爬虫入门【2】Requests库简介

发送请求

使用Requests发送网络请求很简单

#首先要导入requests库
import requests
#返回一个Response对象
r=requests.get('https://github.com/timeline.json')
#由此可以看出来Requests的API十分简单，

#post请求
r=requests.post('http://httpbin.org/post')
#Put请求，delete请求，head请求，options请求
r=requests.put('http://httpbin.org/put')

传递URL参数

一般的get传递参数方法是将数据与url地址用？连起来。
Requests库允许使用params关键字参数，以一个dict来提供这些参数。

import requests
payload={'key1':'value1','key2':'value2'}
r=requests.get('http://httpbin.org/get',params=payload)
print(r.url)#可以看出response对象由url属性

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

响应内容

通过Response的text属性，我们可以读取服务器响应的内容。并且Requests会自动解码来自服务器的内容。

import requests
r=requests.get('https://github.com/timeline.json')
r.text#已经经过自动解码

'{"message":"Hello there, wayfaring stranger. If you’re reading this then you probably didn’t see our blog post a couple of years back announcing that this API would go away: http://git.io/17AROg Fear not, you should be able to get what you need from the shiny new Events API instead.","documentation_url":"https://developer.github.com/v3/activity/events/#list-public-events"}'

r.encoding
#通过encoding属性显示响应的编码，并且可以改变编码属性。可以使用自定义的编码

'utf-8'

二进制响应内容

以字节的方式访问请求响应体

r.content#未解码的内容，

b'{"message":"Hello there, wayfaring stranger. If youxe2x80x99re reading this then you probably didnxe2x80x99t see our blog post a couple of years back announcing that this API would go away: http://git.io/17AROg Fear not, you should be able to get what you need from the shiny new Events API instead.","documentation_url":"https://developer.github.com/v3/activity/events/#list-public-events"}'

#Requests会自动解码gzip和deflate传输编码的响应数据。
#举例，以请求返回的二进制数据创建一张图片
from PIL import Image
from io import BytesIO

i=Image.open(BytesIO(r.content))

JSON响应内容

import requests
r=requests.get('https://github.com/timeline.json')
r.json()

{'documentation_url': 'https://developer.github.com/v3/activity/events/#list-public-events',
 'message': 'Hello there, wayfaring stranger. If you’re reading this then you probably didn’t see our blog post a couple of years back announcing that this API would go away: http://git.io/17AROg Fear not, you should be able to get what you need from the shiny new Events API instead.'}

定制请求头headers

所有的header必须是string、bytestring或者unicode

url='https://api.github.com/some/endpoint'
headers={'user-agent':'my-app/0.0.1'}

r=requests.get(url,headers=headers)

复杂的POST请求

payload={'key1':'value1','key2':'value2'}
#这里还可以讲dict替换成元祖列表，尤其在表单中多个元素使用同一key的时候。
#还可以将data=替换成json=，传入json对象。
r=requests.post('http://httpbin.org/post',data=payload)
print(r.text)

{
  "args": {}, 
  "data": "", 
  "files": {}, 
  "form": {
    "key1": "value1", 
    "key2": "value2"
  }, 
  "headers": {
    "Accept": "*/*", 
    "Accept-Encoding": "gzip, deflate", 
    "Connection": "close", 
    "Content-Length": "23", 
    "Content-Type": "application/x-www-form-urlencoded", 
    "Host": "httpbin.org", 
    "User-Agent": "python-requests/2.18.4"
  }, 
  "json": null, 
  "origin": "36.102.236.202", 
  "url": "http://httpbin.org/post"
}

POST一个多部分编码的文件

url='http://httpbin.org/post'
files={'file':open('report.xls','rb')}#强烈建议使用二进制模式打开文件。
r=requests.post(url,files=files)
r.text#因为我们没有report.xls文件，所以不展示输出结果了

响应状态码

r.status_code#获取状态码
r.status_code==requests.codes.ok#内置由状态码查询对象
#如果发送了一个错误请求，可以通过Response.raise_for_status()抛出异常，如果不是错误码，抛出None

