Python爬虫利器一之Requests库的用法

注：Python 版本依然基于 2.7

官方文档

以下内容大多来自于官方文档，本文进行了一些修改和总结。要了解更多可以参考

官方文档

安装

利用 pip 安装

 

1	$ pip install requests

或者利用 easy_install

 

1	$ easy_install requests

通过以上两种方法均可以完成安装。

引入

首先我们引入一个小例子来感受一下

 

1 2 3 4 5 6 7 8

import requests   r = requests.get('http://cuiqingcai.com') print type(r) print r.status_code print r.encoding #print r.text print r.cookies

以上代码我们请求了本站点的网址，然后打印出了返回结果的类型，状态码，编码方式，Cookies等内容。

运行结果如下

 

1 2 3 4

<class 'requests.models.Response'> 200 UTF-8 <RequestsCookieJar[]>

怎样，是不是很方便。别急，更方便的在后面呢。

基本请求

requests库提供了http所有的基本请求方式。例如

 

1 2 3 4 5

r = requests.post("http://httpbin.org/post") r = requests.put("http://httpbin.org/put") r = requests.delete("http://httpbin.org/delete") r = requests.head("http://httpbin.org/get") r = requests.options("http://httpbin.org/get")

嗯，一句话搞定。

基本GET请求

最基本的GET请求可以直接用get方法

 

1	r = requests.get("http://httpbin.org/get")

如果想要加参数，可以利用 params 参数

 

1 2 3 4 5

import requests   payload = {'key1': 'value1', 'key2': 'value2'} r = requests.get("http://httpbin.org/get", params=payload) print r.url

运行结果

 

1	http://httpbin.org/get?key2=value2&key1=value1

如果想请求JSON文件，可以利用 json() 方法解析

例如自己写一个JSON文件命名为a.json，内容如下

 

1 2 3

["foo", "bar", {   "foo": "bar" }]

利用如下程序请求并解析

 

1 2 3 4 5

import requests   r = requests.get("a.json") print r.text print r.json()

运行结果如下，其中一个是直接输出内容，另外一个方法是利用 json() 方法解析，感受下它们的不同

 

1 2 3 4

["foo", "bar", { "foo": "bar" }] [u'foo', u'bar', {u'foo': u'bar'}]

如果想获取来自服务器的原始套接字响应，可以取得 r.raw 。 不过需要在初始请求中设置 stream=True 。

 

1 2 3 4 5

r = requests.get('https://github.com/timeline.json', stream=True) r.raw <requests.packages.urllib3.response.HTTPResponse object at 0x101194810> r.raw.read(10) '\x1f\x8b\x08\x00\x00\x00\x00\x00\x00\x03'

这样就获取了网页原始套接字内容。

如果想添加 headers，可以传 headers 参数

 

1 2 3 4 5 6

import requests   payload = {'key1': 'value1', 'key2': 'value2'} headers = {'content-type': 'application/json'} r = requests.get("http://httpbin.org/get", params=payload, headers=headers) print r.url

通过headers参数可以增加请求头中的headers信息

基本POST请求

对于 POST 请求来说，我们一般需要为它增加一些参数。那么最基本的传参方法可以利用 data 这个参数。

 

1 2 3 4 5

import requests   payload = {'key1': 'value1', 'key2': 'value2'} r = requests.post("http://httpbin.org/post", data=payload) print r.text

运行结果

 

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19

{   "args": {},   "data": "",   "files": {},   "form": {     "key1": "value1",     "key2": "value2"   },   "headers": {     "Accept": "*/*",     "Accept-Encoding": "gzip, deflate",     "Content-Length": "23",     "Content-Type": "application/x-www-form-urlencoded",     "Host": "httpbin.org",     "User-Agent": "python-requests/2.9.1"   },   "json": null,   "url": "http://httpbin.org/post" }

可以看到参数传成功了，然后服务器返回了我们传的数据。

有时候我们需要传送的信息不是表单形式的，需要我们传JSON格式的数据过去，所以我们可以用 json.dumps() 方法把表单数据序列化。

 

1 2 3 4 5 6 7

import json import requests   url = 'http://httpbin.org/post' payload = {'some': 'data'} r = requests.post(url, data=json.dumps(payload)) print r.text

运行结果

 

