request模块的基本使用

requests模块
知识点：
掌握 headers参数的使用
掌握 发送带参数的请求
掌握 headers中携带cookie
掌握 cookies参数的使用
掌握 cookieJar的转换方法
掌握 超时参数timeout的使用
掌握 代理ip参数proxies的使用
掌握 使用verify参数忽略CA证书
掌握 requests模块发送post请求
掌握 利用requests.session进行状态保持
前面我们了解了爬虫的基础知识，接下来我们来学习如何在代码中实现我们的爬虫

1. requests模块介绍
   requests文档http://docs.python-requests.org/zh_CN/latest/index.html

1.1 requests模块的作用：
发送http请求，获取响应数据
1.2 requests模块是一个第三方模块，需要在你的python(虚拟)环境中额外安装
pip/pip3 install requests
1.3 requests模块发送get请求
需求：通过requests向百度首页发送请求，获取该页面的源码

运行下面的代码，观察打印输出的结果

1.2.1-简单的代码实现

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)
知识点：掌握 requests模块发送get请求
2. 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；我们尝试使用下边的办法来解决中文乱码问题

1.2.2-response.content

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
知识点：掌握 response.text和response.content的区别
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 （读音：阿斯克码）
iso-8859-1
知识点：掌握 利用decode函数对requests.content解决中文乱码
2.3 response响应对象的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）

1.2.3-response其它常用属性

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
知识点：掌握 response响应对象的其它常用属性
3. 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)
3.1.1 思考
对比浏览器上百度首页的网页源码和代码中的百度首页的源码，有什么不同？

查看网页源码的方法：
右键-查看网页源代码 或
右键-检查
对比对应url的响应内容和代码中的百度首页的源码，有什么不同？

查看对应url的响应内容的方法：
右键-检查
点击 Net work
勾选 Preserve log
刷新页面
查看Name一栏下和浏览器地址栏相同的url的Response
代码中的百度首页的源码非常少，为什么？

需要我们带上请求头信息

回顾爬虫的概念，模拟浏览器，欺骗服务器，获取和浏览器一致的内容

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

3.1.2 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
3.1.3 完成代码实现
从浏览器中复制User-Agent，构造headers字典；完成下面的代码后，运行代码查看结果

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)
知识点：掌握 headers参数的使用
3.2 发送带参数的请求
我们在使用百度搜索的时候经常发现url地址中会有一个 ?，那么该问号后边的就是请求参数，又叫做查询字符串

3.2.1 在url携带参数
直接对含有参数的url发起请求

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=python’

response = requests.get(url, headers=headers)
3.2.2 通过params携带参数字典
​ 1.构建请求参数字典

​ 2.向接口发送请求的时候带上参数字典，参数字典设置给params

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”}

这是目标url

url = ‘https://www.baidu.com/s?wd=python’

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’: ‘python’}

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)
知识点：掌握发送带参数的请求的方法
3.3 在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。我们以github登陆为例：

3.3.1 github登陆抓包分析
打开浏览器，右键-检查，点击Net work，勾选Preserve log
访问github登陆的url地址 https://github.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Your profile访问https://github.com/USER_NAME
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
requests-3-2-1-4

3.3.2 完成代码
从浏览器中复制User-Agent和Cookie
浏览器中的请求头字段和值与headers参数中必须一致
headers请求参数字典中的Cookie键对应的值是字符串
import requests

url = ‘https://github.com/USER_NAME’

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/67.0.3396.87 Safari/537.36’,
# 从浏览器中复制过来的Cookie
‘Cookie’: ‘xxx这里是复制过来的cookie字符串’
}

请求头参数字典中携带cookie字符串

resp = requests.get(url, headers=headers)

print(resp.text)
3.3.3 运行代码验证结果
在打印的输出结果中搜索title，html中的标题文本内容如果是你的github账号，则成功利用headers参数携带cookie，获取登陆后才能访问的页面

requests-3-2-3

知识点：掌握 headers中携带cookie
3.4 cookies参数的使用
上一小节我们在headers参数中携带cookie，也可以使用专门的cookies参数

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)
知识点：掌握 cookies参数的使用
3.5 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。我们如何将其转换为cookies字典呢？

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
知识点：掌握 cookieJar的转换方法
3.6 超时参数timeout的使用
在平时网上冲浪的过程中，我们经常会遇到网络波动，这个时候，一个请求等了很久可能任然没有结果。

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，这个时候我们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的使用方法

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

import requests

url = ‘https://twitter.com’
response = requests.get(url, timeout=3) # 设置超时时间
知识点：掌握 超时参数timeout的使用
3.7 了解代理以及proxy代理参数的使用
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，那么我们首先来了解一下代理ip以及代理服务器

