网络爬虫必备知识之requests库

就库的范围，个人认为网络爬虫必备库知识包括urllib、requests、re、BeautifulSoup、concurrent.futures，接下来将结对requests库的使用方法进行总结

1. requests库简介

　　官方中文文档：http://docs.python-requests.org/zh_CN/latest/user/quickstart.html

　　Requests 是用Python语言编写，基于 urllib，采用 Apache2 Licensed 开源协议的 HTTP 库。

　　它比 urllib 更加方便，上篇博客中使用的urllib方法都可以通过requests实现，个人认为更方便于爬虫。

　　requests库功能过于强大，包括：保持活力和连接池、支持国际域名和网址、会话与Cookie持久性、浏览器式SSL验证、自动内容解码、基本/摘要式身份验证、自动解压缩、Unicode响应body、HTTP(s)代理支持、多部分文件上传、流媒体下载、连接超时、分块的请求、.netrc 支持等

　　request依赖包关系：

  requests==2.19.1
  - certifi [required: >=2017.4.17, installed: 2018.4.16]  #CA认证模块
  - chardet [required: <3.1.0,>=3.0.2, installed: 3.0.4]  #通用字符编码检测器模块
  - idna [required: <2.8,>=2.5, installed: 2.7]  #国际化域名解析模块
  - urllib3 [required: <1.24,>=1.21.1, installed: 1.23] #线程安全HTTP库

2. Response请求响应类

　　由于resquests方法都将返回一个Response对象，为了方便大家对后面每个request方法的测试，我决定将Response类放在最前面总结

　　Response类封装在requests.modles中，该Response对象包含服务器对HTTP请求的响应信息

　　该对象包含的属性和方法：

apparent_encodind：由chardet库提供的明显编码。

close(): 将连接释放回池中，即关闭连接，通常不需要调用

content: 响应的内容，以字节为单位。

cookies=None : 服务器发回的Cookies CookieJar。

elapsed=None : 发送请求和响应到达之间所经过的时间量（作为timedelta）。该属性具体测量发送请求的第一个字节和完成解析报头之间的时间。因此，它不受消费响应内容或stream关键字参数值的影响。

encoding=None : 编码以在访问r.text时进行解码。

headers=None ：不区分大小写的响应头字典。例如，headers['content-encoding']将返回'Content-Encoding'响应头的值。

history=None ：Response请求历史记录中的对象列表。任何重定向响应都会在这里结束。该列表从最旧的到最近的请求进行排序。

is_permanent_redirect: 如果此响应为真，则为重定向的永久版本之一。

is_redirect: 如果此响应是可以自动处理的格式良好的HTTP重定向，则为真。

iter_content（chunk_size = 1，decode_unicode = False ）：迭代响应数据。在请求中设置stream = True时，可以避免将内容一次性读入内存以获得较大的响应。块大小是它应该读入内存的字节数；chunk_size必须是int或None类型。stream = True将在数据以任何大小接收到的数据到达时读取数据。如果stream = False，则数据作为单个块返回；如果decode_unicode为True，则内容将使用基于响应的最佳可用编码进行解码。

iter_lines(chunk_size = 512，decode_unicode = None，delimiter = None )：迭代响应数据，一次一行。在请求中设置stream = True时，可以避免将内容一次性读入内存以获得较大的响应。

json（** kwargs ）：返回响应的json编码内容

links: 返回解析的响应头部链接

next: 返回重定向链中下一个请求的PreparedRequest

ok: 如果status_code小于400 则返回True，否则返回False

reason=None：响应HTTP状态的文本原因，例如“未找到”或“确定”。

request=None：一个响应的对象。

status_code=None：整数响应HTTP状态的代码，例如404或200。

text: 响应的内容，以unicode表示。

url=None：响应的最终URL位置

3. requests提供的系列HTTP方法

　　requests库提供了包含requests.request函数在内告知服务器意图的7种方法，7种方法分别是：get,options,head,post,put,pach,delete，这7种方法都封装在api.py模块种，通过阅读源码我们会发现这7种方法的内部实现都是直接调用的request函数接口，也就是说所有方法的参数都在request函数参数中，所有方法能实现的功能都可以由request函数实现。下面将依次介绍各方法的功能和函数原型，若没有例子不用在意，将在第三节内容后通过具体实践对各方法详细介绍。