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17

{   "args": {},   "data": "{\"some\": \"data\"}",   "files": {},   "form": {},   "headers": {     "Accept": "*/*",     "Accept-Encoding": "gzip, deflate",     "Content-Length": "16",     "Host": "httpbin.org",     "User-Agent": "python-requests/2.9.1"   },   "json": {     "some": "data"   },     "url": "http://httpbin.org/post" }

通过上述方法，我们可以POST JSON格式的数据

post请求提交json格式数据时(请求头为:{“Content-Type”: “application/json”})，一般先要把python对象转换成json对象。可能很多时候是这样写：

requests.post(url, data=json.dumps(data))。

其实post有一个默认参数json，可以直接简写成：

 self.session.post(url, json=data)

如果想要上传文件，那么直接用 file 参数即可

新建一个 a.txt 的文件，内容写上 Hello World!

 

1 2 3 4 5 6

import requests   url = 'http://httpbin.org/post' files = {'file': open('test.txt', 'rb')} r = requests.post(url, files=files) print r.text

可以看到运行结果如下

 

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18

{   "args": {},   "data": "",   "files": {     "file": "Hello 先定一个目标!"   },   "form": {},   "headers": {     "Accept": "*/*",     "Accept-Encoding": "gzip, deflate",     "Content-Length": "156",     "Content-Type": "multipart/form-data; boundary=7d8eb5ff99a04c11bb3e862ce78d7000",     "Host": "httpbin.org",     "User-Agent": "python-requests/2.9.1"   },   "json": null,   "url": "http://httpbin.org/post" }

这样我们便成功完成了一个文件的上传。

requests 是支持流式上传的，这允许你发送大的数据流或文件而无需先把它们读入内存。要使用流式上传，仅需为你的请求体提供一个类文件对象即可

 

1 2	with open('massive-body') as f:     requests.post('http://some.url/streamed', data=f)

这是一个非常实用方便的功能。

针对返回的json类型的response处理

res = json.loads(r)["data"]

print res

i_list = []

for i in xrange(len(res)):

ele_id = res[i]["_id"]

Cookies

如果一个响应中包含了cookie，那么我们可以利用 cookies 变量来拿到

 

1 2 3 4 5 6

import requests   url = 'http://example.com' r = requests.get(url) print r.cookies print r.cookies['example_cookie_name']

以上程序仅是样例，可以用 cookies 变量来得到站点的 cookies

另外可以利用 cookies 变量来向服务器发送 cookies 信息

 

1 2 3 4 5 6

import requests   url = 'http://httpbin.org/cookies' cookies = dict(cookies_are='working') r = requests.get(url, cookies=cookies) print r.text

运行结果

 

1	'{"cookies": {"cookies_are": "working"}}'

可以已经成功向服务器发送了 cookies

超时配置

可以利用 timeout 变量来配置最大请求时间

 

1	requests.get('http://github.com', timeout=0.001)

注：timeout 仅对连接过程有效，与响应体的下载无关。

也就是说，这个时间只限制请求的时间。即使返回的 response 包含很大内容，下载需要一定时间，然而这并没有什么卵用。

 

重定向 
网络请求中可能会遇到重定向，我们需要一次处理一个请求，可以把重定向禁止。

requests.post(url,data,allow_redirects=False)

默认requests请求失败后不会重试，但是我们跑case时难免遇到一些网络或外部原因导致case失败，我们可以在Session实例上附加HTTPAdapaters 参数，增加失败重试次数。

request_retry = requests.adapatrs.HTTPAdapaters(max_retries=3）

requests.mount('https://',request_retry) 

requests.mount('http://',request_retry)

会话对象

在以上的请求中，每次请求其实都相当于发起了一个新的请求。也就是相当于我们每个请求都用了不同的浏览器单独打开的效果。也就是它并不是指的一个会话，即使请求的是同一个网址。比如

 

1 2 3 4 5

import requests   requests.get('http://httpbin.org/cookies/set/sessioncookie/123456789') r = requests.get("http://httpbin.org/cookies") print(r.text)

结果是

 

1 2 3

{   "cookies": {} }

很明显，这不在一个会话中，无法获取 cookies，那么在一些站点中，我们需要保持一个持久的会话怎么办呢？就像用一个浏览器逛淘宝一样，在不同的选项卡之间跳转，这样其实就是建立了一个长久会话。

解决方案如下

 

1 2 3 4 5 6

import requests   s = requests.Session() s.get('http://httpbin.org/cookies/set/sessioncookie/123456789') r = s.get("http://httpbin.org/cookies") print(r.text)