3.7.1 理解使用代理的过程
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
使用代理的过程

3.7.2 正向代理和反向代理的区别
前边提到proxy参数指定的代理ip指向的是正向的代理服务器，那么相应的就有反向服务器；现在来了解一下正向代理服务器和反向代理服务器的区别

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
3.7.3 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
3.7.4 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；那么我们接下来要学习requests模块是如何使用代理ip的

用法：

response = requests.get(url, proxies=proxies)
proxies的形式：字典

例如：

proxies = {
“http”: “http://12.34.56.79:9527”,
“https”: “https://12.34.56.79:9527”,
}
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

知识点：掌握 代理ip参数proxies的使用
3.8 使用verify参数忽略CA证书
在使用浏览器上网的时候，有时能够看到下面的提示（2018年10月之前的12306网站）：

12306ssl错误

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
关于CA证书以及受信任的根证书颁发机构点击了解更多，课上我们不做展开
3.8.1 运行代码查看代码中向不安全的链接发起请求的效果
运行下面的代码将会抛出包含ssl.CertificateError …字样的异常

import requests
url = “https://sam.huat.edu.cn:8443/selfservice/”
response = requests.get(url)
3.8.2 解决方案
为了在代码中能够正常的请求，我们使用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

import requests
url = “https://sam.huat.edu.cn:8443/selfservice/”
response = requests.get(url,verify=False)
知识点：掌握 使用verify参数忽略CA证书
4. requests模块发送post请求
思考：哪些地方我们会用到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）
所以同样的，我们的爬虫也需要在这两个地方回去模拟浏览器发送post请求

4.1 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

4.2 POST请求练习
下面面我们通过金山翻译的例子看看post请求如何使用：

地址：http://fy.iciba.com/
思路分析
抓包确定请求的url地址

确定请求的参数

确定返回数据的位置

模拟浏览器获取数据

4.2.3 抓包分析的结论
url地址：http://fy.iciba.com/

请求方法：POST

请求所需参数：

data = {
‘f’: ‘auto’, # 表示被翻译的语言是自动识别
‘t’: ‘auto’, # 表示翻译后的语言是自动识别
‘w’: ‘人生苦短’ # 要翻译的中文字符串
}
pc端User-Agent:

Mozilla/5.0 (Macintosh; Intel Mac OS X 10_12_6) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/71.0.3578.98 Safari/537.36

4.2.4 代码实现
了解requests模块发送post请求的方法，以及分析过移动端的百度翻译之后，我们来完成代码

import requests
import json

class King(object):

def __init__(self, word):
    self.url = "http://fy.iciba.com/ajax.php?a=fy"
    self.word = word
    self.headers = {
        "User-Agent": "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_12_6) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/71.0.3578.98 Safari/537.36"
    }
    self.post_data = {
        "f": "auto",
        "t": "auto",
        "w": self.word
    }

def get_data(self):
    response = requests.post(self.url, headers=self.headers, data=self.post_data)
    # 默认返回bytes类型，除非确定外部调用使用str才进行解码操作
    return response.content

def parse_data(self, data):

    # 将json数据转换成python字典
    dict_data = json.loads(data)

    # 从字典中抽取翻译结果
    try:
        print(dict_data['content']['out'])
    except:
        print(dict_data['content']['word_mean'][0])

def run(self):
    # url
    # headers
    # post——data
    # 发送请求
    data = self.get_data()
    # 解析
    self.parse_data(data)

if name == ‘main’:
# king = King(“人生苦短，及时行乐”)
king = King(“China”)
king.run()
# python标准库有很多有用的方法，每天看一个标准库的使用
知识点：掌握 requests模块发送post请求
5. 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。接下来我们就来学习它

5.1 requests.session的作用以及应用场景
requests.session的作用
自动处理cookie，即 下一次请求会带上前一次的cookie
requests.session的应用场景
自动处理连续的多次请求过程中产生的cookie
5.2 requests.session使用方法
session实例在请求了一个网站后，对方服务器设置在本地的cookie会保存在session中，下一次再使用session请求对方服务器的时候，会带上前一次的cookie

session = requests.session() # 实例化session对象
response = session.get(url, headers, …)
response = session.post(url, data, …)
session对象发送get或post请求的参数，与requests模块发送请求的参数完全一致
5.3 课堂测试
使用requests.session来完成github登陆，并获取需要登陆后才能访问的页面

5.3.1 提示
对github登陆以及访问登陆后才能访问的页面的整个完成过程进行抓包
确定登陆请求的url地址、请求方法和所需的请求参数
部分请求参数在别的url对应的响应内容中，可以使用re模块获取
确定登陆后才能访问的页面的的url地址和请求方法
利用requests.session完成代码
5.3.2 参考代码
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)
知识点：掌握 利用requests.session进行状态保持

