爬虫 之 requests
Requests
安装pip install requests
官方设计原则:让HTTP服务于人类
一、常用方法
import requests
url = "http://www.httpbin.org/get"
headers = {"User-Agent":"Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/76.0.3809.100 Safari/537.36"}
res = requests.get(url, headers=headers)
print(res.encoding) # 获取字符编码
print(res.text) # 获取HTML字符串
print(res.content) # 以二进制形式打开
print(res.status_code) # 获取响应状态码
print(res.url) # 获取响应URL
汇总:
encoding # 响应字符编码
text # 字符串
content # 字节流
status_code # HTTP响应码
url # 实际数据的URL地址
示例:
保存图片到本地
url为https://inews.gtimg.com/newsapp_bt/0/10186045426/1000
import requests url = "https://inews.gtimg.com/newsapp_bt/0/10186045426/1000" headers = {"User-Agent":"Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1; SV1; QQDownload 732; .NET4.0C; .NET4.0E"} res = requests.get(url=url, headers=headers).content with open("demo.jpg", "wb") as f: f.write(res)
字符编码也是使用
urllib.parse.urlencode()
1. GET
requests.get()
1.1 params
查询参数
1.1.1 参数类型
字典类型,字典中键值对作为查询参数
params = {
"kw":"泰勒·斯威夫特吧"
"pn":50
}
无需编码,requests模块会将其封装好请求
1.1.2 使用方法
res = requests.get(url, params, headers=headers)
1.1.3 特点
- URL为基准的URL地址,不包含查询参数
- 该方法会自动对params字典编码,然后和url拼接
1.1.4 示例
import requests
#基准的URL地址
base_url = "http://www.baidu.com/s?"
# 查询参数
params = {
"kw":"泰勒·斯威夫特吧",
"pn":50
}
# 请求头
headers = {
"User-Agent":"Mozilla/5.0"
}
res = requests.get(url=base_url, params=params, headers=headers)
print(res.content.decode("utf-8", "ignore"))
1.2 auth
Web客户端认证
1.2.1 特点
- 针对于需要web客户端用户名密码认证的网站
auth = ('username','password')
1.2.3 使用
import requests
from config import *
base_url = "http://code.tarena.com.cn/AIDCode/aid1903/12-spider/spider_day{}_note.zip"
auth = (USERNAME, PASSWD)
headers = {"User-Agent":"Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/78.0.3895.5 Safari/537.36"}
def down():
for day in range(1,11):
day = str(day).zfill(2)
url = base_url.format(day)
try:
res = requests.get(url=url, auth=auth, headers=headers).content
filename = url.split("/")[-1]
with open(filename, "wb") as f:
f.write(res)
print(filename, "OK")
except Exception:
print("资源不存在")
down()
# 配置文件
USERNAME = ""
PASSWD = ""
1.3 verify
证书认证参数
1.3.1 使用场景
- 适用网站: https类型网站但是没有经过 证书认证机构 认证的网站
- 适用场景: 抛出 SSLError 异常则考虑使用此参数
1.3.2 参数类型
- verify=True(默认) : 检查证书认证
- verify=False(常用): 忽略证书认证
1.3.3 示例
response = requests.get(
url=url,
params=params,
headers=headers,
verify=False
)
1.4 proxies
代理参数
2. POST
携带form-data请求server
控制台介绍
-
打开浏览器,F12打开控制台,找到Network选项卡
-
控制台常用选项
-
Network: 抓取网络数据包
-
ALL: 抓取所有的网络数据包
-
XHR:抓取异步加载的网络数据包
-
JS : 抓取所有的JS文件
-
-
Sources: 格式化输出并打断点调试JavaScript代码,助于分析爬虫中一些参数
-
Console: 交互模式,可对JavaScript中的代码进行测试
-
-
抓取具体网络数据包后
-
单击左侧网络数据包地址,进入数据包详情,查看右侧
-
右侧:
-
Headers: 整个请求信息
General、Response Headers、Request Headers、Query String、Form Data
-
Preview: 对响应内容进行预览
-
Response:响应内容
-
-
2.1data
data = {key:value} # 构造form-data
response = requests.post(url,data=data,headers=headers)
# data :post数据(Form表单数据-字典格式)
2.1.1 特点
GET请求 : 参数在URL地址中有显示
POST请求: Form表单提交数据
2.1.2 案例
有道翻译破解案例(post)
二、高级用法
1. 会话保持
步骤:
- 寻找POST地址(一般在form表单的action属性)
- 发送用户名和密码,用session保持登录
步骤:
- 实例化session对象
session = requests.session()
- POST表单中的action地址,注意携带data
- GET主页地址
# 实例化session对象
session = requests.session()
# 先POST form中的action地址
session.post(url=post_url, data=data, headers=headers)
# 再GET
html = session.get(url=get_url, headers=headers).text