乐趣区

Python3网络爬虫实战24requests基本使用

jiezi

上一篇文章：Python3 网络爬虫实战 —23、使用 Urllib：分析 Robots 协议
下一篇文章：

在前面一节我们了解了 Urllib 的基本用法，但是其中确实有不方便的地方。比如处理网页验证、处理 Cookies 等等，需要写 Opener、Handler 来进行处理。为了更加方便地实现这些操作，在这里就有了更为强大的库 Requests，有了它，Cookies、登录验证、代理设置等等的操作都不是事儿。

那么接下来就让我们来领略一下它的强大之处吧。

1 基本使用

本节我们首先来了解下 Requests 库的基本使用方法。

1. 准备工作

在本节开始之前请确保已经正确安装好了 Requests 库，如果没有安装可以参考第一章的安装说明。

2. 实例引入

在 Urllib 库中有 urlopen() 的方法，实际上它是以 GET 方式请求了一个网页。
那么在 Requests 中，相应的方法就是 get() 方法，是不是感觉表达更明确一些？
下面我们用一个实例来感受一下：

import requests
r=requests.get('http://httpbin.org/get')
print(type(r),r.status_code,type(r.text),r.text,type(r.cookies),r.cookies,sep='\n')

运行结果如下：

<class 'requests.models.Response'>
200
<class 'str'>
{"args": {}, 
  "headers": {
    "Accept": "*/*", 
    "Accept-Encoding": "gzip, deflate", 
    "Host": "httpbin.org", 
    "User-Agent": "python-requests/2.21.0"
  }, 
  "origin": "114.253.118.8, 114.253.118.8", 
  "url": "https://httpbin.org/get"
}

<class 'requests.cookies.RequestsCookieJar'>
<RequestsCookieJar[]>

上面的例子中我们调用 get() 方法即可实现和 urlopen() 相同的操作，得到一个 Response 对象，然后分别输出了 Response 的类型，Status Code，Response Body 的类型、内容还有 Cookies。
通过上述实例可以发现，它的返回类型是 requests.models.Response，Response Body 的类型是字符串 str，Cookies 的类型是 RequestsCookieJar。
使用了 get() 方法就成功实现了一个 GET 请求，但这倒不算什么，更方便的在于其他的请求类型依然可以用一句话来完成。
用一个实例来感受一下：

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')

在这里分别用 post()、put()、delete() 等方法实现了 POST、PUT、DELETE 等请求，怎么样？是不是比 Urllib 简单太多了？
其实这只是冰山一角，更多的还在后面。

3. GET 请求

HTTP 中最常见的请求之一就是 GET 请求，我们首先来详细了解下利用 Requests 来构建 GET 请求的方法以及相关属性方法操作。

基本实例

首先让我们来构建一个最简单的 GET 请求，请求的链接为：http://httpbin.org/get，它会判断如果如果是 GET 请求的话，会返回响应的 Request 信息。

import requests

r = requests.get('http://httpbin.org/get')
print(r.text)
运行结果如下：{"args": {}, 
  "headers": {
    "Accept": "*/*", 
    "Accept-Encoding": "gzip, deflate", 
    "Host": "httpbin.org", 
    "User-Agent": "python-requests/2.10.0"
  }, 
  "origin": "122.4.215.33", 
  "url": "http://httpbin.org/get"
}

可以发现我们成功发起了 GET 请求，返回的结果中包含了 Request Headers、URL、IP 等信息。
那么 GET 请求，如果要附加额外的信息一般是怎样来添加？比如现在我想添加两个参数，名字 name 是 germey，年龄 age 是 22。构造这个请求链接是不是我们要直接写成：
r = requests.get(‘http://httpbin.org/get?name=g…;age=22’)
可以是可以，但是不觉得很不人性化吗？一般的这种信息数据我们会用字典来存储，那么怎样来构造这个链接呢？
同样很简单，利用 params 这个参数就好了。
实例如下：

import requests

data = {
    'name': 'germey',
    'age': 22
}
r = requests.get("http://httpbin.org/get", params=data)
print(r.text)

运行结果如下：

{
  "args": {
    "age": "22", 
    "name": "germey"
  }, 
  "headers": {
    "Accept": "*/*", 
    "Accept-Encoding": "gzip, deflate", 
    "Host": "httpbin.org", 
    "User-Agent": "python-requests/2.10.0"
  }, 
  "origin": "122.4.215.33", 
  "url": "http://httpbin.org/get?age=22&amp;name=germey"
}

通过返回信息我们可以判断，请求的链接自动被构造成了：http://httpbin.org/get?age=22…;name=germey。
另外，网页的返回类型实际上是 str 类型，但是它很特殊，是 Json 的格式，所以如果我们想直接把返回结果解析，得到一个字典格式的话，可以直接调用 json() 方法。
用一个实例来感受一下：

import requests

r = requests.get("http://httpbin.org/get")
print(type(r.text))
print(r.json())
print(type(r.json()))

