Python爬虫利器一之Requests库的用法

前言

之前我们用了 urllib 库，这个作为入门的工具还是不错的，对了解一些爬虫的基本理念，掌握爬虫爬取的流程有所帮助。入门之后，我们就需要学习一些更加高级的内容和工具来方便我们的爬取。那么这一节来简单介绍一下 requests 库的基本用法。

注：Python 版本依然基于 2.7

官方文档

以下内容大多来自于官方文档，本文进行了一些修改和总结。要了解更多可以参考

官方文档

安装

利用 pip 安装

1
$ pip install requests

或者利用 easy_install

1


$
easy_install
requests

通过以上两种方法均可以完成安装。

引入

首先我们引入一个小例子来感受一下

1
2
3
4
5
6
7
8
import requests
 
r = requests.get('http://cuiqingcai.com')
print type(r)
print r.status_code
print r.encoding
#print r.text
print r.cookies

以上代码我们请求了本站点的网址，然后打印出了返回结果的类型，状态码，编码方式，Cookies等内容。

运行结果如下

1

2

3

4

<class
'requests.models.Response'>

200

UTF-8

<RequestsCookieJar[]>

怎样，是不是很方便。别急，更方便的在后面呢。

基本请求

requests库提供了http所有的基本请求方式。例如

1
2
3
4
5
r = requests.post("http://httpbin.org/post")
r = requests.put("http://httpbin.org/put")
r = requests.delete("http://httpbin.org/delete")
r = requests.head("http://httpbin.org/get")
r = requests.options("http://httpbin.org/get")

嗯，一句话搞定。

基本GET请求

最基本的GET请求可以直接用get方法

1


r
=
requests.get("http://httpbin.org/get")

如果想要加参数，可以利用 params 参数

1
2
3
4
5
import requests
 
payload = {'key1': 'value1', 'key2': 'value2'}
r = requests.get("http://httpbin.org/get", params=payload)
print r.url

运行结果

1

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

如果想请求JSON文件，可以利用 json() 方法解析

例如自己写一个JSON文件命名为a.json，内容如下

1
2
3
["foo", "bar", {
  "foo": "bar"
}]

利用如下程序请求并解析

1

2

3

4

5

import
requests

r
=
requests.get("a.json")

print
r.text

print
r.json()

运行结果如下，其中一个是直接输出内容，另外一个方法是利用 json() 方法解析，感受下它们的不同

1
2
3
4
["foo", "bar", {
 "foo": "bar"
 }]
 [u'foo', u'bar', {u'foo': u'bar'}]

如果想获取来自服务器的原始套接字响应，可以取得 r.raw 。不过需要在初始请求中设置 stream=True 。

1

2

3

4

5


r
=
requests.get('https://github.com/timeline.json',
stream=True)

r.raw

<requests.packages.urllib3.response.HTTPResponse
object
at
0x101194810>

r.raw.read(10)

'\x1f\x8b\x08\x00\x00\x00\x00\x00\x00\x03'

这样就获取了网页原始套接字内容。

如果想添加 headers，可以传 headers 参数

1
2
3
4
5
6
import requests
 
payload = {'key1': 'value1', 'key2': 'value2'}
headers = {'content-type': 'application/json'}
r = requests.get("http://httpbin.org/get", params=payload, headers=headers)
print r.url

通过headers参数可以增加请求头中的headers信息

基本POST请求

对于 POST 请求来说，我们一般需要为它增加一些参数。那么最基本的传参方法可以利用 data 这个参数。

1

2

3

4

5


import
requests

 

payload
=
{'key1':
'value1',
'key2':
'value2'}

r
=
requests.post("http://httpbin.org/post",
data=payload)

print
r.text

运行结果

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
{
  "args": {}, 
  "data": "", 
  "files": {}, 
  "form": {
    "key1": "value1", 
    "key2": "value2"
  }, 
  "headers": {
    "Accept": "*/*", 
    "Accept-Encoding": "gzip, deflate", 
    "Content-Length": "23", 
    "Content-Type": "application/x-www-form-urlencoded", 
    "Host": "httpbin.org", 
    "User-Agent": "python-requests/2.9.1"
  }, 
  "json": null, 
  "url": "http://httpbin.org/post"
}

