Requests库详解

requests(爬虫系列之一)

由于最近工作中，与同事对接模拟手机浏览器进行广告模拟跳转。又一次接触用到爬虫的知识，以前用过urllib + bs4 + selenium定向爬取网易一元夺宝的商品信息保存在数据库中，当时，还是太年轻，对爬虫不是很了解，对爬虫的robots协议也不知道。现在重新梳理一下爬虫的知识。争取写一个系列，大致内容顺序是requests, bs4,re, scrapy, selenium等。
在介绍requests库之前，先介绍以下基本的http概念,
下面内容是在上嵩天教授课程笔记整理。在这里感谢他。

 追寻

HTTP协议

HTTP,超文本传输协议（HTTP，HyperText Transfer Protocol)是互联网上应用最为广泛的一种网络协议。所有的WWW文件都必须遵守这个标准。设计HTTP最初的目的是为了提供一种发布和接收HTML页面的方法,HTTP是一种基于"请求与响应"模式的、无状态的应用层协议。HTTP协议采用URL作为定位网络资源的的标识符。
http://host[:post][path]
host:合法的Internet主机域名或ip地址
port:端口号，缺省为80
path:请求资源的路径

HTTP URl的理解:
url是通过HTTP协议存取资源的的Internet路径，一个URL对应一个数据资源

HTTP协议对资源的操作

以上方法中，GET,HEAD是从服务器获取信息到本地，PUT,POST,PATCH,DELETE是从本地向服务器提交信息。通过URL和命令管理资源，操作独立无状态，网络通道及服务器成了黑盒子。
文档

安装

pip install requests

requests库安装小测

import request url = 'https://www.baidu.com' r = requests.get(url) r.encoding = r.apparent_encoding print(r.text[-200:]) Out[13]: 'w.baidu.com/duty/>使用百度前必读</ a>  < a href= >意见反馈</ a> 京ICP证030173号  < img src=//www.baidu.com/img/gs.gif> </p > </div> </div> </div> </body> </html>\r\n'

requests库7个主要方法

requests.get()

r = requests.get(url)
r:是一个Response对象，一个包含服务器资源的对象
.get(url):是一个Request对象，构造一个向服务器请求资源的Request。

In [4]: type(requests.get(url)) Out[4]: requests.models.Response

下面看一下源码:

def get(url, params=None, **kwargs):     kwargs.setdefault('allow_redirects', True)     return request('get', url, params=params, **kwargs) #返回一个request对象 ＃　request对象，另外,method参数就是修改http方法 def request(method, url, **kwargs):     with sessions.Session() as session:         return session.request(method=method, url=url, **kwargs)          class Session(SessionRedirectMixin): ....     # session的reqeust方法     def request(self, method, url,         params=None,         data=None,         headers=None,         cookies=None,         files=None,         auth=None,         timeout=None,         allow_redirects=True,         proxies=None,         hooks=None,         stream=None,         verify=None,         cert=None,         json=None):         #　构造一个Request对象.         req = Request(             method = method.upper(),             url = url,             headers = headers,             files = files,             data = data or {},             json = json,             params = params or {},             auth = auth,             cookies = cookies,             hooks = hooks,         )         prep = self.prepare_request(req)         proxies = proxies or {}         settings = self.merge_environment_settings(             prep.url, proxies, stream, verify, cert         )         # Send the request.         send_kwargs = {             'timeout': timeout,             'allow_redirects': allow_redirects,         }         send_kwargs.update(settings)         resp = self.send(prep, **send_kwargs)         return resp

get方法参数

request.get(url,params=None,**kwargs)
从上面的源码也可以知道，解释一下参数含义
url: 获取html的网页的url
params:url中的额外的参数，字典或字节流格式，可选
**kwargs:　12个控制访问的参数

Requests中两个重要的对象

r = requests.get(url)
r:是一个Response对象，一个包含服务器资源的对象,Request对象包含爬虫返回的内容。
.get(url):是一个Request对象，构造一个向服务器请求资源的Request。
x下面用例子看一下，返回的对象包含的内容

