爬虫requests库的基本用法

需要注意的几个点：

1.后面的s是一个虚拟目录

2.url后面不用加问号，发起请求的时候会自动帮你加上问号

get_url = 'http://www.baidu.com/s'

3.

url的特性：url必须是有ASCII编码的数据组成 ASCII表里有的数据

4.

可以将请求携带的参数封装到一个字典中，当作参数传给post或get。
params中可以将携带的非ASCII数据转成ASCII，实际就是调用了urllib3

5.字典里的value必须是字符串形式，如果value是变量，而且变量传进来是其他类型，需要转成整型。

 

一、介绍

#介绍：使用requests可以模拟浏览器的请求，比起之前用到的urllib，requests模块的api更加便捷（本质就是封装了urllib3）

#注意：requests库发送请求将网页内容下载下来以后，并不会执行js代码，这需要我们自己分析目标站点然后发起新的request请求

#安装：pip3 install requests

#各种请求方式：常用的就是requests.get()和requests.post()
>>> import requests
>>> r = requests.get('https://api.github.com/events')
>>> r = requests.post('http://httpbin.org/post', data = {'key':'value'})
>>> r = requests.put('http://httpbin.org/put', data = {'key':'value'})
>>> r = requests.delete('http://httpbin.org/delete')
>>> r = requests.head('http://httpbin.org/get')
>>> r = requests.options('http://httpbin.org/get')

#建议在正式学习requests前，先熟悉下HTTP协议
http://www.cnblogs.com/linhaifeng/p/6266327.html

二、基于GET请求

1、基本请求

import requests
response=requests.get('http:/www.baidu.com/')
print(response.text)

2、带参数的GET请求->params

 1 #在请求头内将自己伪装成浏览器，否则百度不会正常返回页面内容
 2 import requests
 3 response=requests.get('https://www.baidu.com/s?wd=python&pn=1',
 4                       headers={
 5                         'User-Agent':'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/62.0.3202.75 Safari/537.36',
 6                       })
 7 print(response.text)
 8 
 9 
10 #如果查询关键词是中文或者有其他特殊符号，则不得不进行url编码
11 from urllib.parse import urlencode
12 wb = "haiyan海燕"
13 encode_res = urlencode({"k":wb},encoding="utf-8")
14 print(encode_res)  #k=haiyan%E6%B5%B7%E7%87%95
15 keywords = encode_res.split("=")[1]  #haiyan%E6%B5%B7%E7%87%95
16 url = "https://www.baidu.com/s?wd=%s&pn=1"%(keywords)
17 # url = "https://www.baidu.com/s?"+encode_res
18 print(url)
19 # 然后拼接成url
20 response = requests.get(
21     url,
22     headers = {
23         "User-Agent": "Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/63.0.3239.108 Safari/537.36",
24     }
25 )
26 
27 自己拼接GET参数
自己拼接参数
 1 #上述操作可以用requests模块的一个params参数搞定，本质还是调用urlencode
 2 from urllib.parse import urlencode
 3 wd='海燕nnn'
 4 pn=1
 5 
 6 response=requests.get('https://www.baidu.com/s',
 7                       params={
 8                           'wd':wd,
 9                           'pn':pn
10                       },
11                       headers={
12                         'User-Agent':'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/62.0.3202.75 Safari/537.36',
13                       })
14 res2=response.text
15 
16 #验证结果，打开a.html与b.html页面内容一样
17 with open('a.html','w',encoding='utf-8') as f:
18     f.write(res1) 
19 with open('b.html', 'w', encoding='utf-8') as f:
20     f.write(res2)
21 
22 params参数的使用
23 
24 params参数的使用
param参数

 

3、带参数的GET请求->headers

#通常我们在发送请求时都需要带上请求头，请求头是将自身伪装成浏览器的关键，常见的有用的请求头如下
Host
Referer #大型网站通常都会根据该参数判断请求的来源
User-Agent #客户端
Cookie #Cookie信息虽然包含在请求头里，但requests模块有单独的参数来处理他，headers={}内就不要放它了
#添加headers(浏览器会识别请求头,不加可能会被拒绝访问,比如访问https://www.zhihu.com/explore)
import requests
response=requests.get('https://www.zhihu.com/explore')
response.status_code #500