（1）get：获取资源

　　请求访问已被URI识别的资源，指定的资源经服务器端解析后返回响应内容，也就是说如果请求的是文本，那就保持原样返回，如果是像CGI（通用网关接口）那样的程序，则返回经过执行后的输出结果。

　　函数原型：

def get(url, params=None, **kwargs):
    r"""Sends a GET request.

    :param url: URL for the new :class:`Request` object.
    :param params: (optional) Dictionary or bytes to be sent in the query string for the :class:`Request`.
    :param \*\*kwargs: Optional arguments that ``request`` takes.
    :return: :class:`Response <Response>` object
    :rtype: requests.Response
    """

    kwargs.setdefault('allow_redirects', True)
    return request('get', url, params=params, **kwargs)

　　注意注释已说明参数为字典或字节，返回一个response对象，看下面简单示例：

params={'name':'张三','age':17}
response = requests.get('https://www.baidu.com', params = params)
print('###以下为response属性:')
print([attr for attr in dir(response) if not attr.startswith('_')])
print("status_code:",response.status_code)
print("url:",response.url)

　　从输出接口可以看出response对象的属性（以_开头的属性都没打印出来），大家可以一一的打印看看各属性值是什么。

　　这里主要说下response.text和response.content的区别，这两个属性都返回响应内容主体，text返回的是字符串类型，content返回的是二进制类型，很多情况下的网站如果直接response.text会出现乱码的问题，可以通过response.content.decode('utf-8')的方法解决通过response.text直接返回显示乱码的问题。

（2）opetions：询问支持的方法

　　options方法用来查询针对请求URL指定的资源支持的方法，说的直白点就是服务器返回它支持的这7种方法中的某种

　　函数原型：

def options(url, **kwargs):
    r"""Sends an OPTIONS request.

    :param url: URL for the new :class:`Request` object.
    :param \*\*kwargs: Optional arguments that ``request`` takes.
    :return: :class:`Response <Response>` object
    :rtype: requests.Response
    """

    kwargs.setdefault('allow_redirects', True)
    return request('options', url, **kwargs)

　　上面提到了默认支持允许重定向，options方法使用很少

response = requests.options('https://www.baidu.com')

（3）head：获得报文首部

　　函数原型：

def head(url, **kwargs):
    r"""Sends a HEAD request.

    :param url: URL for the new :class:`Request` object.
    :param \*\*kwargs: Optional arguments that ``request`` takes.
    :return: :class:`Response <Response>` object
    :rtype: requests.Response
    """

    kwargs.setdefault('allow_redirects', False)
    return request('head', url, **kwargs)

　　特别注意，上面的允许重定向属性默认为False

response = requests.head('https://www.baidu.com')
print("status_code:",response.status_code)
print("url:",response.url)
print(response.headers)

（4）post：传输实体主体

　　函数原型：

def post(url, data=None, json=None, **kwargs):
    r"""Sends a POST request.

