共计 5797 个字符,预计需要花费 15 分钟才能阅读完成。
次要学习 requests 这个 http 模块,requests 次要用于发送申请获取响应,该模块有很多的代替模块,比如说 urllib 模块,然而在工作中用的最多的还是 requests 模块,requests 的代码简洁易懂,绝对于臃肿的 urllib 模块,应用 requests 编写的爬虫代码将会更少,而且实现某一性能将会简略。所以在 python 中 requests 模块很的重要,倡议大家熟练掌握该模块的应用。
requests 模块
咱们来学习如何在代码中实现咱们的爬虫
1. requests 模块介绍
requests 文档 http://docs.python-requests.org/zh_CN/latest/index.html
** 1.1 requests 模块的作用:**
发送 http 申请,获取响应数据
1.2 requests 模块是一个第三方模块,须要在你的 python(虚构) 环境中额定装置
pip/pip3 install requests
1.3 requests 模块发送 get 申请
需要:通过 requests 向百度首页发送申请,获取该页面的源码
运行上面的代码,察看打印输出的后果
# 1.2.1- 简略的代码实现
import requests
# 指标 url
url = 'https://www.baidu.com'
# 向指标 url 发送 get 申请
response = requests.get(url)
# 打印响应内容
print(response.text)
知识点:把握 requests 模块发送 get 申请
2. response 响应对象
察看上边代码运行后果发现,有好多乱码;这是因为编解码应用的字符集不同早造成的;咱们尝试应用下边的方法来解决中文乱码问题
# 1.2.2-response.content
import requests
# 指标 url
url = 'https://www.baidu.com'
# 向指标 url 发送 get 申请
response = requests.get(url)
# 打印响应内容
# print(response.text)
print(response.content.decode()) # 留神这里!
1.response.text 是 requests 模块依照 chardet 模块揣测出的编码字符集进行解码的后果
2. 网络传输的字符串都是 bytes 类型的,所以 response.text = response.content.decode('揣测出的编码字符集')
3. 咱们能够在网页源码中搜寻 charset,尝试参考该编码字符集,留神存在不精确的状况
2.1 response.text 和 response.content 的区别:
response.text
类型:str
解码类型:requests 模块主动依据 HTTP 头部对响应的编码作出有依据的揣测,揣测的文本编码
response.content
类型:bytes
解码类型:没有指定
2.2 通过对 response.content 进行 decode,来解决中文乱码
response.content.decode() 默认 utf-8
response.content.decode("GBK")
常见的编码字符集
- utf-8
- gbk
- gb2312
- ascii(读音:阿斯克码)
- iso-8859-1
2.3 response 响应对象的其它罕用属性或办法
response = requests.get(url) 中 response 是发送申请获取的响应对象;response 响应对象中除了 text、content 获取响应内容以外还有其它罕用的属性或办法:
response.url 响应的 url;有时候响应的 url 和申请的 url 并不统一
response.status_code 响应状态码
response.request.headers 响应对应的申请头
response.headers 响应头
response.request._cookies 响应对应申请的 cookie;返回 cookieJar 类型
response.cookies 响应的 cookie(通过了 set-cookie 动作;返回 cookieJar 类型
response.json() 主动将 json 字符串类型的响应内容转换为 python 对象(dict or list)
# 1.2.3-response 其它罕用属性
import requests
# 指标 url
url = 'https://www.baidu.com'
# 向指标 url 发送 get 申请
response = requests.get(url)
# 打印响应内容
# print(response.text)
# print(response.content.decode()) # 留神这里!print(response.url) # 打印响应的 url
print(response.status_code) # 打印响应的状态码
print(response.request.headers) # 打印响应对象的申请头
print(response.headers) # 打印响应头
print(response.request._cookies) # 打印申请携带的 cookies
print(response.cookies) # 打印响应中携带的 cookies
3. requests 模块发送申请
3.1 发送带 header 的申请
咱们先写一个获取百度首页的代码