#自己定制headers
headers={
    'User-Agent':'Mozilla/5.0 (Linux; Android 6.0; Nexus 5 Build/MRA58N) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/46.0.2490.76 Mobile Safari/537.36',

}
respone=requests.get('https://www.zhihu.com/explore',
                     headers=headers)
print(respone.status_code) #200

4、带参数的GET请求->cookies

#登录github，然后从浏览器中获取cookies，以后就可以直接拿着cookie登录了，无需输入用户名密码
#用户名:egonlin 邮箱378533872@qq.com 密码lhf@123

import requests

Cookies={   'user_session':'wGMHFJKgDcmRIVvcA14_Wrt_3xaUyJNsBnPbYzEL6L0bHcfc',
}

response=requests.get('https://github.com/settings/emails',
             cookies=Cookies) #github对请求头没有什么限制，我们无需定制user-agent，对于其他网站可能还需要定制


print('378533872@qq.com' in response.text) #True

三、基于POST请求

1、介绍

#GET请求
HTTP默认的请求方法就是GET
     * 没有请求体
     * 数据必须在1K之内！
     * GET请求数据会暴露在浏览器的地址栏中

GET请求常用的操作：
       1. 在浏览器的地址栏中直接给出URL，那么就一定是GET请求
       2. 点击页面上的超链接也一定是GET请求
       3. 提交表单时，表单默认使用GET请求，但可以设置为POST


#POST请求
(1). 数据不会出现在地址栏中
(2). 数据的大小没有上限
(3). 有请求体
(4). 请求体中如果存在中文，会使用URL编码！


#！！！requests.post()用法与requests.get()完全一致，特殊的是requests.post()有一个data参数，用来存放请求体数据

2、发送post请求，模拟浏览器的登录行为

注意：
　1、对于登录来说，应该输错用户名或密码然后分析抓包流程，用脑子想一想，输对了浏览器就跳转了，还分析个毛线，累死你也找不到包

　　2、要做登录的时候一定记得要把cookie先清除； 
　　3、requests.session():中间的cookie都不用自己分析了，有用的没用的都给放进来了、
　　4、response.cookie.get_dict()    #获取cookie

 1 '''
 2 一 目标站点分析
 3     浏览器输入https://github.com/login
 4     然后输入错误的账号密码，抓包
 5     发现登录行为是post提交到：https://github.com/session
 6     而且请求头包含cookie
 7     而且请求体包含：
 8         commit:Sign in
 9         utf8:✓
10         authenticity_token:lbI8IJCwGslZS8qJPnof5e7ZkCoSoMn6jmDTsL1r/m06NLyIbw7vCrpwrFAPzHMep3Tmf/TSJVoXWrvDZaVwxQ==
11         login:egonlin
12         password:123
13 
14 
15 二 流程分析
16     先GET：https://github.com/login拿到初始cookie与authenticity_token
17     返回POST：https://github.com/session， 带上初始cookie，带上请求体（authenticity_token，用户名，密码等）
18     最后拿到登录cookie
19 
20     ps：如果密码时密文形式，则可以先输错账号，输对密码，然后到浏览器中拿到加密后的密码，github的密码是明文
21 '''
22 
23 import requests
24 import re
25 
26 #第一次请求
27 r1=requests.get('https://github.com/login')
28 r1_cookie=r1.cookies.get_dict() #拿到初始cookie(未被授权)
29 authenticity_token=re.findall(r'name="authenticity_token".*?value="(.*?)"',r1.text)[0] #从页面中拿到CSRF TOKEN
30 
31 #第二次请求：带着初始cookie和TOKEN发送POST请求给登录页面，带上账号密码
32 data={
33     'commit':'Sign in',
34     'utf8':'✓',
35     'authenticity_token':authenticity_token,
36     'login':'317828332@qq.com',
37     'password':'alex3714'
38 }
39 r2=requests.post('https://github.com/session',
40              data=data,
41              cookies=r1_cookie
42              )
43 
44 
45 login_cookie=r2.cookies.get_dict()
46 
47 
48 #第三次请求：以后的登录，拿着login_cookie就可以,比如访问一些个人配置
49 r3=requests.get('https://github.com/settings/emails',
50                 cookies=login_cookie)
51 
52 print('317828332@qq.com' in r3.text) #True
53 
54 自动登录github（自己处理cookie信息）
55 
56 自动登录github（自己处理cookie信息）
自动登陆github(自己出来icookie)
 1 import requests
 2 import re
 3 
 4 session=requests.session()
 5 #第一次请求
 6 r1=session.get('https://github.com/login')
 7 authenticity_token=re.findall(r'name="authenticity_token".*?value="(.*?)"',r1.text)[0] #从页面中拿到CSRF TOKEN
 8 
 9 #第二次请求
10 data={
11     'commit':'Sign in',
12     'utf8':'✓',
13     'authenticity_token':authenticity_token,
14     'login':'317828332@qq.com',
15     'password':'alex3714'
16 }
17 r2=session.post('https://github.com/session',
18              data=data,
19              )
20 
21 #第三次请求
22 r3=session.get('https://github.com/settings/emails')
23 
24 print('317828332@qq.com' in r3.text) #True
25 
26  requests.session()自动帮我们保存cookie信息
requests.session自动帮我们保存cookie