运行结果如下：
<class ‘str’>
{‘headers’: {‘Accept-Encoding’: ‘gzip, deflate’, ‘Accept’: ‘/‘, ‘Host’: ‘httpbin.org’, ‘User-Agent’: ‘python-requests/2.10.0’}, ‘url’: ‘http://httpbin.org/get’, ‘args’: {}, ‘origin’: ‘182.33.248.131’}
<class ‘dict’>
可以发现，调用 json() 方法，就可以将返回结果是 Json 格式的字符串转化为字典。
但注意，如果返回结果不是 Json 格式，便会出现解析错误，抛出 json.decoder.JSONDecodeError 的异常。

抓取网页

如上的请求链接返回的是 Json 形式的字符串，那么如果我们请求普通的网页，那么肯定就能获得相应的内容了。
下面我们以知乎-发现页面为例来感受一下：

import requests
import re

headers = {'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_11_4) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/52.0.2743.116 Safari/537.36'
}
r = requests.get("https://www.zhihu.com/explore", headers=headers)
pattern = re.compile('explore-feed.*?question_link.*?&gt;(.*?)&lt;/a&gt;', re.S)
titles = re.findall(pattern, r.text)
print(titles)

如上代码，我们请求了知乎-发现页面：https://www.zhihu.com/explore，在这里加入了 Headers 信息，其中包含了 User-Agent 字段信息，也就是浏览器标识信息。如果不加这个，知乎会禁止抓取。
在接下来用到了最基础的正则表达式，来匹配出所有的问题内容，关于正则表达式会在后面的章节中详细介绍，在这里作为用到实例来配合讲解。
运行结果如下：

['\n 如何评价杨超越对偶像意义的理解？\n', '\n 中国绿发会宣称「穿山甲功能性灭绝」，引发学者质疑后反控对方诽谤，应该相信哪边？\n', '\n 如何科学地解释 MacBook Pro 2019 的 CPU 性能表现接近甚至超过 ROG 玩家国度枪神 3？\n', '\n 如何评价杨超越对偶像意义的理解？\n', '\n 盛京剑客为啥退出知乎了？\n', '\n 怎么看我国跆拳道选手郑姝音被判负后众人不满，我国参加类似比赛还有必要么？\n', '\n 你为什么这么不愿意《极限挑战》换人？\n', '\n「吉卜力工作室」是一家怎样的动画制作公司？\n', '\n 你为什么不喜欢张雪迎？\n', '\n《王者荣耀》中，你遇到哪些有意思的队友？\n']

发现成功提取出了所有的问题内容。

抓取二进制数据

在上面的例子中，我们抓取的是知乎的一个页面，实际上它返回的是一个 HTML 文档，那么如果我们想抓去图片、音频、视频等文件的话应该怎么办呢？
我们都知道，图片、音频、视频这些文件都是本质上由二进制码组成的，由于有特定的保存格式和对应的解析方式，我们才可以看到这些形形色色的多媒体。所以想要抓取他们，那就需要拿到他们的二进制码。
下面我们以 GitHub 的站点图标为例来感受一下：

import requests

r = requests.get("https://github.com/favicon.ico")
print(r.text)
print(r.content)

抓取的内容是站点图标，也就是在浏览器每一个标签上显示的小图标，如图 3-3 所示：

图 3-3 站点图标
在这里打印了 Response 对象的两个属性，一个是 text，另一个是 content。
运行结果如下，由于包含特殊内容，在此放运行结果的图片，如图 3-4 所示：

图 3-4 运行结果
那么前两行便是 r.text 的结果，最后一行是 r.content 的结果。
可以注意到，前者出现了乱码，后者结果前面带有一个 b，代表这是 bytes 类型的数据。由于图片是二进制数据，所以前者在打印时转化为 str 类型，也就是图片直接转化为字符串，理所当然会出现乱码。
两个属性有什么区别？前者返回的是字符串类型，如果返回结果是文本文件，那么用这种方式直接获取其内容即可。如果返回结果是图片、音频、视频等文件，Requests 会为我们自动解码成 bytes 类型，即获取字节流数据。
进一步地，我们可以将刚才提取到的图片保存下来。

import requests

r = requests.get("https://github.com/favicon.ico")
with open('favicon.ico', 'wb') as f:
    f.write(r.content)

在这里用了 open() 方法，第一个参数是文件名称，第二个参数代表以二进制写的形式打开，可以向文件里写入二进制数据，然后保存。
运行结束之后，可以发现在文件夹中出现了名为 favicon.ico 的图标，如图 3- 5 所示：

