使用Requests庫來進行爬蟲的方式

更新時間：2022年11月18日 10:10:19 作者：Mr.Bean-Pig

這篇文章主要介紹了使用Requests庫來進行爬蟲的方式，具有很好的參考價值，希望對大家有所幫助。如有錯誤或未考慮完全的地方，望不吝賜教

Requests是用Python編寫，基于urllib，采用Apache2 Licensed開源協(xié)議的HTTP庫。

它比urllib更方便，可以節(jié)約我們大量的工作，完全滿足HTTP測試需求。

安裝：

pip3 install requests

使用

實例：

import requests

response=requests.get('https://www.baidu.com')
print(type(response))
print(response.status_code)
print(type(response.text))
print(response.text)
print(response.cookies)

各種請求方式

import requests

requests.post('http://httpbin.org/post')
requests.put('http://httpbin.org/put')
requests.delete('http://httpbin.org/delete')
requests.head('http://httpbin.org/get')
requests.options('http://httpbin.org/get')

我們執(zhí)行以上命令后，可以在這個網(wǎng)址進行驗證：

http://httpbin.org 這可以作為一個測試網(wǎng)址，它可以反饋一些我們請求時的信息。例如：

可以查看我們請求時的ip地址。

基本get請求

基本寫法

import requests

response=requests.get('http://httpbin.org/get')#用get方式發(fā)送請求并獲得響應(yīng)
print(response.text)#用text查看響應(yīng)內(nèi)容

帶參數(shù)get

import requests

response=requests.get('http://httpbin.org/get?name=zhuzhu&age=23')
#將參數(shù)拼接到url后面，用問號分隔，參數(shù)間用&來分隔
print(response.text)

可以看到返回的args信息中包含了我們的get參數(shù)。但是這種方法使用得不是很方便，再看下面的方式：

import requests

data={
	'name':'zhuzhu',
	'age':23
}
response=requests.get('http://httpbin.org/get',params=data)
#用字典的形式傳遞給params參數(shù)，不需要自己寫url編碼
print(response.text)

得到的結(jié)果與上面的方法是一樣的，但是方便了許多~

解析json

import requests

response=requests.get("http://httpbin.org/get")
print(type(response.text))
print(response.json())#把返回結(jié)果編碼成一個json對象
print(type(response.json()))

這個方法在返回一些AJEX請求時是比較常用的。

獲取二進制數(shù)據(jù)

在下載一些內(nèi)容（圖片、視頻）的時候常用的一個方法。

試試看，我們想要獲取一個github的圖標：

import requests

response=requests.get("https://github.com/favicon.ico")
print(type(response.text),type(response.content))
print(response.text)
print(response.content)#可以使用content屬性來獲取二進制內(nèi)容

可以看到，在響應(yīng)中，text的類型是string，而content的內(nèi)容是bytes，也就是二進制形式。

怎么把這個圖標保存到本地呢？我們已經(jīng)知道怎么獲取它的二進制內(nèi)容，現(xiàn)在只需要寫入文件就可以了：

import requests

response=requests.get("https://github.com/favicon.ico")
with open('favicon.ico','wb')as f:
	f.write(response.content)
	f.close()

哈哈，成功保存在運行目錄下了~

添加headers

headers在爬蟲中是非常必要的，很多時候如果請求不加headers，那么你可能會被禁掉或出現(xiàn)服務(wù)器錯誤…

比如我們現(xiàn)在想爬取知乎上的數(shù)據(jù)，但是不加headers：

import requests
response=requests.get("https://www.zhihu.com/explore")
print(response.text)

那么就會報錯，因為知乎是要識別你的瀏覽器信息的。

我們現(xiàn)在加入headers試試看（做一個瀏覽器的偽裝），只需要向get方法傳入headers參數(shù)就好了：

import requests

headers={
	'User-Agent':'Mozilla/5.0(Macintosh;Intel Mac OS X 10_11_4)AppleWebKit/537.36(KHTML,like Gecko)Chrome/52.0.2743.116 Safari/537.36'
}
response=requests.get("https://www.zhihu.com/explore",headers=headers)
print(response.text)