 

登录github小应用

import requests
import re
#第一次请求
    # GET请求
    # 请求头
    #    - 获取token和
    #    - User-agent
    #    - cookie
# 第二次请求
    #POST请求
    #请求头
        # referer
        # User-agent
    #请求体
        #获取data
# 第三次请求，登录成功之后
    #- 请求之前自己先登录一下，看一下有没有referer
    #- 请求新的url，进行其他操作
    #- 查看用户名在不在里面
#第一次请求
response1 = requests.get(
    "https://github.com/login",
    headers = {
        "User-Agent":"Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/63.0.3239.108 Safari/537.36",
    },
)
authenticity_token = re.findall('name="authenticity_token".*?value="(.*?)"',response1.text,re.S)
r1_cookies =  response1.cookies.get_dict()
# print(r1_cookies,"cookie")  #获取到的cookie

#第二次请求
response2 = requests.post(
    "https://github.com/session",
    headers = {
        "Referer": "https://github.com/",
        "User-Agent":"Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/63.0.3239.108 Safari/537.36",
    },
    data={
            "commit":"Sign in",
            "utf8":"✓",
            "authenticity_token":authenticity_token,
            "login":"haiyanzzz",
            "password":"xxxx",
zhy..azjash1234
    },
    cookies = r1_cookies
)
print(response2.status_code)
print(response2.history)  #跳转的历史状态码

#第三次请求，登录成功之后，访问其他页面
r2_cookies = response2.cookies.get_dict()  #拿上cookie，知道是你登录了，就开始访问页面
response3 = requests.get(
    "https://github.com/settings/emails",
    headers = {
        "Referer": "https://github.com/",
        "User-Agent": "Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/63.0.3239.108 Safari/537.36",
    },
    cookies = r2_cookies,
)
print(response3.text)
print("haiyanzzz" in response3.text)   #True返回True说明就成功了

3、补充

 1 requests.post(url='xxxxxxxx',
 2               data={'xxx':'yyy'}) #没有指定请求头,#默认的请求头:application/x-www-form-urlencoed
 3 
 4 #如果我们自定义请求头是application/json,并且用data传值, 则服务端取不到值
 5 requests.post(url='',
 6               data={'':1,},
 7               headers={
 8                   'content-type':'application/json'
 9               })
10 
11 
12 requests.post(url='',
13               json={'':1,},
14               ) #默认的请求头:application/json
补充

四、响应Response

1、response属性

import requests
respone=requests.get('http://www.jianshu.com')
# respone属性
print(respone.text)
print(respone.content)

print(respone.status_code)
print(respone.headers)
print(respone.cookies)
print(respone.cookies.get_dict())
print(respone.cookies.items())

print(respone.url)
print(respone.history)

print(respone.encoding)

#关闭：response.close()
from contextlib import closing
with closing(requests.get('xxx',stream=True)) as response:
    for line in response.iter_content():
    pass

 

2、编码问题

#编码问题
import requests
response=requests.get('http://www.autohome.com/news')
# response.encoding='gbk' #汽车之家网站返回的页面内容为gb2312编码的，而requests的默认编码为ISO-8859-1，如果不设置成gbk则中文乱码
print(response.text)

 