    :param url: URL for the new :class:`Request` object.
    :param data: (optional) Dictionary (will be form-encoded), bytes, or file-like object to send in the body of the :class:`Request`.
    :param json: (optional) json data to send in the body of the :class:`Request`.
    :param \*\*kwargs: Optional arguments that ``request`` takes.
    :return: :class:`Response <Response>` object
    :rtype: requests.Response
    """

    return request('post', url, data=data, json=json, **kwargs)

　　简单示例：

import requests

data = {
    "name":"fate0729",
    "age":23
}
response = requests.post("http://httpbin.org/post",data=data)

（5）put：传送更新资源（全部更新）

　　put方法用于传送更新资源，比如传输文件，要求在请求报文的主体中包含文件内容，然后保存到请求URL指定位置，但是鉴于HTTP/1.1的PUT方法自身不带验证机制，任何人都可以上传文件存在安全性问题，因此一般的web网站不使用该方法，若配合web应用程序的验证机制，或架构设计采用REST标准的同类网站，就可以开放使用put方法

　　函数原型：

def put(url, data=None, **kwargs):
    r"""Sends a PUT request.

    :param url: URL for the new :class:`Request` object.
    :param data: (optional) Dictionary (will be form-encoded), bytes, or file-like object to send in the body of the :class:`Request`.
    :param json: (optional) json data to send in the body of the :class:`Request`.
    :param \*\*kwargs: Optional arguments that ``request`` takes.
    :return: :class:`Response <Response>` object
    :rtype: requests.Response
    """

    return request('put', url, data=data, **kwargs)

（6）pach：传送更新资源（局部更新）

　　pach和put的区别，我在度娘上看到了下面的一段话，觉得很明了：

　　假设我们有一个UserInfo，里面有userId， userName， userGender等10个字段。可你的编辑功能因为需求，在某个特别的页面里只能修改userName，这时候的更新怎么做？人们通常(为省事)把一个包

含了修改后userName的完整userInfo而put虽然也是更新资源，但要求前端提供的一定是一个完整的资源对象，理论上说，如果你用了put，但却没有提供完整的UserInfo，那么缺了的那些字段应该被清空对象

传给后端，做完整更新。但仔细想想，这种做法感觉有点二，而且真心浪费带宽(纯技术上讲，你不关心带宽那是你土豪)。于是patch诞生，只传一个userName到指定资源去，表示该请求是一个局部更新，后

端仅更新接收到的字段。

　　函数原型：

def patch(url, data=None, **kwargs):
    r"""Sends a PATCH request.

    :param url: URL for the new :class:`Request` object.
    :param data: (optional) Dictionary (will be form-encoded), bytes, or file-like object to send in the body of the :class:`Request`.
    :param json: (optional) json data to send in the body of the :class:`Request`.
    :param \*\*kwargs: Optional arguments that ``request`` takes.
    :return: :class:`Response <Response>` object
    :rtype: requests.Response
    """

    return request('patch', url, data=data, **kwargs)

（7）delete：删除指定的资源

　　delete方法与put方法相反，与put方法一样，鉴于HTTP/1.1的PUT方法自身不带验证机制，一般的网站不使用delete方法

　　函数原型：

def delete(url, **kwargs):
    r"""Sends a DELETE request.

    :param url: URL for the new :class:`Request` object.
    :param \*\*kwargs: Optional arguments that ``request`` takes.
    :return: :class:`Response <Response>` object
    :rtype: requests.Response
    """

    return request('delete', url, **kwargs)

（8）request函数

　　对该函数参数的理解无比重要，其实也很简单，都是大家熟悉的

　　函数原型：

def request(method, url, **kwargs):
    with sessions.Session() as session:
        return session.request(method=method, url=url, **kwargs)

　　**kwargs参数说明：

method：request对象的方法(POST)
url：request对象的URL
params：可选的，要在查询字符串中发送的字典或字节request
data：可选的，字典或元祖列表以表单编码，字节或类似文件的对象在主体中发送[(key,value)]
json：可选的，一个json可序列化的python对象，在主体中发送request
headers：可选的，用于编写http头信息
cookies：可选，用dict或cookieJar对象发送Cookies
file：可选，用于多部分编码上传的字典，可以是多元祖，其中是定义给定文件的内容类型的字符串，以及包含问文件添加的额外头文件的类字典对象
auth：可选，身份验证元祖，自定义http身份验证
timeout：可选，发送等待请求数据的超时时间(float/tuple),设置为元祖即为练级connect和read读取超时，如果设置为None即为永久等待
allow_redirects：布尔值，可选，启用或禁用GET,OPTIONS,POST,PUT,PATCH,DELETE,HEAD重定向，默认为true
proxies：可选，字典映射协议到代理的URL
verify：可选，可以是布尔值，可以指定验证服务器的TLS证书路径，默认为true
stream：可选，如果是False，响应内容将立即下载
cert：可选，如果是string，则为ssl客户端证书文件路径，如果是元祖则('cert','key')指定证书和密钥

