-Trace-Id": "Root=1-5eccc6f8-ee3d14ec71ec38bec92961aa"
},
"origin": "171.107.139.104",
"url": "http://httpbin.org/get?name=germey&age=22"
}
我们构造一个字典类型的参数data,利用params参数将data构造为URL的参数,这种方法更加简便,且可读性更强。
另外,网页的返回结果是str类型,但是它很特殊,是JSON格式的,如果我们要解析返回结果,得到一个字典的话,可以用jsos()方法:
import requests
response = requests.get('http://httpbin.org/get')
print(type(response.text))
print(response.json())
print(type(response.json()))
运行结果如下:
<class 'str'>
{'args': {}, 'headers': {'Accept': '*/*', 'Accept-Encoding': 'gzip, deflate', 'Host': 'httpbin.org', 'User-Agent': 'python-requests/2.23.0', 'X-Amzn-Trace-Id': 'Root=1-5eccc86b-7372a90f1143321aa6393206'}, 'origin': '171.107.139.104', 'url': 'http://httpbin.org/get'}
<class 'dict'>
可以发现,调用json()后,返回结果转化为了字典。但是如果返回结果不是JSON格式,便会出现解析错误。
2. 抓取二进制数据
如果我们要获取网页内容,可以在返回结果的Request中用text属性,实际上它的内容是一个HTML文档,如果想抓取图片、音频、视频等内容,可以使用Response的content属性,它的内容是这些文件的二进制码。
下面我们来试着爬取本页面菜单栏上的CSDN图标,如下所示
import requests
response = requests.get('https://csdnimg.cn/cdn/content-toolbar/csdn-logo.png?v=20200416.1')
print(type(response.text))
print(type(response.content))
运行结果如下:
<class 'str'>
<class 'bytes'>
其中content属性的内容是bytes类型,试着将它保存到文件中:
import requests
response = requests.get('https://csdnimg.cn/cdn/content-toolbar/csdn-logo.png?v=20200416.1')
with open('text.ico', 'wb+') as f:
f