01 Python爬虫之Requests库入门

目录

• Requests库
  • Requests库的7个主要方法
    • Requests库的get()方法
    • Requests库的head()方法
• Response对象的属性
• 理解Requests库的异常
  • 爬取网页的通用代码框架
• HTTP协议
  • 协议对资源的操作
  • 理解PATCH和PUT的区别
• HTTP协议与Requests库
• Requests库主要方法解析
  • 1. requests.request(method, url, **kwargs)
  • 2. requests.get(url, params=None, **kwargs)
  • 3. requests.head(url, **kwargs)
  • 4. requests.post(url, data=None, json=None, **kwargs)
  • 5. requests.put(url, data=None, **kwargs)
  • 6. requests.patch(url, data=None, **kwargs)
  • 7. requests.delete(url, **kwargs)

Requests库

Requests库的7个主要方法

方法	说明
requests.request()	构造一个请求，支撑以下各方法的基础方法
requests.get()	获取HTML网页的主要方法，对应于HTTP的GET
requests.head()	获取HTML网页头信息的方法，对应于HTTP的HEAD
requests.post()	向HTML网页提交POST请求的方法，对应于HTTP的POST
requests.put()	向HTML网页提交PUT请求的方法，对应于HTTP的PUT
requests.patch()	向HTML网页提交局部修改请求，对应于HTTP的PATCH
requests.delete()	向HTML页面提交删除请求，对应于HTTP的DELETE

Requests库的get()方法

• r=requests.get(url)

  r：返回一个包含服务器资源的Response对象

  get：构造一个向服务器请求资源的Request对象

import requests	# 导入 requests库
r = requests.get("https://www.baidu.com")	# 使用get请求进行进行访问，得到response响应r
print(r.text)	# 打印response响应的文本内容

Requests库的head()方法

• r=requests.head(url)

  r：返回一个包含服务器资源的Response对象

  head：构造一个向服务器获取HTML网页头信息的方法

# head方法
r = requests.head("https://www.baidu.com")  # 使用head请求进行访问
print(r.headers)    # 通过response响应中的headers打印 html中的头部信息
print(r.text)       # 通过text响应的文本内容无效

Response对象的属性

Response对象包含服务器返回的所有信息，也包含请求的Request信息

属性	说明
r.status_code	HTTP请求的返回状态，200表示连接成功，404表示失败
r.text	HTTP响应内容的字符串形式，即url对于的内容
r.encoding	从HTTP header中猜测的响应内容编码方式
r.apparent_encoding	从内容中分析出的响应内容编码方式（备选编码方式）
r.content	HTTP响应内容的二进制形式

理解Requests库的异常

异常	说明
requests.ConnectionError	网络连接错误异常，如DNS查询失败、拒绝连接等
requests.HTTPError	HTTP错误异常
requests.URLRequired	URL缺失异常
requests.TooManyRedirects	超过最大重定向次数，产生重定向异常
requests.ConnectTimeout	连接远程服务器超时异常
requests.Timeout	请求URL超时，产生超时异常
r.raise_for_status()	如果不是200，产生异常requests.HTTPError

爬取网页的通用代码框架

import requests

def getHTMLText(url):
    try:
        r = requests.get(url, timeout=30)
        r.raise_for_status()	# 如果状态不是200，引发HTTPError异常
        r.encoding = r.apparent_encoding
        return r.text
    except:
        return "产生异常"

HTTP协议

HTTP，Hypertext Transfer Protocol，超文本传输协议

HTTP是一个基于“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标识，URL格式如下：

​ http://host[:port][path]

host：合法的Internet主机域名或IP地址

port：端口号，缺省端口为80

path：请求资源的路径

协议对资源的操作

方法	说明
GET	请求获取URL位置的资源
HEAD	请求获取URL位置的资源的响应消息报告，即获得该资源的头部信息
POST	请求向URL位置的资源后附加新的数据
PUT	请求向URL位置存储一个资源，覆盖原URL位置的资源
PATCH	请求局部更新URL位置的资源，即改变该处资源的部分内容
DELETE	请求删除URL位置存储的资源

理解PATCH和PUT的区别

假设URL位置有一组数据UserInfo,包括UserID、UserName等20个字段
需求：用户修改了UserName，其他不变

• 采用PATCH，仅向URL提交UserInfo的局部更新请求
• 采用PUT，必须将所有20个字段一并提交到URL，未提交字段被删除

PATCH的最主要好处：节省网络带宽

HTTP协议与Requests库

HTTP协议方法	Requests库方法	功能一致性
GET	requests.get()	一致
HEAD	requests.head()	一致
POST	requests.post()	一致
PUT	requests.put()	一致
PATCH	requests.patch()	一致
DELETE	requests.delete()	一致

Requests库主要方法解析

​ Requests库中有7个主要方法。其中，Requests库中最常使用的就是get和head方法

• 1. requests.request(method, url, **kwargs)

  method：请求方式，对应get/put/post等7中

  url：拟获取页面的url链接

  *kwargs：控制访问的参数，13*个。均为可选项

  1. params：字典或字节序列，作为参数增加到url中
  2. data：字典、字节序列或文件对象，作为Request的内容
  3. json：JSON格式的数据，作为Request的内容
  4. headers：字典，HTTP定制头
  5. cookies：字典或CookieJar，Request中的cookie
  6. auth：元组，支持HTTP认证功能
  7. files：字典类型，传输文件
  8. timeout：设定超时时间，秒为单位
  9. proxies：字典类型，设定访问代理服务器，可以增加登录认证
  10. allow_redirects：True/False，默认为True，重定向开关
  11. stream：True/False，默认为True，获取内容立即下载开关
  12. verify：True/False，默认为True，认证SSL证书开关
  13. cert：本地SSL证书路径

• 2. requests.get(url, params=None, **kwargs)

  url：拟获取页面的url链接

  params：url中的额外参数，字典或字节流格式，可选

  *kwargs：控制访问的参数，12*个。均为可选项(与上面内容一致，不再赘述)

• 3. requests.head(url, **kwargs)

  url：拟获取页面的url链接

  *kwargs：控制访问的参数，13*个。均为可选项(与上面内容一致，不再赘述)

• 4. requests.post(url, data=None, json=None, **kwargs)

  url：拟更新页面的url链接

  data：字典、字节序列或文件，Request的内容

  json：JSON格式的数据，作为Request的内容

  *kwargs：控制访问的参数，11*个。均为可选项(与上面内容一致，不再赘述)

• 5. requests.put(url, data=None, **kwargs)

  url：拟更新页面的url链接

  data：字典、字节序列或文件对象，Request的内容

  *kwargs：控制访问的参数，12*个。均为可选项(与上面内容一致，不再赘述)

• 6. requests.patch(url, data=None, **kwargs)

  url：拟更新页面的url链接

  data：字典、字节序列或文件对象，Request的内容

  *kwargs：控制访问的参数，12*个。均为可选项(与上面内容一致，不再赘述)

• 7. requests.delete(url, **kwargs)

  url：拟删除页面的url链接

  *kwargs：控制访问的参数，13*个。均为可选项(与上面内容一致，不再赘述)