運行結(jié)果成功返回了響應(yīng)信息。

基本POST請求

直接用字典構(gòu)造一個data并傳入方法，就可以實現(xiàn)post請求了，省去了編碼步驟，比起urllib方便許多：

import requests


data={'name':'zhuzhu','age':'23'}
response=requests.post("http://httpbin.org/post",data=data)
print(response.text)

再加入headers：

import requests


data={'name':'zhuzhu','age':'23'}
headers={
	'User-Agent':'Mozilla/5.0(Macintosh;Intel Mac OS X 10_11_4)AppleWebKit/537.36(KHTML,like Gecko)Chrome/52.0.2743.116 Safari/537.36'
}
response=requests.post("http://httpbin.org/post",data=data,headers=headers)
print(response.json())

可以看到，返回的json形式的響應(yīng)中，我們成功添加了data和headers的信息。

總結(jié)：get和post請求使用都很方便，區(qū)別只是換一下方法而已。

響應(yīng)

response屬性

下面列出了常用的response屬性：

import requests

response=requests.get("http://www.jianshu.com")
print(type(response.status_code),response.status_code)#狀態(tài)碼
print(type(response.headers),response.headers)
print(type(response.cookies),response.cookies)
print(type(response.url),response.url)
print(type(response.history),response.history)

狀態(tài)碼判斷

常見的網(wǎng)頁狀態(tài)碼：

100: (‘continue’,),
101: (‘switching_protocols’,),
102: (‘processing’,),
103: (‘checkpoint’,),
122: (‘uri_too_long’, ‘request_uri_too_long’),
200: (‘ok’, ‘okay’, ‘all_ok’, ‘all_okay’, ‘all_good’, ‘\o/’, ‘?’),
201: (‘created’,),
202: (‘accepted’,),
203: (‘non_authoritative_info’, ‘non_authoritative_information’),
204: (‘no_content’,),
205: (‘reset_content’, ‘reset’),
206: (‘partial_content’, ‘partial’),
207: (‘multi_status’, ‘multiple_status’, ‘multi_stati’, ‘multiple_stati’),
208: (‘already_reported’,),
226: (‘im_used’,),

Redirection.
300: (‘multiple_choices’,),
301: (‘moved_permanently’, ‘moved’, ‘\o-’),
302: (‘found’,),
303: (‘see_other’, ‘other’),
304: (‘not_modified’,),
305: (‘use_proxy’,),
306: (‘switch_proxy’,),
307: (‘temporary_redirect’, ‘temporary_moved’, ‘temporary’),
308: (‘permanent_redirect’,
‘resume_incomplete’, ‘resume’,), # These 2 to be removed in 3.0

Client Error.
400: (‘bad_request’, ‘bad’),
401: (‘unauthorized’,),
402: (‘payment_required’, ‘payment’),
403: (‘forbidden’,),
404: (‘not_found’, ‘-o-’),
405: (‘method_not_allowed’, ‘not_allowed’),
406: (‘not_acceptable’,),
407: (‘proxy_authentication_required’, ‘proxy_auth’, ‘proxy_authentication’),
408: (‘request_timeout’, ‘timeout’),
409: (‘conflict’,),
410: (‘gone’,),
411: (‘length_required’,),
412: (‘precondition_failed’, ‘precondition’),
413: (‘request_entity_too_large’,),
414: (‘request_uri_too_large’,),
415: (‘unsupported_media_type’, ‘unsupported_media’, ‘media_type’),
416: (‘requested_range_not_satisfiable’, ‘requested_range’, ‘range_not_satisfiable’),
417: (‘expectation_failed’,),
418: (‘im_a_teapot’, ‘teapot’, ‘i_am_a_teapot’),
421: (‘misdirected_request’,),
422: (‘unprocessable_entity’, ‘unprocessable’),
423: (‘locked’,),
424: (‘failed_dependency’, ‘dependency’),
425: (‘unordered_collection’, ‘unordered’),
426: (‘upgrade_required’, ‘upgrade’),
428: (‘precondition_required’, ‘precondition’),
429: (‘too_many_requests’, ‘too_many’),
431: (‘header_fields_too_large’, ‘fields_too_large’),
444: (‘no_response’, ‘none’),
449: (‘retry_with’, ‘retry’),
450: (‘blocked_by_windows_parental_controls’, ‘parental_controls’),
451: (‘unavailable_for_legal_reasons’, ‘legal_reasons’),
499: (‘client_closed_request’,),