In [5]: type(r)  ＃打印类型 Out[5]: requests.models.Response In [6]: dir(r)　＃显示具有的属性和方法 Out[6]:  ['__attrs__',  '__bool__',  '__class__',  '__delattr__',  '__dict__',  '__dir__',  '__doc__',  '__eq__',  '__format__',  '__ge__',  '__getattribute__',  '__getstate__',  '__gt__',  '__hash__',  '__init__',  '__iter__',  '__le__',  '__lt__',  '__module__',  '__ne__',  '__new__',  '__nonzero__',  '__reduce__',  '__reduce_ex__',  '__repr__',  '__setattr__',  '__setstate__',  '__sizeof__',  '__str__',  '__subclasshook__',  '__weakref__',  '_content',  '_content_consumed',  'apparent_encoding',  'close',  'connection',  'content',  'cookies',  'elapsed',  'encoding',  'headers',  'history',  'is_permanent_redirect',  'is_redirect',  'iter_content',  'iter_lines',  'json',  'links',  'ok',  'raise_for_status',  'raw',  'reason',  'request',  'status_code',  'text',  'url']

列出几个重要的属性：

理解Response编码
r.encoding:如果header中不存在charset,则认为编码是ISO-8859-1,r.text根据r.encoding显示网页内容
r.apparent_encoding:根据网页内容分析处的编码方式可以看做是r.encoding的备选

response = requests.get('http://www.jianshu.com/') # 获取响应状态码 print(type(response.status_code),response.status_code) # 获取响应头信息 print(type(response.headers),response.headers) # 获取响应头中的cookies print(type(response.cookies),response.cookies) # 获取访问的url print(type(response.url),response.url) # 获取访问的历史记录 print(type(response.history),response.history)

理解requests库的异常

网络链接有风险，异常处理很重要

import requests from requests.exceptions import ReadTimeout, ConnectionError, RequestException try:   response = requests.get("http://httpbin.org/get", timeout = 0.5)           print(response.status_code) except ReadTimeout:   # 超时异常   print('Timeout') except ConnectionError:   # 连接异常   print('Connection error') except RequestException:   # 请求异常   print('Error')

理解Response的异常

r.raise_for_status()
如果status_code不是200,产生异常requests.HTTPError

r.raise_for_status()方法内部判断r.status_code是否等于200不需要增加额外的if语句，该语句便于利用try-except进行异常处理。
raise_for_status源码

   def raise_for_status(self):        """Raises stored :class:`HTTPError`, if one occurred."""        http_error_msg = ''        if isinstance(self.reason, bytes):            # We attempt to decode utf-8 first because some servers            # choose to localize their reason strings. If the string            # isn't utf-8, we fall back to iso-8859-1 for all other            # encodings. (See PR #3538)            try:                reason = self.reason.decode('utf-8')            except UnicodeDecodeError:                reason = self.reason.decode('iso-8859-1')        else:            reason = self.reason        if 400 <= self.status_code < 500:            http_error_msg = u'%s Client Error: %s for url: %s' % (self.status_code, reason, self.url)        elif 500 <= self.status_code < 600:            http_error_msg = u'%s Server Error: %s for url: %s' % (self.status_code, reason, self.url)        if http_error_msg:            raise HTTPError(http_error_msg, response=self)

requests内置的状态字符

# -*- coding: utf-8 -*- from .structures import LookupDict _codes = {     # Informational.     100: ('continue',),     101: ('switching_protocols',),     102: ('processing',),     103: ('checkpoint',),     122: ('uri_too_long', 'request_uri_too_long'),     200: ('ok', 'okay', 'all_ok', 'all_okay', 'all_good', '\\o/', ''),     201: ('created',),     202: ('accepted',),     203: ('non_authoritative_info', 'non_authoritative_information'),     204: ('no_content',),     205: ('reset_content', 'reset'),     206: ('partial_content', 'partial'),     207: ('multi_status', 'multiple_status', 'multi_stati', 'multiple_stati'),     208: ('already_reported',),     226: ('im_used',),     # Redirection.     300: ('multiple_choices',),     301: ('moved_permanently', 'moved', '\\o-'),     302: ('found',),     303: ('see_other', 'other'),     304: ('not_modified',),     305: ('use_proxy',),     306: ('switch_proxy',),     307: ('temporary_redirect', 'temporary_moved', 'temporary'),     308: ('permanent_redirect',           'resume_incomplete', 'resume',),  # These 2 to be removed in 3.0     # Client Error.     400: ('bad_request', 'bad'),     401: ('unauthorized',),     402: ('payment_required', 'payment'),     403: ('forbidden',),     404: ('not_found', '-o-'),     405: ('method_not_allowed', 'not_allowed'),     406: ('not_acceptable',),     407: ('proxy_authentication_required', 'proxy_auth', 'proxy_authentication'),     408: ('request_timeout', 'timeout'),     409: ('conflict',),     410: ('gone',),     411: ('length_required',),     412: ('precondition_failed', 'precondition'),     413: ('request_entity_too_large',),     414: ('request_uri_too_large',),     415: ('unsupported_media_type', 'unsupported_media', 'media_type'),     416: ('requested_range_not_satisfiable', 'requested_range', 'range_not_satisfiable'),     417: ('expectation_failed',),     418: ('im_a_teapot', 'teapot', 'i_am_a_teapot'),     421: ('misdirected_request',),     422: ('unprocessable_entity', 'unprocessable'),     423: ('locked',),     424: ('failed_dependency', 'dependency'),     425: ('unordered_collection', 'unordered'),     426: ('upgrade_required', 'upgrade'),     428: ('precondition_required', 'precondition'),     429: ('too_many_requests', 'too_many'),     431: ('header_fields_too_large', 'fields_too_large'),     444: ('no_response', 'none'),     449: ('retry_with', 'retry'),     450: ('blocked_by_windows_parental_controls', 'parental_controls'),     451: ('unavailable_for_legal_reasons', 'legal_reasons'),     499: ('client_closed_request',),     # Server Error.     500: ('internal_server_error', 'server_error', '/o\\', ''),     501: ('not_implemented',),     502: ('bad_gateway',),     503: ('service_unavailable', 'unavailable'),     504: ('gateway_timeout',),     505: ('http_version_not_supported', 'http_version'),     506: ('variant_also_negotiates',),     507: ('insufficient_storage',),     509: ('bandwidth_limit_exceeded', 'bandwidth'),     510: ('not_extended',),     511: ('network_authentication_required', 'network_auth', 'network_authentication'), } codes = LookupDict(name='status_codes') for code, titles in _codes.items():     for title in titles:         setattr(codes, title, code)         if not title.startswith('\\'):             setattr(codes, title.upper(), code)

以上的方法特别好，可以借鉴使用在自己项目中进行数据映射转换。
reqeust.codes可以使用属性方式去访问。如：

print(requests.codes.ok) 200 print(requests.codes.unordered_collection) 425 type(requests.codes.not_extended) Out[15]: int print(requests.codes.not_extended) 510

爬取网页的通用代码框架

# coding: utf8 import requests def get_html(url, params):     try:         r = requests.get(url, params)         r.raise_for_status()         r.encoding = r.apparent_encoding         return r.text     except:         return "raise exception" if __name__ == "__main__":     url = "http://www.baidu.com"     print(get_html(url))

Requests库中的head()方法

 head

Requests库中的post()方法

 post  

{   "args": {},    "data": "",    "files": {},    "form": {     #post提交的data是一个字典的     "key1": "youdi", # 就会格式化成一个form     "king": "youdi",      "value": "the one"   },    "headers": {     "Accept": "*/*",      "Accept-Encoding": "gzip, deflate",      "Connection": "close",      "Content-Length": "35",      "Content-Type": "application/x-www-form-urlencoded",      "Host": "httpbin.org",      "User-Agent": "python-requests/2.13.0"   },    "json": null,    "origin": "183.240.20.24",    "url": "http://httpbin.org/post" } {   "args": {},    "data": "ABCDEFG",  # post提交的data是字符串 ，编码为data   "files": {},    "form": {},    "headers": {     "Accept": "*/*",      "Accept-Encoding": "gzip, deflate",      "Connection": "close",      "Content-Length": "7",      "Host": "httpbin.org",      "User-Agent": "python-requests/2.13.0"   },    "json": null,    "origin": "183.240.20.24",    "url": "http://httpbin.org/post" }

Requests库中的put()方法

 put

requests库主要方法解析

requests.request(method, url, **kwagrs)

• method:　请求方式，对应get/put/post等7种方法

• url: 获取页面的url链接

• **kwargs:　控制访问的参数，共有13个

method:请求方式

r = requests.request(method='GET', url=url, **kwargs) r = requests.get(url, **kwargs) r = requests.request(method='HEAD', url=url, **kwargs) r = requests.head(url, **kwargs) r = requests.request(method='POST', url=url, **kwargs) r = requests.post(url, **kwargs) r = requests.request(method='PUT', url=url, **kwargs) r = requests.put(url, **kwargs) r = requests.request(method='PATCH', url=url, **kwargs) r = requests.patch(url, **kwargs) r = requests.request(method='DELETE', url=url, **kwargs) r = requests.delete(url, **kwargs) r = requests.request(method='OPTIONS', url=url, **kwargs) r = requests.options(url, **kwargs)

说明：上面的方法和下面的方法达到的效果是一样的，就是做了一层封装，把比较常用的方法都抽出来，python中很多库都是这样做的。典型的就是matplotlib中模仿matlab使用最简单的method绘制目标图。这个内容后面会更新给大家。

**kwargs:控制访问的参数，均为可选项

• params: 字典或字节序列，作为参数增加到url中

• data:字典，字节序列或文件对象,作为Request的内容

• json: JSON格式的数据，作为Request的内容

• headers: 字典, HTTP定制头

• cookie: 字典或CooKiJar, Request中的cookie

• auth: 元祖，支持HTTP认证功能

• files: 字典类型，传输文件

• timeout: 设定超时时间，秒为单位

• proxies: 字典类型，设定访问代理服务器，可以增加登录认证

• allow_redirects: True/False,默认为True,重定向开关
  stream: True/False，默认为True,获取内容立即下载开关
  verity: True/False默认Ture,认证ssl证书开关
  cert: 本地ssl证书路径

 远方 背影

下面逐一介绍

params
字典或字节序列，作为参数增加到url中

In [36]: payload Out[36]: {'key1': 'one', 'key2': 'two'} In [37]: r = requests.request('GET', 'http://python123.io/ws', params=payload) In [38]: print(r.url) http://python123.io/ws?key1=one&key2=two

data
字典，字节序列或文件对象,作为Request的内容

import requests payload = {'key1':'one', 'key2':'two'} url = 'http://httpbin.org/put' r = requests.put(url=url, data=payload) # or  r = requests.put(url=url, data='ABCDEFG') #字符串

json
JSON格式的数据，作为Request的内容

In [48]: kv = {'name': 'youdi', 'role': 'king', 'rank': 'the one'} In [49]: url = 'http://httpbin.org/post' In [50]: r = requests.request(method='POST', url=url, json=kv) In [51]: print(r.text) {   "args": {},    "data": "{\"role\": \"king\", \"rank\": \"the one\", \"name\": \"youdi\"}",  #json格式，其实就是字符串   "files": {},    "form": {},    "headers": {     "Accept": "*/*",      "Accept-Encoding": "gzip, deflate",      "Connection": "close",      "Content-Length": "52",      "Content-Type": "application/json",      "Host": "httpbin.org",      "User-Agent": "python-requests/2.13.0"   },    "json": {     "name": "youdi",      "rank": "the one",      "role": "king"   },    "origin": "183.60.175.16",    "url": "http://httpbin.org/post" }

headers
字典, HTTP定制头部信息，隐藏爬虫信息，模拟浏览器的头部信息

In [58]: url = 'http://httpbin.org/post' In [59]: r = requests.request('POST', url) # 头部信息 In [69]: r.request.headers # 观察User-Agent Out[69]: {'Accept': '*/*', 'User-Agent': 'python-requests/2.13.0', 'Connection': 'keep-alive', 'Accept-Encoding': 'gzip, deflate', 'Content-Length': '0'} #加入headers后 In [62]: headers = { # 浏览器代理     ...:      "User-Agent": "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Ch     ...: rome/57.0.2987.133 Safari/537.36"     ...: } In [63]: r = requests.request('POST', url, headers=headers) In [71]: r.request.headers Out[71]: {'Accept': '*/*', 'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/57.0.2987.133 Safari/537.36', 'Connection': 'keep-alive', 'Accept-Encoding': 'gzip, deflate', 'Content-Length': '0'}

cookie
字典或CooKiJar, Request中的cookie

 #先获取百度的cookie In [74]: r = requests.request('GET', 'https://www.baidu.com') In [75]: r Out[75]: <Response [200]> # 保存在变量中 In [76]: cookie = r.cookies # cookie类型 In [86]: type(cookie) Out[86]: requests.cookies.RequestsCookieJar In [77]: r_baidu = requests.request('POST', 'https://www.baidu.com/s?ie=utf-8&f=8&rsv_bp=0&rsv_idx=1&tn=baidu&wd=old&rsv_pq=981edbe6000308e9&rsv_t=76c1VG%2B1PcKzCGSEjcf3W2zDn5ZcBnhR1TAe%2FcJ32OW62aKsa5DWo7YYsms&rqlang=cn&rsv_enter=1&rsv_sug3=2', cookie=cookie) # https://www.baidu.com/s?ie=utf-8&f=8&rsv_bp=0&rsv_idx=1&tn=baidu&wd=test&rsv_pq=981edbe6000308e9&rsv_t=76c1VG%2B1PcKzCGSEjcf3W2zDn5ZcBnhR1TAe%2FcJ32OW62aKsa5DWo7YYsms&rqlang=cn&rsv_enter=1&rsv_sug3=2 中 wd修改关键词 就是提交给百度进行搜索的内容

auth
元祖，支持HTTP认证功能

import requests # 最简单的http验证 from requests.auth import HTTPBasicAuth r = requests.get('http://httpbin.org/auth', auth=HTTPBasicAuth('user', 'user')) # r = requests.get('http://httpbin.org/auth', auth=('user', 'user')) print(r.status_code)

files
字典类型，传输文件

fs = {file: open('data.xls', 'rb')} # 使用files参数就可以了 r = requests.request('POST','http://httpbin.org/post',files=fs)

timesout
设定超时时间，秒为单位

import requests from requests.exceptions import ReadTimeout try:   # 设置必须在500ms内收到响应，不然或抛出ReadTimeout异常   response = requests.get("http://httpbin.org/get", timeout=0.5)            print(response.status_code) except ReadTimeout:   print('Timeout')

proxies
字典类型，设定访问代理服务器，可以增加登录认证

import requests #普通代理 proxies = {    "http": "http://127.0.0.1:1080",    "https": "https://127.0.0.1:1080", } # 往请求中设置代理(proxies) r = requests.get("https://www.taobao.com", proxies=proxies) print(r.status_code) # 带有用户名和密码的代理 proxies = {    "http": "http://user:password@127.0.0.1:9743/", } r = requests.get("https://www.taobao.com", proxies=proxies) print(r.status_code) # 设置socks代理,翻墙必备 proxies = {    'http': 'socks5://127.0.0.1:1080',    'https': 'socks5://127.0.0.1:1080' } r = requests.get("https://www.google.com", proxies=proxies) print(r.status_code)

allow_redirects
True/False,默认为True,重定向开关

r = requests.request('GET','http://httpbin.org/get',allow_redirects=False)

stream
True/False，默认为True,获取内容立即下载开关

r = requests.request('GET','http://httpbin.org/get/**.txt',stream=False)

verity
True/False默认Ture,认证ssl证书开关

# 无证书访问 r = requests.get('https://www.12306.cn') # 在请求https时，request会进行证书的验证，如果验证失败则会抛出异常 print(r.status_code) # 关闭验证，但是仍然会报出证书警告 r = requests.get('https://www.12306.cn',verify=False) print(r.status_code) # 消除关闭证书验证的警告 from requests.packages import urllib3 # 关闭警告 urllib3.disable_warnings() r = requests.get('https://www.12306.cn',verify=False) print(r.status_code)

cert
本地ssl证书路径

# 设置本地证书 r = requests.get('https://www.12306.cn', cert=('/home/youdi/Download/**.crt', '/hone/youdi/.ssh/**.key')) print(r.status_code)

     初心未改

requests介绍完了，格式不是太好，在此抱歉，爬虫系列有时间话会一直更新下去，另外，爬虫系列完了，计划做关于python数据处理与绘图系列。

作者：若与
链接：https://www.jianshu.com/p/ada99b7880a6