　　下面将通过模拟登录示例别展示requests模块的部分高级用法

4. 模拟登录示例

　　以模拟登录github官网为例，登录网址：https://github.com/login

（1）首先使用错误的账号和密码登录，分析请求头和参数，按F2可以找到与登录对应的POST方法

　　特别注意，请求网址为https://github.com/session，而不是https://github.com/login，小心入坑，查看参数：

　　解析来进行编码：

（2）设置请求头：

headers = {'User-Agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64; rv:63.0) Gecko/20100101 Firefox/63.0',
           'Connection':'keep-alive',
           'Host':'github.com'}

（3）设置cookies，模拟登录github网必须使用cookies，否则将登录失败

cookies = response.cookies

（4）获取请求参数

html = response.content.decode('utf-8')
soup = bs(html,'lxml')
login_data = {}
for item in soup.select('input[name]'):
    if item.get("name"):
        login_data[item.get("name")] = item.get("value")

（5）修改请求参数，参入登录名和密码

login_data["login"] = 你自己的登录名
login_data["password"] = 你自己的密码

（6）设置等待超时：防止一直等待

timeout=3

（7）万事具备，只欠测试

import requests
from bs4 import BeautifulSoup as bs
from requests.exceptions import ReadTimeout,ConnectionError,RequestException

url = 'https://github.com/session'
headers = {'User-Agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64; rv:63.0) Gecko/20100101 Firefox/63.0',
        'Connection':'keep-alive',
        'Host':'github.com'}

response = requests.request('get',url,headers = headers)
# 这里可以替换为 response = requests.get(url,headers = headers)
print('起始url:',response.url)
html = response.content.decode('utf-8')
soup = bs(html,'lxml')
login_data = {}
for item in soup.select('input[name]'):
    if item.get("name"):
        login_data[item.get("name")] = item.get("value")
login_data["login"] = "------------"
login_data["password"] = "--------"
print('data:',login_data)
try:
    response = requests.request('post',url,data=login_data,
                        headers = headers,cookies = response.cookies,timeout=3)
    # 上面代码可以替换为
    #response = requests.post(url,data=login_data,
                        #headers = headers,cookies = response.cookies,timeout=3)
except Timeout:
    print("timeout")
except ConnectionError:
    print("connection Error")
except RequestException:
    print("error")
else:    
    print("status_code:",response.status_code)
    print("登陆后url:",response.url)

输出：

从结果可以看出起始URL和登录后URL已不同，说明模拟登录成功，github的模拟登录很简单，大家可以试试复杂点的，比如知乎网的模拟登录

（8）大多数网站都会检测某一段事件某个IP的访问次数，如果访问次数过多，它会禁止你的访问，这个时候需要设置代理服务器来爬取数据。

proxies= {
    "http":"http://127.0.0.1:9999",
    "https":"http://127.0.0.1:8888"
}
response  = requests.request('get',url, proxies=proxies)

　　如果代理需要设置账户名和密码,只需要将字典更改为如下：

proxies = {
    "http":"http://user:password@127.0.0.1:9999"
}

　　如果你的代理是通过sokces这种方式则需要pip install "requests[socks]"

proxies= {
    "http":"socks5://127.0.0.1:9999",
    "https":"sockes5://127.0.0.1:8888"
}