Server Error.
500: (‘internal_server_error’, ‘server_error’, ‘/o\’, ‘?’),
501: (‘not_implemented’,),
502: (‘bad_gateway’,),
503: (‘service_unavailable’, ‘unavailable’),
504: (‘gateway_timeout’,),
505: (‘http_version_not_supported’, ‘http_version’),
506: (‘variant_also_negotiates’,),
507: (‘insufficient_storage’,),
509: (‘bandwidth_limit_exceeded’, ‘bandwidth’),
510: (‘not_extended’,),
511: (‘network_authentication_required’, ‘network_auth’, ‘network_authentication’),

示例：

import requests

response=requests.get("http://www.baidu.com")
exit() if not response.status_code==200 else print("Requests Successfully")

這說明這次請求的狀態(tài)碼為200.

另一種寫法就是把數(shù)字200換位相應(yīng)的字符串內(nèi)容，詳細的對應(yīng)方式見上面列出的關(guān)系。

比如200對應(yīng)著其中一個字符串是“ok”，我們試試：

import requests

response=requests.get("http://www.baidu.com")
exit() if not response.status_code==requests.codes.ok else print("Requests Successfully")

可以看到效果是一樣的，可以根據(jù)實際情況選用。

高級操作

文件上傳

import requests

files={'file':open('favicon.ico','rb')}
#通過files參數(shù)傳入post方法中，實現(xiàn)文件的上傳
response=requests.post("http://httpbin.org/post",files=files)
print(response.text)

這樣通過post請求，我們就完成了文件的上傳，下圖file顯示的就是文件的字節(jié)流了：

獲取cookie

上面提到過，可以直接使用response.cookies就可以打印出cookie了。

實際上cookies是一個列表的形式，我們可以用for循環(huán)把每一個cookie取出來并且打印其key-value：

import requests

response=requests.get("http://www.baidu.com")
print(response.cookies)
for key,value in response.cookies.items():
	print(key+'='+value)

如上圖，非常方便地獲取到了cookie信息。這比起urllib可要方便不少~

會話維持

基本上為了實現(xiàn)“模擬登錄”的功能。

來看例子：

import requests

requests.get('http://httpbin.org/cookies/set/number/123456789')
#通過cookies/set方法來設(shè)置cookie
response=requests.get('http://httpbin.org/cookies')
print(response.text)

咦，cookies為空，和我們想象的不太一樣。這是因為上面那段代碼中發(fā)起了兩次get請求，相當(dāng)于兩個瀏覽器，相互獨立，所以第二次get并不能得到第一次的cookie。

那么需要采用下面的方法，通過聲明Session對象來發(fā)起兩次get請求，視為一個瀏覽器中進行的操作：

import requests

s=requests.Session()
s.get('http://httpbin.org/cookies/set/number/123456789')
#通過cookies/set方法來設(shè)置cookie
response=s.get('http://httpbin.org/cookies')
print(response.text)

這回就成功了~

這個方法是比較常用的，用來模擬一個登錄會話并維持之，這樣就可以獲取登錄后的頁面了。

證書驗證

如果我們要爬取的是一個https協(xié)議的網(wǎng)站，那么網(wǎng)站首先會檢查證書是否是合法的，若非法，會直接拋出SSLError錯誤。如果要避免這種錯誤的話，可以把這個參數(shù)：verify設(shè)置為False就可以了（默認是True）。

先看未設(shè)置的：

import requests
response=requests.get('https://www.12306.cn')
print(response.status_code)