可以看到参数传成功了，然后服务器返回了我们传的数据。

有时候我们需要传送的信息不是表单形式的，需要我们传JSON格式的数据过去，所以我们可以用 json.dumps() 方法把表单数据序列化。

1

2

3

4

5

6

7


import
json

import
requests

 

url
=
'http://httpbin.org/post'

payload
=
{'some':
'data'}

r
=
requests.post(url,
data=json.dumps(payload))

print
r.text

运行结果

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
{
  "args": {}, 
  "data": "{\"some\": \"data\"}", 
  "files": {}, 
  "form": {}, 
  "headers": {
    "Accept": "*/*", 
    "Accept-Encoding": "gzip, deflate", 
    "Content-Length": "16", 
    "Host": "httpbin.org", 
    "User-Agent": "python-requests/2.9.1"
  }, 
  "json": {
    "some": "data"
  },  
  "url": "http://httpbin.org/post"
}

通过上述方法，我们可以POST JSON格式的数据

如果想要上传文件，那么直接用 file 参数即可

新建一个 a.txt 的文件，内容写上 Hello World!

1

2

3

4

5

6


import
requests

 

url
=
'http://httpbin.org/post'

files
=
{'file':
open('test.txt',
'rb')}

r
=
requests.post(url,
files=files)

print
r.text

可以看到运行结果如下

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
{
  "args": {}, 
  "data": "", 
  "files": {
    "file": "Hello World!"
  }, 
  "form": {}, 
  "headers": {
    "Accept": "*/*", 
    "Accept-Encoding": "gzip, deflate", 
    "Content-Length": "156", 
    "Content-Type": "multipart/form-data; boundary=7d8eb5ff99a04c11bb3e862ce78d7000", 
    "Host": "httpbin.org", 
    "User-Agent": "python-requests/2.9.1"
  }, 
  "json": null, 
  "url": "http://httpbin.org/post"
}

这样我们便成功完成了一个文件的上传。

requests 是支持流式上传的，这允许你发送大的数据流或文件而无需先把它们读入内存。要使用流式上传，仅需为你的请求体提供一个类文件对象即可

1

2


with
open('massive-body')
as
f:

    requests.post('http://some.url/streamed',
data=f)

这是一个非常实用方便的功能。

Cookies

如果一个响应中包含了cookie，那么我们可以利用 cookies 变量来拿到

1
2
3
4
5
6
import requests
 
url = 'http://example.com'
r = requests.get(url)
print r.cookies
print r.cookies['example_cookie_name']

以上程序仅是样例，可以用 cookies 变量来得到站点的 cookies

另外可以利用 cookies 变量来向服务器发送 cookies 信息

1

2

3

4

5

6


import
requests

 

url
=
'http://httpbin.org/cookies'

cookies
=
dict(cookies_are='working')

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

print
r.text

运行结果

1
'{"cookies": {"cookies_are": "working"}}'

可以已经成功向服务器发送了 cookies

超时配置

可以利用 timeout 变量来配置最大请求时间

1


<span
class="n">requests</span><span
class="o">.</span><span
class="n">get</span><span
class="p">(</span><span
class="s">'http://github.com'</span><span
class="p">,</span>
<span
class="n">timeout</span><span
class="o">=</span><span
class="mf">0.001</span><span
class="p">)</span>

注：timeout 仅对连接过程有效，与响应体的下载无关。

也就是说，这个时间只限制请求的时间。即使返回的 response 包含很大内容，下载需要一定时间，然而这并没有什么卵用。

会话对象

在以上的请求中，每次请求其实都相当于发起了一个新的请求。也就是相当于我们每个请求都用了不同的浏览器单独打开的效果。也就是它并不是指的一个会话，即使请求的是同一个网址。比如

1
2
3
4
5
import requests
 
requests.get('http://httpbin.org/cookies/set/sessioncookie/123456789')
r = requests.get("http://httpbin.org/cookies")
print(r.text)

结果是

1

2

3

{

  "cookies":
{}

}

很明显，这不在一个会话中，无法获取 cookies，那么在一些站点中，我们需要保持一个持久的会话怎么办呢？就像用一个浏览器逛淘宝一样，在不同的选项卡之间跳转，这样其实就是建立了一个长久会话。

