Requests: 讓 HTTP 服務人類
學習一時爽,一直學習一直爽
Hello,大家好,我是Connor,一個從無到有的技術小白。今天我們繼續來說我們的 Python 爬蟲,上一次我們說到了 urllib
與 urllib3
,不知道大家看了以後有何感想,今天我們來繼續聊聊 Python爬蟲中的另一個常用庫——requests,相信你今天看了這篇文章以後一定有想要揍我的衝動。
1.request 的簡介
上一篇文章介紹了Python的網絡請求庫 urllib
和 urllib3
的使用方法,那麼,作爲同樣是網絡請求庫的 Requests
,相較於 urllib
與 urllib3
,它有哪些優勢呢?
Requests 唯一的一個非轉基因的 Python HTTP 庫,人類可以安全享用。 警告:非專業使用其他 HTTP 庫會導致危險的副作用,包括:安全缺陷症、冗餘代碼症、重新發明輪子症、啃文檔症、抑鬱、頭疼、甚至死亡。 ——requests官方文檔
Emmn… 官方吐槽最爲致命,從requests的話中,你就可以看得出它是多麼的偉大了。
requests
還是少有的被官方推薦的庫,在 urllib.request
的文檔中,有這樣的一句話來推薦 requests
:
The Requests packageis recommended for a higher-level HTTP client interface.
urllib
做爲Python的標準庫,因爲歷史原因,使用的方式可以說是非常的麻煩而複雜的,而且官方文檔也十分的簡陋,常常需要去查看源碼。與之相反的是,Requests
的使用方式非常的簡單、直觀、人性化,讓程序員的精力完全從庫的使用中解放出來。
吹牛皮吹了這麼久,那麼requests
庫究竟可以強大到什麼地方呢?Twitter、Spotify、Microsoft、Amazon、Lyft、BuzzFeed、Reddit、NASA、Amazon、Google、Twilio、Mozilla、Heroku、PayPal、NPR、Obama for America、Transifex、Native Instruments、Washington Post、Twitter、SoundCloud、Kippt、Readability、以及若干不願公開身份的聯邦政府機構都在內部使用。
怎麼樣,是不是有了一種想要打我的衝動了?這麼好的庫居然不早點拿出來說,藏着掖着的…其實 requests
是非常少有的配備有官方中文文檔的第三方庫,如果有需要的話你也可以去看看他們的官方文檔 點我走起>>>
2.requests 的使用
百度五分鐘解決問題,羣裏吹牛逼倆小時,哈哈哈,貌似今天你百度也要跟着吹牛兩小時了,下面我們說點正經了,看看requests
到底應該怎麼使用吧:
2.1 requests 的簡單使用
如果你想使用request訪問一個頁面的話,那麼你可以直接這樣:
In [1]: import requests
In [2]: resp = requests.get('https://www.baidu.com')
In [3]: resp.status_code
Out[3]: 200
In [4]: resp.encoding
Out[4]: 'ISO-8859-1'
In [5]: resp.headers['Date']
Out[5]: 'Mon, 07 Jan 2019 07:30:15 GMT'
可以看到,無論是發起請求還是響應處理,都是非常直觀明瞭的。requests
目前可以滿足所有的請求需求,所以相較 urllib
與 urllib3
而言,大家還是更加喜歡使用 requests
庫來發起訪問。
2.2 requests 的安裝
requests
的安裝方式與所有的第三方庫的安裝方式都是相同的,你可以直接用 pip 進行安裝
pip install requests
2.3 requests 的使用
requests
的請求不再像urllib
一樣需要去構造各種Request、opener和handler,使用requests
構造的方法,並在其中傳入需要的參數即可。
2.3.1 發起請求
在 reqeuest
模塊中,每一種method方法都有對應的封裝好的函數供你使用,比如說,進行GET請求的時候,你可以直接使用 get()
方法:
In [1]: import requests
In [2]: resp = requests.get('https://www.baidu.com')
而當你需要進行POST請求的時候,你可以直接使用封裝好了的 post()
方法來進行訪問:
In [3]: resp = requests.post('https://www.baidu.com',
data = {'hello': 'world'})
其它的請求方式也都有相對應的請求方法來進行請求,如下:
In [4]: resp = requests.put('http://httpbin.org/put', data = {'key':'value'})
In [5]: resp = requests.delete('http://httpbin.org/delete')
In [6]: resp = requests.head('http://httpbin.org/get')
In [7]: resp = requests.options('http://httpbin.org/get')
雖然上述的幾種方法並不常用,但是 requests
官方依舊很人性化的將它們都封裝了進去。
2.3.2 傳遞 URL 參數
傳遞URL參數的時候再也不用使用 urllib
中的方法來將URL拼接起來了,它和 urllib3
的方式一致,直接將要拼接的 URL 構造成字典,傳遞給 params參數即可,和 urllib3
中的 request
方法中的 field
屬性一致:
In [1]: import requests
In [2]: params = {'searchtype': '1', 'bookname': 'Detroit'}
In [3]: resp = requests.get('https://httpbin.org/get', params=params)
In [4]: resp.url
Out[4]: 'https://httpbin.org/get?searchtype=1&bookname=Detroit'
可以清晰的看到,request
自動幫我們把 params
參數拼接到了一起。當然,有的時候我們也會遇到同名不同值的參數,但是python語法中並不支持鍵名的重複,這個時候我們可以把屬性名相同的參數變成一個列表,request會自動的幫我們把它們拼接到一起:
In [1]: import requests
In [2]: params = {'name': 'Connor', 'others': ['abc', 'def']}
In [3]: resp = requests.get('https://www.httpbin.org/get', params=params)
In [4]: resp.url
Out[4]: 'https://www.httpbin.org/get?name=Connor&others=abc&others=def'
2.3.3 自定義headers
毫無疑問,requests
也能夠設置 headers
參數,這是章口就萊的事,下面我們來看看如何設置 headers
:
import requests
datas = {'name': 'Connor', 'age': '22', 'height': '166'}
headers = {'User-Agent': 'ABCDE'}
resp = requests.post('https://www.httpbin.org/post', headers=headers, data=datas)
print(resp.json()['headers'])
運行之後的結果如下:
{'Accept': '*/*', 'Accept-Encoding': 'gzip, deflate', 'Connection': 'close', 'Content-Length': '29', 'Content-Type': 'application/x-www-form-urlencoded', 'Host': 'www.httpbin.org', 'User-Agent': 'ABCDE'}
可以明顯的看到,我們的 User-Agent
屬性已經變成了之前設定的 ABCDE,還是非常簡單的
2.3.4 自定義Cookies
reqeusts
還可以幫我們構建cookie,我們不用再創建CookieJar對象了,直接將你的 Cookie傳遞給Cookies參數即可:
In [1]: import requests
In [2]: url = 'https://www.httpbin.org/cookies'
In [3]: cook = {'leijun': 'Are you OK?'}
In [4]: resp = requests.get(url, cookies=cook)
In [5]: resp.text
Out[5]: '{\n "cookies": {\n "leijun": "Are you OK?"\n }\n}\n'
2.3.5 設置代理
requests
連cookie都幫我們構建了,當然也少不了代理的構建,當我們需要使用代理的時候需要把構造的字典傳遞給 proxies
參數即可
import requests
url = 'https://www.httpbin.org/ip'
datas = {'name': 'Connor', 'age': '22', 'height': '166'}
headers = {'User-Agent': 'ABCDE'}
proxy = {'http': 'http://110.52.235.90:9999', 'https': 'https://110.52.235.90:9999'}
resp1 = requests.get(url)
resp2 = requests.get(url, proxies=proxy)
print(resp1.text, resp2.text)
運行之後的結果如下:
{"origin": "221.192.178.130"}
{"origin": "110.52.235.90"}
2.3.6 重定向
再網絡請求中,我們常常會遇到狀態碼是3開頭的重定向問題,在 requests
中默認是開啓重定向的,即當我們遇到重定向的時候,reqeusts
會自動幫我們繼續訪問,你也可以手動關閉重定向:
In [1]: import requests
In [2]: url = 'http://www.jianshu.com'
In [3]: resp = requests.get(url, allow_redirects=False)
In [4]: resp.status_code
Out[4]: 301
2.3.7 證書驗證
有些時候,當我們使用了抓包工具的時候,由於抓包工具提供的證書不是受信任的數字證書頒發機構頒發的,所以會導致證書驗證失敗,這時我們應該關閉證書驗證。
在請求的時候,我們可以關閉證書驗證,只需要將 verify
屬性設置爲 False
即可:
In [1]: import requests
In [2]: resp = requests.get('https://www.baidu.com', verify=False)