在这里我们请求了两次，一次是设置 cookies，一次是获得 cookies

运行结果

 

1 2 3 4 5

{   "cookies": {     "sessioncookie": "123456789"   } }

发现可以成功获取到 cookies 了，这就是建立一个会话到作用。体会一下。

那么既然会话是一个全局的变量，那么我们肯定可以用来全局的配置了。

 

1 2 3 4 5 6

import requests   s = requests.Session() s.headers.update({'x-test': 'true'}) r = s.get('http://httpbin.org/headers', headers={'x-test2': 'true'}) print r.text

通过 s.headers.update 方法设置了 headers 的变量。然后我们又在请求中设置了一个 headers，那么会出现什么结果？

很简单，两个变量都传送过去了。

运行结果

 

1 2 3 4 5 6 7 8 9 10

{   "headers": {     "Accept": "*/*",     "Accept-Encoding": "gzip, deflate",     "Host": "httpbin.org",     "User-Agent": "python-requests/2.9.1",     "X-Test": "true",     "X-Test2": "true"   } }

如果get方法传的headers 同样也是 x-test 呢？

 

1	r = s.get('http://httpbin.org/headers', headers={'x-test': 'true'})

嗯，它会覆盖掉全局的配置

 

1 2 3 4 5 6 7 8 9

{   "headers": {     "Accept": "*/*",     "Accept-Encoding": "gzip, deflate",     "Host": "httpbin.org",     "User-Agent": "python-requests/2.9.1",     "X-Test": "true"   } }

那如果不想要全局配置中的一个变量了呢？很简单，设置为 None 即可

 

1	r = s.get('http://httpbin.org/headers', headers={'x-test': None})

运行结果

 

1 2 3 4 5 6 7 8

{   "headers": {     "Accept": "*/*",     "Accept-Encoding": "gzip, deflate",     "Host": "httpbin.org",     "User-Agent": "python-requests/2.9.1"   } }

嗯，以上就是 session 会话的基本用法

SSL证书验证

现在随处可见 https 开头的网站，Requests可以为HTTPS请求验证SSL证书，就像web浏览器一样。要想检查某个主机的SSL证书，你可以使用 verify 参数

现在 12306 证书不是无效的嘛，来测试一下

 

1 2 3 4

import requests   r = requests.get('https://kyfw.12306.cn/otn/', verify=True) print r.text

结果

 

1	requests.exceptions.SSLError: [SSL: CERTIFICATE_VERIFY_FAILED] certificate verify failed (_ssl.c:590)

果真如此

来试下 github 的

 

1 2 3 4

import requests   r = requests.get('https://github.com', verify=True) print r.text

嗯，正常请求，内容我就不输出了。

如果我们想跳过刚才 12306 的证书验证，把 verify 设置为 False 即可

 

1 2 3 4

import requests   r = requests.get('https://kyfw.12306.cn/otn/', verify=False) print r.text

发现就可以正常请求了。在默认情况下 verify 是 True，所以如果需要的话，需要手动设置下这个变量。

代理

如果需要使用代理，你可以通过为任意请求方法提供 proxies 参数来配置单个请求

 

1 2 3 4 5 6 7

import requests   proxies = {   "https": "http://ip:4433" } r = requests.post("http://httpbin.org/post", proxies=proxies) print r.text

也可以通过环境变量 HTTP_PROXY 和 HTTPS_PROXY 来配置代理

 

1 2	export HTTP_PROXY="http://ip:3128" export HTTPS_PROXY="http://iP:1080"

通过以上方式，可以方便地设置代理。

 

grequests实现异步请求。

pip install grequests  或者 easy_install grequests

import grequests

urls = [
    'http://www.url1.com',
    'http://www.url2.com',
    'http://www.url3.com',
    'http://www.url4.com',
    'http://www.url5.com',
    'http://www.url6.com',
]

resp = (grequests.get(u) for u in urls)
grequests.map(resp)

# [<Response [200]>, <Response [200]>, <Response [200]>, <Response [200]>, <Response [200]>, <Response [200]>]

API

以上讲解了 requests 中最常用的参数，如果需要用到更多，请参考官方文档 API

API

结语

以上总结了一下 requests 的基本用法，如果你对爬虫有了一定的基础，那么肯定可以很快上手，在此就不多赘述了。

练习才是王道，大家尽快投注于实践中吧。