响应头

r.headers

{'Date': 'Thu, 16 Nov 2017 13:01:18 GMT', 'Content-Type': 'application/json', 'Access-Control-Allow-Credentials': 'true', 'X-Processed-Time': '0.00141000747681', 'Via': '1.1 vegur', 'Content-Length': '465', 'Connection': 'keep-alive', 'Access-Control-Allow-Origin': '*', 'Server': 'meinheld/0.6.1', 'X-Powered-By': 'Flask'}

Cookie

#访问cookie
r.cookies['cookie_name']
#发送cookie到服务器
cookies=dict(cookies_are='workding')
r.requests.get(url,cookies=cookies)
r.text#会打印出cookie来

#Cookie的返回对象为RequestsCookieJar，类似于字典，适合跨域名路径使用。
jar=requests.cookies.RequestsCookieJar()
jar.set('tasty_cookie', 'yum', domain='httpbin.org', path='/cookies')
jar.set('gross_cookie', 'blech', domain='httpbin.org', path='/elsewhere')
url = 'http://httpbin.org/cookies'
r = requests.get(url, cookies=jar)
r.text

重定向与请求历史

除了HEAD，Requests会自动处理所有重定向。
可以使用history方法来追踪。

超时

设置timeout参数，以秒为单位。
timeout仅对连接过程有效，与响应体的下载无关。

会话对象

Session对象能够实现跨请求保持参数。并且在同一个session实例发出的所有请求之间保持cookie。
Session对象具有主要的RequestsAPI的所有方法。

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

print(r.text)

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

#会话也可用来为请求方法提供缺省数据
s=request.Session()
s.auth=('user','pass')
s.headers.update({'x-test':'true'})
#x-test和x-test2都会发送出去
s.get('http://httpbin.org/headers',headers={'x-test2':'true'})

#任何传递给请求方法的字典都会与已设置会话层数据合并。但是方法级别的参数不会被跨请求保持，比如：
s=requests.Session()
r=s.get('http://httpbin.org/cookies',cookies={'from-my':'browser'})
print(r.text)

{
  "cookies": {
    "from-my": "browser"
  }
}

r=s.get('http://httpbin.org/cookies')
print(r.text)

{
  "cookies": {}
}

请求与响应对象

其实requests.get()调用，第一是构建一个Request对象，向某个服务器发送请求，第二是从服务器返回的响应Response对象，该对象包含服务器返回的所有信息。

r.headers#访问服务器返回来的响应头部信息
r.request.headers#获取发送到服务器的请求的头部信息

准备的请求

如果在发送请求之前，需要对body或者header进行额外处理，可以这么做：

from requests import Request,Session

s=Session()
req=Request('GET',url,data=data,headers=header)
prepped=req.prepare()
#对prepped的body和header进行修改
resp=s.send(prepped,stream=stream,verify=verify,proxies=proxies,cert=cert,timeout=timeout)
print(resp.status_code)

但是上述代码会失去Requests Session对象的一些优势，尤其是Session级别的状态，要获取一个带有状态的PreparedRequest，需要用Session.prepare_request()取代Request.prepare()的调用。

SSL证书验证

SSL验证默认开始，如果验证失败，会抛出SSLError

requests.get('http://requestb.in')

<Response [200]>

requests.get('https://github.com',verify=True)
#如果设置为False，会忽略对SSL证书的验证。

<Response [200]>

verify可以是包含可信任CA证书的文件夹路径：比如verify='/path/to/certfile'。
或者将verify保持在会话中：

s = requests.Session()
s.verify = '/path/to/certfile'

代理-proxies参数

import requests

proxies = {
  "http": "http://10.10.1.10:3128",
  "https": "http://10.10.1.10:1080",
}

requests.get("http://example.org", proxies=proxies)

如果您觉得感兴趣的话，可以添加我的微信公众号：一步一步学Python