requests模块

• 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

• 发送http请求，获取响应数据

• pip/pip3 install requests

1. 需求：通过requests向百度首页发送请求，获取该页面的源码
2. 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)

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
• 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

• 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

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

3. requests模块发送请求

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)

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；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)

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

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)

​ 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)

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：

• 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)

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

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

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)

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？

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。

import requests

url = 'https://twitter.com'
response = requests.get(url, timeout=3)     # 设置超时时间

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

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

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

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）：

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)

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)

4. requests模块发送post请求

思考：哪些地方我们会用到POST请求？

1. 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）
2. 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

• 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

下面面我们通过金山翻译的例子看看post请求如何使用：

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
}

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

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

• 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

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

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

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)

session = requests.session()

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

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：’)
}

response = session.get('https://github.com/1596930226', headers=headers)
print(response.text)

Original: https://www.cnblogs.com/Slience-me/p/16341829.html
Author: Slience_me
Title: requests模块