d:\software\python\python\lib\site-packages\urllib3\connectionpool.py:847: InsecureRequestWarning: Unverified HTTPS request is being made. Adding certificate verification is strongly advised. See: https://urllib3.readthedocs.io/en/latest/advanced-usage.html#ssl-warnings
InsecureRequestWarning)
這個時候你會發現,關閉驗證後會有一個煩人的847警告,你可以使用以下方式來關閉警告:
from requests.packages.urllib3.exceptions import InsecureRequestWarning
# 禁用安全請求警告
requests.packages.urllib3.disable_warnings(InsecureRequestWarning)
2.3.8 設置超時
當我們訪問一個網站的時候,如果訪問時間太久,或者響應時間太長,可能對我們的效率有很大的影響,這個時候我們可以設置超時時間,放棄一些數據來提升爬蟲的效率。你只需要爲其設置timeout
參數即可:
In [1]: import requests
In [2]: requests.get('http://github.com', timeout=0.001)
Traceback (most recent call last):
File "<stdin>", line 1, in <module>
requests.exceptions.Timeout: HTTPConnectionPool(host='github.com', port=80): Request timed out. (timeout=0.001)
2.4 requests的響應
通過 requests
發起請求得到的對象是 Resopnse
對象,通過這個對象我們可以方便的獲取響應的內容。
2.4.1 響應內容
在上一式我們講述 urllib
與 urllib3
的時候,我們獲取到的內容是二進制格式的,這個時候需要我們自己手動的 decode()
將二進制的bytes數據轉換成我們可以讀懂的字符串數據。但是在 requests
中,它的 text
屬性會主動的通過可能的方式幫我們解碼:
In [1]: import requests
In [2]: url = 'https://www.httpbin.org/get'
In [3]: resp = requests.get(url)
In [4]: resp.text
Out[4]: '{\n "args": {}, \n "headers": {\n "Accept": "*/*", \n "Accept-Encoding": "gzip, deflate", \n "Connection": "close", \n "Host": "www.httpbin.org", \n "User-Agent": "python-requests/2.21.0"\n }, \n "origin": "221.192.178.130", \n "url": "https://www.httpbin.org/get"\n}\n'
requests
會主動的幫我們進行解碼,它會通過響應的報頭來猜測網頁的編碼是什麼,然後根據猜測的編碼來解碼網頁的內容。大部分的網頁他都能夠正確的解碼,但也有解碼不正確的時候,如果發現解碼不正確了,我們就需要自己來手動的指定解碼的編碼格式:
import requests
url = 'http://www.quanshuwang.com/'
resp = requests.get(url)
resp.encoding = 'GBK'
print(resp.text)
在這裏我給大家推薦一個其他的python自帶的庫,這個庫也是在猜測網頁的編碼格式,但是這個庫的準確率更高一些吧。況且我們每次指定解碼格式就要求我們去看網頁的編碼格式。像新浪微博這樣的網站,它在無序可視化的頁面上使用的是 GBK 編碼格式,在需要可視的頁面上的編碼格式是 UTF-8,我們不希望每次訪問都手動的去更改它的編碼格式,這個時候就用下面這種方法:
這個時候,我們可以使用 chardet
中的 detect
方法:
import requests
import chardet
url = 'https://www.httpbin.org/get'
resp = requests.get(url)
resp.encoding = chardet.detect(resp.content)
print(resp.text)
如果你需要獲得網頁的原始二進制數據的時候,那麼使用 content
屬性即可:
In [1]: import requests
In [2]: url = 'https://www.httpbin.org/get'
In [3]: resp = requests.get(url)
In [4]: resp.content
Out[4]: b'{\n "args": {}, \n "headers": {\n "Accept": "*/*", \n "Accept-Encoding": "gzip, deflate", \n "Connection": "close", \n "Host": "www.httpbin.org", \n "User-Agent": "python-requests/2.21.0"\n }, \n "origin": "221.192.178.130", \n "url": "https://www.httpbin.org/get"\n}\n'
如果我們訪問之後獲得的數據是JSON格式的,那麼我們可以使用json()
方法,直接獲取轉換成字典格式的數據:
In [1]: import requests
