Python爬虫之Requests库

 

 

所谓爬虫就是模拟客户端发送网络请求，获取网络响应，并按照一定的规则解析获取的数据并保存的程序。要说 Python 的爬虫必然绕不过 Requests 库。

1 简介

对于 Requests 库，官方文档是这么说的：

Requests 唯一的一个非转基因的 Python HTTP 库，人类可以安全享用。警告：非专业使用其他 HTTP 库会导致危险的副作用，包括：安全缺陷症、冗余代码症、重新发明轮子症、啃文档症、抑郁、头疼、甚至死亡。

这个介绍还是比较生动形象的，便不再多说。安装使用终端命令 pip install requests 。

2 快速上手

2.1 发送请求

导入 Requests 模块：

•  

import requests

获取网页：

•  

r = requests.get("http://xxx.xxx")

此时，我们获取了 Response 对象 r，我们可以通过 r 获取所需信息。Requests 简便的 API 意味着所有 HTTP 请求类型都是显而易见的，我们来看一下使用常见 HTTP 请求类型 get、post、put、delete 的示例：

•  
•  
•  
•  

r = requests.head("http://xxx.xxx/get")r = requests.post("http://xxx.xxx/post", data = {"key":"value"})r = requests.put("http://xxx.xxx/put", data = {"key":"value"})r = requests.delete("http://xxx.xxx/delete")

通常我们会设置请求的超时时间，Requests 使用 timeout 参数来设置，单位是秒，示例如下：

•  

r = requests.head("http://xxx.xxx/get", timeout=1)

2.2 参数传递

在使用 get 方式发送请求时，我们会将键值对形式参数放在 URL 中问号的后面，如：http://xxx.xxx/get?key=val ，Requests 通过 params 关键字，以一个字符串字典来提供这些参数。比如要传 key1=val1 和 key2=val2 到 http://xxx.xxx/get，示例如下：

•  
•  

pms= {"key1": "val1", "key2": "val2"}r = requests.get("http://xxx.xxx/get", params=pms)

Requests 还允许将一个列表作为值传入：

•  

pms= {"key1": "val1", "key2": ["val2", "val3"]}

注：字典里值为 None 的键都不会被添加到 URL 的查询字符串里。

2.3 响应内容

我们来获取一下服务器的响应内容，这里地址 https://api.github.com 为例：

•  
•  
•  
•  
•  
•  

import requestsr = requests.get("https://api.github.com")print(r.text)# 输出结果# {"current_user_url":"https://api.github.com/user","current_user...

当访问 r.text 之时，Requests 会使用其推测的文本编码，我们可以使用 r.encoding 查看其编码，也可以修改编码，如：r.encoding = "GBK"，当改变了编码，再次访问 r.text 时，Request 都将会使用 r.encoding 的新值。

1）二进制响应内容 比如当我们要获取一张图片的数据，会以二进制的方式获取响应数据，示例如下：

•  
•  
•  

from PIL import Imagefrom io import BytesIOi = Image.open(BytesIO(r.content))

2）JSON响应内容 Requests 中已经内置了 JSON 解码器，因此我们可以很容易的对 JSON 数据进行解析，示例如下：

•  
•  
•  

import requestsr = requests.get("https://api.github.com")r.json()

注:成功调用 r.json() 并不一定响应成功，有的服务器会在失败的响应中包含一个 JSON 对象（比如 HTTP 500 的错误细节），这时我们就需要查看响应的状态码了 r.status_code  或 r.raise_for_status()，成功调用时 r.status_code 为 200，r.raise_for_status() 为 None。

2.4 自定义请求头

当我们要给请求添加 headers 时，只需给 headers 参数传递一个字典即可，示例如下：

•  
•  
•  

url = "http://xxx.xxx"hds= {"user-agent": "xxx"}r = requests.get(url, headers=hds)

注：自定义 headers 优先级是低于一些特定的信息的，如：在 .netrc 中设置了用户认证信息，使用 headers 设置的授权就不会生效，而当设置了 auth 参数，.netrc 的设置会无效。所有的 headers 值必须是 string、bytestring 或者 unicode，通常不建议使用 unicode。

2.5 重定向与历史

默认情况下，Requests 会自动处理除了 HEAD 以外的所有重定向，可以使用响应对象的 history 属性来追踪重定向，其返回为响应对象列表，这个列表是按照请求由晚到早进行排序的，看一下示例：

•  
•  
•  
•  
•  

import requestsr = requests.get("http://github.com")print(r.history)# 输出结果# [<Response [301]>]

如果使用的是get、post、put、delete、options、patch 可以使用 allow_redirects 参数禁用重定向。示例如下：

•  

r = requests.get("http://xxx.xxx", allow_redirects=False)

2.6 错误与异常

当遇到网络问题（如：DNS 查询失败、拒绝连接等）时，Requests 会抛出 ConnectionError 异常；在 HTTP 请求返回了不成功的状态码时， Response.raise_for_status() 会抛出 HTTPError 异常；请求超时，会抛出 Timeout 异常；请求超过了设定的最大重定向次数，会抛出 TooManyRedirects 异常。所有 Requests 显式抛出的异常都继承自 requests.exceptions.RequestException。