3、获取二进制数据

import requests

response=requests.get('https://timgsa.baidu.com/timg?image&quality=80&size=b9999_10000&sec=1509868306530&di=712e4ef3ab258b3
6e9f4b48e85a81c9d&imgtype=0&src=http%3A%2F%2Fc.hiphotos.baidu.com%2Fimage%2Fpic%2Fitem%2F11385343fbf2b211e1fb58a1c08065380dd78e0c.jpg')

with open('a.jpg','wb') as f:
    f.write(response.content)

 

stream参数:一点一点的取,比如下载视频时,如果视频100G,用response.content然后一下子写到文件中是不合理的
 1 requests.post(url='xxxxxxxx',
 2               data={'xxx':'yyy'}) #没有指定请求头,#默认的请求头:application/x-www-form-urlencoed
 3 
 4 #如果我们自定义请求头是application/json,并且用data传值, 则服务端取不到值
 5 requests.post(url='',
 6               data={'':1,},
 7               headers={
 8                   'content-type':'application/json'
 9               })
10 
11 
12 requests.post(url='',
13               json={'':1,},
14               ) #默认的请求头:application/json
获取二进制流(iter_content)

 

4、解析json

#解析json
import requests
response=requests.get('http://httpbin.org/get')

import json
res1=json.loads(response.text) #太麻烦

res2=response.json() #直接获取json数据


print(res1 == res2) #True

 

 

5、Redirection and History

 1 By default Requests will perform location redirection for all verbs except HEAD.
 2 
 3 We can use the history property of the Response object to track redirection.
 4 
 5 The Response.history list contains the Response objects that were created in order to complete the request. The list is sorted from the oldest to the most recent response.
 6 
 7 For example, GitHub redirects all HTTP requests to HTTPS:
 8 
 9 >>> r = requests.get('http://github.com')
10 
11 >>> r.url
12 'https://github.com/'
13 
14 >>> r.status_code
15 
16 >>> r.history
17 [<Response [301]>]
18 If you're using GET, OPTIONS, POST, PUT, PATCH or DELETE, you can disable redirection handling with the allow_redirects parameter:
19 
20 >>> r = requests.get('http://github.com', allow_redirects=False)
21 
22 >>> r.status_code
23 
24 >>> r.history
25 []
26 If you're using HEAD, you can enable redirection as well:
27 
28 >>> r = requests.head('http://github.com', allow_redirects=True)
29 
30 >>> r.url
31 'https://github.com/'
32 
33 >>> r.history
34 [<Response [301]>]
35 
36 先看官网的解释
View Code

 

 

import requests
import re

#第一次请求
r1=requests.get('https://github.com/login')
r1_cookie=r1.cookies.get_dict() #拿到初始cookie(未被授权)
authenticity_token=re.findall(r'name="authenticity_token".*?value="(.*?)"',r1.text)[0] #从页面中拿到CSRF TOKEN

#第二次请求：带着初始cookie和TOKEN发送POST请求给登录页面，带上账号密码
data={
    'commit':'Sign in',
    'utf8':'✓',
    'authenticity_token':authenticity_token,
    'login':'317828332@qq.com',
    'password':'alex3714'
}




#测试一：没有指定allow_redirects=False,则响应头中出现Location就跳转到新页面，r2代表新页面的response
r2=requests.post('https://github.com/session',
             data=data,
             cookies=r1_cookie
             )

print(r2.status_code) #200
print(r2.url) #看到的是跳转后的页面
print(r2.history) #看到的是跳转前的response
print(r2.history[0].text) #看到的是跳转前的response.text


#测试二：指定allow_redirects=False,则响应头中即便出现Location也不会跳转到新页面，r2代表的仍然是老页面的response
r2=requests.post('https://github.com/session',
             data=data,
             cookies=r1_cookie,
             allow_redirects=False
             )


print(r2.status_code) #302
print(r2.url) #看到的是跳转前的页面https://github.com/session
print(r2.history) #[]

利用github登录后跳转到主页面的例子来验证它

 