In [2]: url = 'https://www.httpbin.org/get'
In [3]: resp = requests.get(url)
In [4]: resp.json()
Out[4]:
{'args': {},
'headers': {'Accept': '*/*',
'Accept-Encoding': 'gzip, deflate',
'Connection': 'close',
'Host': 'www.httpbin.org',
'User-Agent': 'python-requests/2.21.0'},
'origin': '221.192.178.130',
'url': 'https://www.httpbin.org/get'}
2.4.2 狀態碼
有時候我們過於頻繁的訪問一個網址之後,或者某些網站對訪問速度有限制的話,那我們應該判斷以下響應的狀態碼,然後再判斷是否需要數據的提取。你可以通過 status_code
屬性來獲取響應的狀態碼:
In [1]: import requests
In [2]: url = 'https://www.httpbin.org/get'
In [3]: resp = requests.get(url)
In [4]: resp.status_code
Out[4]: 200
2.4.3 響應報頭
當我們進行了訪問之後,如果你想查看該網頁的響應報頭,那麼你可以通過 headers
屬性來查看你的響應報頭:
In [1]: import requests
In [2]: url = 'https://www.httpbin.org/get'
In [3]: resp = requests.get(url)
In [4]: resp.headers
Out[4]: {'Connection': 'keep-alive', 'Server': 'gunicorn/19.9.0', 'Date': 'Mon, 07 Jan 2019 11:36:04 GMT', 'Content-Type': 'application/json', 'Content-Length': '277', 'Access-Control-Allow-Origin': '*', 'Access-Control-Allow-Credentials': 'true', 'Via': '1.1 vegur'}
2.4.4 服務器返回的cookies
你可以通過響應對象的 cookies
屬性來獲取服務器返回的 cookies
:
In [1]: import requests
In [2]: url = 'https://www.httpbin.org/get'
In [3]: resp = requests.get(url)
In [4]: resp.cookies
Out[4]: <RequestsCookieJar[]>
返回的cookies是一個CookieJar對象,如果你想使用這個cookie,你還是需要構建CookieJar對象。cookies
在後續的內容裏我會專門抽出一節課來講這個的,這裏我們掠過,只需要知道通過 cookie
屬性可以獲取從網頁上訪問的 cookies
即可。
2.4.5 url
你也可以通過 url
屬性來查看響應的url,你可以通過這種方式來判斷網頁是否進行了重定向等各類操作:
In [1]: import requests
In [2]: url = 'http://www.jianshu.com'
In [3]: resp = requests.get(url)
In [4]: resp.url
Out[4]: 'https://www.jianshu.com'
2.5 Session對象
2.5.1 Session 的簡單使用
在 requests
中,實現了 Session
會話功能,當我們使用 Session
的時候,能夠像瀏覽器一樣,在沒有關閉瀏覽器的時候,保持訪問的狀態,這個功能常常用於登陸之後,可以避免我們一次又一次的傳遞 cookies。session
其實非常的簡單易用,它和 requests
對象幾乎沒有任何的差別,requests
的常用方法在 session
這裏依舊適用。下面我們舉一個簡單的例子:
import requests
url = 'https://www.httpbin.org/cookies'
session = requests.session()
resp = sesssion.get('https://www.httpbin.org/get')
print(resp.text)
運行結果如下:
{"args": {}, "headers": {"Accept": "*/*", "Accept-Encoding": "gzip, deflate", "Connection": "close", "Cookie": "eare=https://www.httpbin.org", "Host": "www.httpbin.org", "User-Agent": "python-requests/2.20.0"}, "origin": "221.192.178.173", "url": "https://www.httpbin.org/get"}
從上面的運行結果中我們可以看到,session
操作起來還是非常容易上手的,它的方法和requests
的用法幾乎是完全一致的。當然 session
也有自己更爲獨有的功能,下面我們一起來看看它還有哪些其它的功能:
2.5.2 updata方法
既然之前我們說 session
是一個可以大大提高效率的工具,可以保持一些數據,不用頻繁的重複傳參,那我們來試試看:
import requests
url = 'https://www.httpbin.org/cookies'