（9）使用Session修改上面的代码实现同样的功能

　　从源码上我们知道request内部调用的是Session对象的request函数

with sessions.Session() as session:
        return session.request(method=method, url=url, **kwargs)

　　每次都使用了新的Session对象，其实我们可以一直以一个Session对象维持会话，当一个会话对象进行请求时，已经获取了当前的cookie,这各可以从源码看到

if cookiejar is None:
        cookiejar = RequestsCookieJar()

　　修改上面的代码：

session = requests.Session()    
response = session.request('get',url,headers = headers)
................
.............
........
response = session('post',url,data=login_data,
                        headers = headers,timeout=3)
..............
>>>> 效果和之前一样

5. SSL证书验证

　　requests提供了证书验证的功能，当发送http请求时，它会检查SSL证书，可以通过verify参数来控制是否检查此证书，默认为True会自动验证，测试https://www.12306.cn

import requests

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

　　>>> raiser SSLError

　　将verify参数设置为flase:

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

#能正常返回200，但有个警告信息
C:\virtualenv-36\.venv\lib\site-packages\urllib3\connectionpool.py:857
: 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)

　　我们如果有证书的话，可以cert参数指定证书路径，如果是单个文件包含密钥和证书，也可以设置两个文件路径的元祖分别指向证书和密钥

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

#注意，如果是本地私有证书的key必须是解密状态，加密状态的key是不支持的

6. 身份认证

　　如果访问的网站需要身份认证的话，可以使用requests自带的身份认证功能

　　其中包括四个类：

　　class requests.auth.AuthBase：所有auth实现派生自的基类

　　class requests.auth.HTTPBasicAuth(username, password)：将HTTP基本认证附加到给定的请求对象

　　class requests.auth.HTTPProxyAuth(username, password)：将HTTP代理身份验证附加到给定的请求对象

　　class requests.auth.HTTPDigestAuth(username, password)：将HTTP摘要式身份验证附加到给定的请求对象

（1）基本认证

import requests
from requests.auth import HTTPBasicAuth

url='http://192.168.146.140/admin/'
s=requests.Session()
#创建密码认证对象
auth=HTTPBasicAuth('admin','123')  
#附加认证信息
response=s.get(url,auth=auth)  
print(response.text)

（2）代理身份认证

import requests
from requests.auth import HTTPProxyAuth

proauth=HTTPProxyAuth(username='admin',password='123')
proxies={
    'http':'10.0.0.10:3324'
}

#创建session对象
s=requests.Session()  
#添加代理身份验证
s.trust_env=proauth 
#添加代理
s.proxies=proxies   
response=s.get('https://www.facebook.com')
print(response.status_code)

7. 异常处理

　　上图来自官网：http://www.python-requests.org/en/master/api/#exceptions

　　从源码我可以看出各异常类的继承关系：

RequestException继承IOError
HTTPError，ConnectionError,Timeout继承RequestionException
ProxyError，SSLError继承ConnectionError
ReadTimeout继承Timeout异常

　　之前的模拟登录中已经列出了异常的使用方法，大家可以自己分别测试各异常出现的情况

except Timeout:
    print("timeout")
except ConnectionError:
    print("connection Error")
except RequestException:
    print("error")

补充：requests库涉及到http协议的方方面面，要想了解的更全面更详细，建议大家多阅读源码，再经过demo进行测试，这样的话会有更直接的体会。

posted @ 2018-12-02 14:02 Fate0729 阅读(1102) 评论(0) 编辑收藏举报

刷新页面返回顶部

Fate0729

当你的才华还撑不起你的野心时，那你就应该静下心来学习。当你的经济还撑不起你的梦想时，那你就应该踏实的去工作！

网络爬虫必备知识之requests库

1. requests库简介

2. Response请求响应类

3. requests提供的系列HTTP方法

4. 模拟登录示例

5. SSL证书验证

6. 身份认证

7. 异常处理

公告