五、高级用法

1、SSL Cert Verification

 1 #证书验证(大部分网站都是https)
 2 import requests
 3 respone=requests.get('https://www.12306.cn') #如果是ssl请求,首先检查证书是否合法,不合法则报错,程序终端
 4 
 5 
 6 #改进1:去掉报错,但是会报警告
 7 import requests
 8 respone=requests.get('https://www.12306.cn',verify=False) #不验证证书,报警告,返回200
 9 print(respone.status_code)
10 
11 
12 #改进2:去掉报错,并且去掉警报信息
13 import requests
14 from requests.packages import urllib3
15 urllib3.disable_warnings() #关闭警告
16 respone=requests.get('https://www.12306.cn',verify=False)
17 print(respone.status_code)
18 
19 #改进3:加上证书
20 #很多网站都是https,但是不用证书也可以访问,大多数情况都是可以携带也可以不携带证书
21 #知乎\百度等都是可带可不带
22 #有硬性要求的,则必须带，比如对于定向的用户,拿到证书后才有权限访问某个特定网站
23 import requests
24 respone=requests.get('https://www.12306.cn',
25                      cert=('/path/server.crt',
26                            '/path/key'))
27 print(respone.status_code)
View Code

 

2、使用代理

 1 #官网链接: http://docs.python-requests.org/en/master/user/advanced/#proxies
 2 
 3 #代理设置:先发送请求给代理,然后由代理帮忙发送(封ip是常见的事情)
 4 import requests
 5 proxies={
 6     'http':'http://egon:123@localhost:9743',#带用户名密码的代理,@符号前是用户名与密码
 7     'http':'http://localhost:9743',
 8     'https':'https://localhost:9743',
 9 }
10 respone=requests.get('https://www.12306.cn',
11                      proxies=proxies)
12 
13 print(respone.status_code)
14 
15 
16 
17 #支持socks代理,安装:pip install requests[socks]
18 import requests
19 proxies = {
20     'http': 'socks5://user:pass@host:port',
21     'https': 'socks5://user:pass@host:port'
22 }
23 respone=requests.get('https://www.12306.cn',
24                      proxies=proxies)
25 
26 print(respone.status_code)
View Code

 

3、超时设置

1 #超时设置
2 #两种超时:float or tuple
3 #timeout=0.1 #代表接收数据的超时时间
4 #timeout=(0.1,0.2)#0.1代表链接超时  0.2代表接收数据的超时时间
5 
6 import requests
7 respone=requests.get('https://www.baidu.com',
8                      timeout=0.0001)
View Code

 

4、 认证设置

 1 #官网链接：http://docs.python-requests.org/en/master/user/authentication/
 2 
 3 #认证设置:登陆网站是,弹出一个框,要求你输入用户名密码（与alter很类似），此时是无法获取html的
 4 # 但本质原理是拼接成请求头发送
 5 #         r.headers['Authorization'] = _basic_auth_str(self.username, self.password)
 6 # 一般的网站都不用默认的加密方式，都是自己写
 7 # 那么我们就需要按照网站的加密方式，自己写一个类似于_basic_auth_str的方法
 8 # 得到加密字符串后添加到请求头
 9 #         r.headers['Authorization'] =func('.....')
10 
11 #看一看默认的加密方式吧，通常网站都不会用默认的加密设置
12 import requests
13 from requests.auth import HTTPBasicAuth
14 r=requests.get('xxx',auth=HTTPBasicAuth('user','password'))
15 print(r.status_code)
16 
17 #HTTPBasicAuth可以简写为如下格式
18 import requests
19 r=requests.get('xxx',auth=('user','password'))
20 print(r.status_code)
View Code

 

5、异常处理

 1 #异常处理
 2 import requests
 3 from requests.exceptions import * #可以查看requests.exceptions获取异常类型
 4 
 5 try:
 6     r=requests.get('http://www.baidu.com',timeout=0.00001)
 7 except ReadTimeout:
 8     print('===:')
 9 # except ConnectionError: #网络不通
10 #     print('-----')
11 # except Timeout:
12 #     print('aaaaa')
13 
14 except RequestException:
15     print('Error')
View Code

 

6、上传文件

1  import requests
2  files={'file':open('a.jpg','rb')}
3  respone=requests.post('http://httpbin.org/post',files=files)
4  print(respone.status_code)
View Code

 

 




posted @ 2018-10-04 14:45  Roc_Atlantis  阅读(544)  评论(0)  编辑  收藏  举报