欢迎使用Markdown编辑器

你好！ 这是你第一次使用 Markdown编辑器 所展示的欢迎页。如果你想学习如何使用Markdown编辑器, 可以仔细阅读这篇文章，了解一下Markdown的基本语法知识。

新的改变

我们对Markdown编辑器进行了一些功能拓展与语法支持，除了标准的Markdown编辑器功能，我们增加了如下几点新功能，帮助你用它写博客：

1. 全新的界面设计 ，将会带来全新的写作体验；
2. 在创作中心设置你喜爱的代码高亮样式，Markdown 将代码片显示选择的高亮样式 进行展示；
3. 增加了 图片拖拽 功能，你可以将本地的图片直接拖拽到编辑区域直接展示；
4. 全新的 KaTeX数学公式 语法；
5. 增加了支持甘特图的mermaid语法¹ 功能；
6. 增加了 多屏幕编辑 Markdown文章功能；
7. 增加了 焦点写作模式、预览模式、简洁写作模式、左右区域同步滚轮设置 等功能，功能按钮位于编辑区域与预览区域中间；
8. 增加了 检查列表 功能。

功能快捷键

撤销：Ctrl/Command + Z
重做：Ctrl/Command + Y
加粗：Ctrl/Command + B
斜体：Ctrl/Command + I
标题：Ctrl/Command + Shift + H
无序列表：Ctrl/Command + Shift + U
有序列表：Ctrl/Command + Shift + O
检查列表：Ctrl/Command + Shift + C
插入代码：Ctrl/Command + Shift + K
插入链接：Ctrl/Command + Shift + L
插入图片：Ctrl/Command + Shift + G
查找：Ctrl/Command + F
替换：Ctrl/Command + G

合理的创建标题，有助于目录的生成

直接输入1次#，并按下space后，将生成1级标题。
输入2次#，并按下space后，将生成2级标题。
以此类推，我们支持6级标题。有助于使用TOC语法后生成一个完美的目录。

如何改变文本的样式

强调文本 强调文本

加粗文本 加粗文本

标记文本

删除文本

引用文本

H₂O is是液体。

2¹⁰ 运算结果是 1024.

插入链接与图片

链接: link.

图片:

带尺寸的图片:

居中的图片:

居中并且带尺寸的图片:

当然，我们为了让用户更加便捷，我们增加了图片拖拽功能。

如何插入一段漂亮的代码片

去博客设置页面，选择一款你喜欢的代码片高亮样式，下面展示同样高亮的 代码片.

// An highlighted block
var foo = 'bar';

生成一个适合你的列表

• 项目
  • 项目
    • 项目

1. 项目1
2. 项目2
3. 项目3

• 计划任务
• 完成任务

创建一个表格

一个简单的表格是这么创建的：

项目	Value
电脑	$1600
手机	$12
导管	$1

设定内容居中、居左、居右

使用:---------:居中
使用:----------居左
使用----------:居右

第一列	第二列	第三列
第一列文本居中	第二列文本居右	第三列文本居左

SmartyPants

SmartyPants将ASCII标点字符转换为“智能”印刷标点HTML实体。例如：

TYPE	ASCII	HTML
Single backticks	'Isn't this fun?'	‘Isn’t this fun?’
Quotes	"Isn't this fun?"	“Isn’t this fun?”
Dashes	-- is en-dash, --- is em-dash	– is en-dash, — is em-dash

创建一个自定义列表

Markdown

Text-to- HTML conversion tool

Authors

John

Luke

如何创建一个注脚

一个具有注脚的文本。²

注释也是必不可少的

Markdown将文本转换为 HTML。

KaTeX数学公式

您可以使用渲染LaTeX数学表达式 KaTeX:

Gamma公式展示 $\Gamma (n)=(n-1)!\forall n\in \mathbb{N}$ 是通过欧拉积分

$$\Gamma (z)={\int }_0^{\infty }{t}^{z-1}{e}^{-t}dt.$$

你可以找到更多关于的信息 LaTeX 数学表达式here.

新的甘特图功能，丰富你的文章

• 关于 甘特图 语法，参考 这儿,

UML 图表

可以使用UML图表进行渲染。 Mermaid. 例如下面产生的一个序列图：

这将产生一个流程图。:

• 关于 Mermaid 语法，参考 这儿,

FLowchart流程图

我们依旧会支持flowchart的流程图：

• 关于 Flowchart流程图 语法，参考 这儿.

导出与导入

导出

如果你想尝试使用此编辑器, 你可以在此篇文章任意编辑。当你完成了一篇文章的写作, 在上方工具栏找到 文章导出 ，生成一个.md文件或者.html文件进行本地保存。

导入

如果你想加载一篇你写过的.md文件，在上方工具栏可以选择导入功能进行对应扩展名的文件导入，
继续你的创作。

---

1. mermaid语法说明 ↩︎

2. 注脚的解释 ↩︎