解决方案如下

1
2
3
4
5
6
import requests
 
s = requests.Session()
s.get('http://httpbin.org/cookies/set/sessioncookie/123456789')
r = s.get("http://httpbin.org/cookies")
print(r.text)

在这里我们请求了两次，一次是设置 cookies，一次是获得 cookies

运行结果

1

2

3

4

5

{

  "cookies":
{

    "sessioncookie":
"123456789"

  }

}

发现可以成功获取到 cookies 了，这就是建立一个会话到作用。体会一下。

那么既然会话是一个全局的变量，那么我们肯定可以用来全局的配置了。

1
2
3
4
5
6
import requests
 
s = requests.Session()
s.headers.update({'x-test': 'true'})
r = s.get('http://httpbin.org/headers', headers={'x-test2': 'true'})
print r.text

通过 s.headers.update 方法设置了 headers 的变量。然后我们又在请求中设置了一个 headers，那么会出现什么结果？

很简单，两个变量都传送过去了。

运行结果

1

2

3

4

5

6

7

8

9

10

{

  "headers":
{

    "Accept":
"*/*",

    "Accept-Encoding":
"gzip, deflate",

    "Host":
"httpbin.org",

    "User-Agent":
"python-requests/2.9.1",

    "X-Test":
"true",

    "X-Test2":
"true"

  }

}

如果get方法传的headers 同样也是 x-test 呢？

1
r = s.get('http://httpbin.org/headers', headers={'x-test': 'true'})

嗯，它会覆盖掉全局的配置

1

2

3

4

5

6

7

8

9

{

  "headers":
{

    "Accept":
"*/*",

    "Accept-Encoding":
"gzip, deflate",

    "Host":
"httpbin.org",

    "User-Agent":
"python-requests/2.9.1",

    "X-Test":
"true"

  }

}

那如果不想要全局配置中的一个变量了呢？很简单，设置为 None 即可

1
r = s.get('http://httpbin.org/headers', headers={'x-test': None})

运行结果

1

2

3

4

5

6

7

8

{

  "headers":
{

    "Accept":
"*/*",

    "Accept-Encoding":
"gzip, deflate",

    "Host":
"httpbin.org",

    "User-Agent":
"python-requests/2.9.1"

  }

}

嗯，以上就是 session 会话的基本用法

SSL证书验证

现在随处可见 https 开头的网站，Requests可以为HTTPS请求验证SSL证书，就像web浏览器一样。要想检查某个主机的SSL证书，你可以使用 verify 参数

现在 12306 证书不是无效的嘛，来测试一下

1
2
3
4
import requests
 
r = requests.get('https://kyfw.12306.cn/otn/', verify=True)
print r.text

结果

1


requests.exceptions.SSLError:
[SSL:
CERTIFICATE_VERIFY_FAILED]
certificate
verify
failed
(_ssl.c:590)

果真如此

来试下 github 的

1
2
3
4
import requests
 
r = requests.get('https://github.com', verify=True)
print r.text

嗯，正常请求，内容我就不输出了。

如果我们想跳过刚才 12306 的证书验证，把 verify 设置为 False 即可

1

2

3

4

import
requests

r
=
requests.get('https://kyfw.12306.cn/otn/',
verify=False)

print
r.text

发现就可以正常请求了。在默认情况下 verify 是 True，所以如果需要的话，需要手动设置下这个变量。

代理

如果需要使用代理，你可以通过为任意请求方法提供 proxies 参数来配置单个请求

1
2
3
4
5
6
7
import requests
 
proxies = {
  "https": "http://41.118.132.69:4433"
}
r = requests.post("http://httpbin.org/post", proxies=proxies)
print r.text

也可以通过环境变量 HTTP_PROXY 和 HTTPS_PROXY 来配置代理

1

2


export
HTTP_PROXY="http://10.10.1.10:3128"

export
HTTPS_PROXY="http://10.10.1.10:1080"

通过以上方式，可以方便地设置代理。

API

以上讲解了 requests 中最常用的参数，如果需要用到更多，请参考官方文档 API

API

结语

以上总结了一下 requests 的基本用法，如果你对爬虫有了一定的基础，那么肯定可以很快上手，在此就不多赘述了。

练习才是王道，大家尽快投注于实践中吧。

转载请注明：静觅 » Python爬虫利器一之Requests库的用法

Biegral Blog