session = requests.session()
cook = {'eare': 'https://www.httpbin.org'}
resp = session.get(url, cookies=cook)
print(resp.text)
resp = session.get('https://www.httpbin.org/get')
print(resp.text)
運行後的結果如下:
{"cookies": {"eare": "https://www.httpbin.org"}}
{"args": {}, "headers": {"Accept": "*/*", "Accept-Encoding": "gzip, deflate", "Connection": "close", "Host": "www.httpbin.org", "User-Agent": "python-requests/2.20.0"}, "origin": "221.192.178.173", "url":"https://www.httpbin.org/get"}
通過上面的結果我們會發現,第二次訪問的時候並沒有維持第一次訪問時設置的 session
啊,這是爲什麼呢?難道是session的 doman
有問題?不是的,通過單次訪問傳參的方式來添加參數是不會對下一次訪問起作用的,這個時候我們需要使用一個方法 session.args.updata()
:
import requests
url = 'https://www.httpbin.org/cookies'
session = requests.session()
cook = {'eare': 'https://www.httpbin.org'}
session.cookies.update(cook)
resp = session.get(url)
print(resp.text)
resp = session.get('https://www.httpbin.org/get')
print(resp.text)
這次我們再來看運行結果:
{"cookies": {"eare": "https://www.httpbin.org"}}
{"args": {}, "headers": {"Accept": "*/*", "Accept-Encoding": "gzip, deflate", "Connection": "close", "Cookie": "eare=https://www.httpbin.org", "Host": "www.httpbin.org", "User-Agent": "python-requests/2.20.0"}, "origin": "221.192.178.173", "url": "https://www.httpbin.org/get"}
這一次我們明顯的發現了第二次訪問的時候帶上了第一次設置的 cookie
參數,這樣設置的話我們之後的每次訪問都無需再次傳參了。當然,前提是在同一個域名下的訪問。關於 cookie
的作用域的問題,我在之前的文章:Python 爬蟲十六式 - 第一式:HTTP協議 >>> 中已經寫到過了,如果看不懂的話請參照該文章。
在上面的內容中,有一點尤爲需要注意: session.args.updata()
並不指實際的方法,這只是一類參數的統稱,個人的命名習慣,如有錯誤,歡迎指出! session.args.updata()
包括如下的幾種參數:
名稱 | 作用 |
---|---|
headers | 設置session的請求頭參數 |
cookies | 設置session的cookies |
params | 設置session的url拼接參數 |
proxies | 設置session的proxy代理 |
2.5.3 Session.verify
session
當然也爲我們提供了批量管理驗證的方法,這與 requests
中的管理方式幾乎相同,但和 session
的其它參數的管理相比又有所不同。session.verify 是一個屬性,它是一個 Boolean
型的變量,你只需要將它設置爲 False
即可關閉 session
對象的所有證書驗證:
import requests
url = 'https://www.httpbin.org/user-agent'
session = requests.session()
head = {'User-Agent': 'ABCDE'}
session.verify = False
session.headers.update(head)
resp = session.get(url)
print(resp.text)
運行結果如下:
py:847: InsecureRequestWarning: Unverified HTTPS request is being made. Adding certificate verification is strongly advised. See: https://urllib3.readthedocs.io/en/latest/advanced-usage.html#ssl-warnings
InsecureRequestWarning)
{"user-agent": "ABCDE"}
嗯,又看到了煩人的 847報錯,想要關閉它的話查看本文第2.3.7節證書驗證,裏面有如何關閉證書驗證警告的方法,點我直達
好啦,到這裏我們就說完 requests
的使用了,不知道你學到了多少東西,但是依舊希望這些東西對你有幫助,最後還是那句話送給大家:
學習一時爽, 一直學習一直爽!
我是一個從無到有的技術小白,Connor,我們下期再見!
系列文章連接:
Python 爬蟲十六式 - 第一式:HTTP協議 >>>
Python 爬蟲十六式 - 第二式:urllib 與 urllib3 >>>