拋出了SSLError錯誤。

再看設(shè)置過的：

import requests


response=requests.get('https://www.12306.cn',verify=False)#把verify參數(shù)置否
print(response.status_code)

如此就返回了200的狀態(tài)碼，說明這個請求是正常的，沒有進行證書認證。

但是仍然會有警告信息，提示你最好加上證書驗證。那么怎么消除這個警告信息呢？

可以從原生包中導(dǎo)入urllib3并使用其中的禁用警告這個方法：

import requests
from requests.packages import urllib3
urllib3.disable_warnings()#禁用警告信息


response=requests.get('https://www.12306.cn',verify=False)
print(response.status_code)

這樣就不會有警告信息了。

怎么手動添加證書呢？

示例：通過cert來指定本地證書

import requests

response=requests.get('https://www.12306.cn',cert=('/path/server.crt','/path/key'))
print(response.status_code)

但由于我這兒沒有本地證書，就不進行演示了。

代理設(shè)置

可以通過字典形式構(gòu)造一個參數(shù)，字典里是你已經(jīng)開通的代理ip。再把參數(shù)傳入get方法即可。

import requests

proxies={
?? ?"http":"http://127.0.0.1:9743",
?? ?"https":"https://127.0.0.1:9743"
}

response=requests.get("https://www.taobao.com",proxies=proxies)
print(response.status_code)

如果代理需要用戶名和密碼的時候怎么辦呢？

我們可以在代理的url前面直接傳一個user：password，后面加個@符號，這樣我們就能傳入用戶名和密碼這個認證信息了：

proxies={
?? ?"http":"http://uesr:password@127.0.0.1:9743/",?? ?
}

那如果代理方式不是https，而是一個socks類型的呢？

首先需要安裝，在命令行執(zhí)行（windows環(huán)境下）：

pip3 install request[socks]

安裝之后就可以使用這種形式的代理了。

import requests

proxies={
?? ?"http":"sock5://127.0.0.1:9743",
?? ?"https":"socks5://127.0.0.1:9743"
}

response=requests.get("https://www.taobao.com",proxies=proxies)
print(response.status_code)

超時設(shè)置

import requests

response=requests.get("https://www.taobao.com",timeout=1)
#設(shè)置一個時間限制，必須在1秒內(nèi)得到應(yīng)答
print(response.status_code)

如果時間超出了限制，就會拋出異常。怎么捕獲這個異常呢？

import requests
from requests.exceptions import ReadTimeout

try:
?? ?response=requests.get("https://httpbin.org/get",timeout=0.5)
?? ?print(response.status_code)
except ReadTimeout:
?? ?print('Timeout')

成功捕獲了這個異常，并進行處理（報信息）。

認證設(shè)置

有的網(wǎng)站在訪問時需要輸入用戶名和密碼，輸入之后才能看到網(wǎng)站的內(nèi)容。

如果遇到這種網(wǎng)站，我們可以通過auth參數(shù)，把用戶名和密碼傳入。

import requests
from requests.auth import HTTPBasicAuth

r=requests.get('http://120.27.34.24:9001',auth=HTTPBasicAuth('user','123'))
#通過auth參數(shù)傳入。
print(r.status_code)

這樣就可以完成一個正常的請求，如果把auth參數(shù)去掉，那么就會返回401參數(shù)（請求被禁止）。

異常處理

異常處理的部分還是比較重要的，它可以保證你的爬蟲不間斷地運行。

原則還是先捕獲子類異常，再捕捉父類異常（RequestException）。

import requests
from requests.exceptions import ReadTimeout,HTTPError,RequestException
try:
	response=requests.get('http://httpbin.org/get',timeout=0.5)
	print(response.status_code)
except ReadTimeout:#捕獲超時異常
	print('Timeout')
except HTTPError:#捕獲HTTP異常
	print('Http error')
except ConnectionError:#捕獲連接異常
	print('Connection error')
except RequestException:#捕獲父類異常
	print('Error')

以上為個人經(jīng)驗，希望能給大家一個參考，也希望大家多多支持腳本之家。

您可能感興趣的文章: