python网络爬虫之requests模块

什么是requests模块

　　requests模块是python中原生的基于网络请求的模块，其主要作用是用来模拟浏览器发起请求。功能强大，用法简洁高效。在爬虫领域中占据着半壁江山的地位。

因为在使用urllib模块的时候，会有诸多不便之处，总结如下：
    手动处理url编码
    手动处理post请求参数
    处理cookie和代理操作繁琐
    ......

   
使用requests模块：
    自动处理url编码
    自动处理post请求参数
    简化cookie和代理操作
    ......

如何使用requests模块

• 安装：
  • pip install requests
• 使用流程
  • 指定url
  • 基于requests模块发起请求
  • 获取响应对象中的数据值
  • 持久化存储

基于如下5点展开requests模块的练习

1.基于requests模块的get请求
2.基于requests模块的post请求
3.基于requests模块ajax的get请求
4.基于requests模块ajax的post请求
5.综合练习

案例演示代码演示：

1.基于requests模块的get请求,需求：

import requests

#1.指定url
headers = {
    'User-Agent':'Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/73.0.3683.103 Safari/537.36'
}
url = 'https://www.sogou.com/'
#2.发起请求:get返回一个响应对象
response = requests.get(url=url,verify=False,headers=headers)
#3.获取响应数据:text属性返回的是字符串形式的响应数据
page_text = response.text
print(page_text)
#4.持久化存储
with open('./sogou.html','w',encoding='utf-8') as fp:
    fp.write(page_text)
    print('over!!!')

import requests
wd = input('enter a word:')
#url携带的参数需要手动处理
url = 'https://www.sogou.com/web'

#将参数手动处理成了字典的形式
param = {
    'query':wd
}
#使用params参数处理了请求携带的参数
response = requests.get(url=url,params=param)

page_text = response.text
fileName = wd+'.html' #文件名

#数据持久化
with open(fileName,'w',encoding='utf-8') as fp:
    fp.write(page_text)
    print(fileName,'爬取成功！')

2.基于requests模块的post请求:

import requests
url = 'https://fanyi.baidu.com/sug'
wd = input('enter something of English:') #这里输入英文翻译成中文
#url携带参数的封装
data = {
    'kw':wd
}
#发起一个post请求
#UA检测这种反爬机制被应用在了大部分的网站中
headers = {
    'User-Agent':'Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/73.0.3683.103 Safari/537.36'
}
response = requests.post(url=url,data=data,headers=headers)
#获取响应数据
#response.text #获取的是字符串形式的json数据
obj_json = response.json() #json（）返回的就是对象类型的响应数据
print(obj_json)

 如果是Content-Type:application/json，可以obj_json = response.json() #json（）返回的就是对象类型的响应数据

3.基于requests模块ajax的git请求:

 

prsponse这里的数据在世我们拿到的数据信息

在线JSON校验格式化工具：http://www.bejson.com/

 

#!/usr/bin/env python
# -*- coding:utf-8 -*-

import requests
import urllib.request
if __name__ == "__main__":

    #指定ajax-get请求的url（通过抓包进行获取）
    url = 'https://movie.douban.com/j/chart/top_list?'

    #定制请求头信息，相关的头信息必须封装在字典结构中
    headers = {
        #定制请求头中的User-Agent参数，当然也可以定制请求头中其他的参数
        'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/66.0.3359.181 Safari/537.36',
    }

    #定制get请求携带的参数(从抓包工具中获取)
    param = {
        'type':'5',
        'interval_id':'100:90',
        'action':'',
        'start':'0',
        'limit':'20'
    }
    #发起get请求，获取响应对象
    response = requests.get(url=url,headers=headers,params=param)

    #获取响应内容：响应内容为json串
    print(response.text)
    movie_list = response.json()
    print(movie_list) #y以json格式拿取列表里嵌套着字典，每个字典是一电影的详情

    all_names = []
    for dic in movie_list:
        print(dic)
        name = dic['title']
        all_names.append(name)

    print(all_names)

需求：爬取豆瓣电影分类排行榜的电影名称

 4.基于requests模块ajax的post请求:

ajax动态加载数据抓包查看方法

#!/usr/bin/env python
# -*- coding:utf-8 -*-

import requests
import urllib.request

if __name__ == "__main__":

    #指定ajax-post请求的url（通过抓包进行获取）
    url = 'http://www.kfc.com.cn/kfccda/ashx/GetStoreList.ashx?op=keyword'

    #定制请求头信息，相关的头信息必须封装在字典结构中
    headers = {
        #定制请求头中的User-Agent参数，当然也可以定制请求头中其他的参数
        'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/66.0.3359.181 Safari/537.36',
    }

    #定制post请求携带的参数(从抓包工具中获取)
    data = {
        'cname':'',
        'pid':'',
        'keyword':'北京',
        'pageIndex': '1',
        'pageSize': '100'
    }
    #发起post请求，获取响应对象
    response = requests.post(url=url,headers=headers,data=data)

    #获取响应内容：响应内容为json串
    print(response.text)

5.综合练习:

 这里引入一个fake_useragent第三方库，随机生成UserAgent请求头设置

安装  ：pip3 install fake-useragent
查看安装的版本号：pip3 list 

使用：
from fake_useragent import UserAgent

ua = UserAgent() # 禁用服务器缓存：ua = UserAgent(use_cache_server=False)， 不缓存数据：ua = UserAgent(cache=False)，忽略ssl验证：ua = UserAgent(verify_ssl=False)
print(ua.ie)   #随机打印ie浏览器任意版本
print(ua.firefox) #随机打印firefox浏览器任意版本
print(ua.chrome)  #随机打印chrome浏览器任意版本
print(ua.random)  #随机打印任意厂家的浏览器

需求：
爬取国家药品监督管理局企业许可相关信息：http://125.35.6.84:81/xk/

问题描述：
    获取分页数据，根据不同企业，在二级页面获取许可相关信息

知识点：
1.抓取数据包使用ajax的post请求
2.使用fake_useragent实现动态生成UA
3.该请求响应回来的数据有两个，可以根据content-type,来获取指定的响应数据：
    一个是基于text
    一个是基于json的
4.json在线格式化效验工具：http://www.bejson.com/

1.抓取ajax数据包

post提交的分页请求数据

通过抓包工具获得首页li标签公司每条信息，从中提取二级页面跳转地址

获取二级页面信息:

Response才是我们程序获取的数据

import requests
from fake_useragent import UserAgent

ua = UserAgent(use_cache_server=False).random
headers = {
    'User-Agent':ua
}

url = 'http://125.35.6.84:81/xk/itownet/portalAction.do?method=getXkzsList'
for page in range(3,5):
    data = {
        'on': 'true',
        'page': str(page),
        'pageSize': '15',
        'productName':'',
        'conditionType': '1',
        'applyname':'',
        'applysn':''
    }

    json_text = requests.post(url=url,data=data,headers=headers).json()
    all_id_list = []
    for dict in json_text['list']:
        id = dict['ID']#用于二级页面数据获取
        #下列详情信息可以在二级页面中获取
        # name = dict['EPS_NAME']
        # product = dict['PRODUCT_SN']
        # man_name = dict['QF_MANAGER_NAME']
        # d1 = dict['XC_DATE']
        # d2 = dict['XK_DATE']
        all_id_list.append(id)
    #该url是一个ajax的post请求
    post_url = 'http://125.35.6.84:81/xk/itownet/portalAction.do?method=getXkzsById'
    for id in  all_id_list:
        post_data = {
            'id':id
        }
        response = requests.post(url=post_url,data=post_data,headers=headers)
        #该请求响应回来的数据有两个，一个是基于text，一个是基于json的，所以可以根据content-type,来获取指定的响应数据
        if response.headers['Content-Type'] == 'application/json;charset=UTF-8':
            #print(response.json())
            #进行json解析
            json_text = response.json()
            print(json_text['businessPerson'],json_text['productSn'],type(json_text['productSn']))