图 3-5 图标
同样的，音频、视频文件也可以用这种方法获取。

添加 Headers

如 urllib.request 一样，我们也可以通过 headers 参数来传递头信息。
比如上面的知乎的例子，如果不传递 Headers，就不能正常请求：

import requests

r = requests.get("https://www.zhihu.com/explore")
print(r.text)

运行结果如下：

<html>
<head><title>400 Bad Request</title></head>
<body bgcolor="white">
<center><h1>400 Bad Request</h1></center>
<hr><center>openresty</center>
</body>
</html>

但如果加上 Headers 中加上 User-Agent 信息，那就没问题了：

import requests

headers = {'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_11_4) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/52.0.2743.116 Safari/537.36'
}
r = requests.get("https://www.zhihu.com/explore", headers=headers)
print(r.text)

当然我们可以在 headers 这个参数中任意添加其他的字段信息。

4. POST 请求

在前面我们了解了最基本的 GET 请求，另外一种比较常见的请求方式就是 POST 了，就像模拟表单提交一样，将一些数据提交到某个链接。
使用 Request 是实现 POST 请求同样非常简单。
我们先用一个实例来感受一下：

import requests

data = {'name': 'germey', 'age': '22'}
r = requests.post("http://httpbin.org/post", data=data)
print(r.text)

这里我们还是请求：http://httpbin.org/post，它可以判断如果请求是 POST 方式，就把相关请求信息输出出来。
运行结果如下：

{"args": {}, 
  "data": "","files": {},"form": {"age":"22","name":"germey"},"headers": {"Accept":"*/*","Accept-Encoding":"gzip, deflate","Content-Length":"18","Content-Type":"application/x-www-form-urlencoded","Host":"httpbin.org","User-Agent":"python-requests/2.10.0"},"json": null,"origin":"182.33.248.131","url":"http://httpbin.org/post"
}

可以发现，成功获得了返回结果，返回结果中的 form 部分就是提交的数据，那么这就证明 POST 请求成功发送了。

5. Response

发送 Request 之后，得到的自然就是 Response，在上面的实例中我们使用了 text 和 content 获取了 Response 内容，不过还有很多属性和方法可以获取其他的信息，比如状态码 Status Code、Headers、Cookies 等信息。
下面用一个实例来感受一下：

import requests

r = requests.get('http://www.baidu.com')
print(type(r.status_code), r.status_code)
print(type(r.headers), r.headers)
print(type(r.cookies), r.cookies)
print(type(r.url), r.url)
print(type(r.history), r.history)

在这里分别打印输出了 status_code 属性得到状态码，headers 属性得到 Response Headers，cookies 属性得到 Cookies，url 属性得到 URL，history 属性得到请求历史。
运行结果如下：

<class 'int'> 200
<class 'requests.structures.CaseInsensitiveDict'> {'Cache-Control': 'private, no-cache, no-store, proxy-revalidate, no-transform', 'Connection': 'Keep-Alive', 'Content-Encoding': 'gzip', 'Content-Type': 'text/html', 'Date': 'Mon, 17 Jun 2019 11:01:04 GMT', 'Last-Modified': 'Mon, 23 Jan 2017 13:27:32 GMT', 'Pragma': 'no-cache', 'Server': 'bfe/1.0.8.18', 'Set-Cookie': 'BDORZ=27315; max-age=86400; domain=.baidu.com; path=/', 'Transfer-Encoding': 'chunked'}
<class 'requests.cookies.RequestsCookieJar'> <RequestsCookieJar[<Cookie BDORZ=27315 for .baidu.com/>]>
<class 'str'> http://www.baidu.com/
<class 'list'> []

可以看到，headers 还有 cookies 这两个属性得到的结果分别是 CaseInsensitiveDict 和 RequestsCookieJar 类型。
在这里 Status Code 常用来判断请求是否成功，Requests 还提供了一个内置的 Status Code 查询对象 requests.codes。
用一个实例来感受一下：

import requests

r = requests.get('http://www.jianshu.com')
exit() if not r.status_code == requests.codes.ok else print('Request Successfully')

在这里，通过比较返回码和内置的成功的返回码是一致的，来保证请求得到了正常响应，输出成功请求的消息，否则程序终止，在这里我们用 requests.codes.ok 得到的是成功的状态码 200。
那么肯定不能只有 ok 这个条件码，下面列出了返回码和相应的查询条件：

# 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')

比如如果我们想判断结果是不是 404 状态，可以用 requests.codes.not_found 来比对。

6. 结语

本节我们了解了利用 Requests 模拟最基本的 GET 和 POST 请求的过程，关于更多高级的用法，会在下一节进行讲解。

退出移动版