import requests
url = 'https://www.baidu.com'
response = requests.get(url)
print(response.content.decode())
# 打印响应对应申请的申请头信息
print(response.request.headers)
3.1.1 思考
比照浏览器上百度首页的网页源码和代码中的百度首页的源码,有什么不同?查看网页源码的办法:右键 - 查看网页源代码 或
右键 - 查看
比照对应 url 的响应内容和代码中的百度首页的源码,有什么不同?查看对应 url 的响应内容的办法:右键 - 查看
点击 Net work
勾选 Preserve log
刷新页面
查看 Name 一栏下和浏览器地址栏雷同的 url 的 Response
代码中的百度首页的源码非常少,为什么?须要咱们带上申请头信息
回顾爬虫的概念,模仿浏览器,坑骗服务器,获取和浏览器统一的内容
申请头中有很多字段,其中 User-Agent 字段必不可少,示意客户端的操作系统以及浏览器的信息
3.1.2 携带申请头发送申请的办法
requests.get(url, headers=headers)
headers 参数接管字典模式的申请头
申请头字段名作为 key,字段对应的值作为 value
3.1.3 实现代码实现
从浏览器中复制 User-Agent,结构 headers 字典;实现上面的代码后,运行代码查看后果
import requests
url = 'https://www.baidu.com'
headers = {"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/54.0.2840.99 Safari/537.36"}
# 在申请头中带上 User-Agent,模仿浏览器发送申请
response = requests.get(url, headers=headers)
print(response.content)
# 打印申请头信息
print(response.request.headers)
3.2 发送带参数的申请
咱们在应用百度搜寻的时候常常发现 url 地址中会有一个 ?,那么该问号后边的就是申请参数,又叫做查问字符串
3.2.1 在 url 携带参数
间接对含有参数的 url 发动申请
import requests
headers = {"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/54.0.2840.99 Safari/537.36"}
url = 'https://www.baidu.com/s?wd=python'
response = requests.get(url, headers=headers)
3.2.2 通过 params 携带参数字典
1. 构建申请参数字典
2. 向接口发送申请的时候带上参数字典,参数字典设置给 params
import requests
headers = {"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/54.0.2840.99 Safari/537.36"}
# 这是指标 url
# url = 'https://www.baidu.com/s?wd=python'
# 最初有没有问号后果都一样
url = 'https://www.baidu.com/s?'
# 申请参数是一个字典 即 wd=python
kw = {'wd': 'python'}
# 带上申请参数发动申请,获取响应
response = requests.get(url, headers=headers, params=kw)
print(response.content)
3.3 在 headers 参数中携带 cookie
网站常常利用申请头中的 Cookie 字段来做用户拜访状态的放弃,那么咱们能够在 headers 参数中增加 Cookie,模仿普通用户的申请。咱们以 github 登陆为例:
3.3.1 github 登陆抓包剖析
关上浏览器,右键 - 查看,点击 Net work,勾选 Preserve log
拜访 github 登陆的 url 地址 https://github.com/login
输出账号密码点击登陆后,拜访一个须要登陆后能力获取正确内容的 url,比方点击右上角的 Your profile 拜访 https://github.com/USER_NAME
确定 url 之后,再确定发送该申请所须要的申请头信息中的 User-Agent 和 Cookie
3.3.2 实现代码
从浏览器中复制 User-Agent 和 Cookie
浏览器中的申请头字段和值与 headers 参数中必须统一
headers 申请参数字典中的 Cookie 键对应的值是字符串
import requests
url = 'https://github.com/USER_NAME'
# 结构申请头字典
headers = {
# 从浏览器中复制过去的 User-Agent
'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/67.0.3396.87 Safari/537.36',
# 从浏览器中复制过去的 Cookie
'Cookie': 'xxx 这里是复制过去的 cookie 字符串'
}
# 申请头参数字典中携带 cookie 字符串
resp = requests.get(url, headers=headers)
print(resp.text)
3.3.3 运行代码验证后果
在打印的输入后果中搜寻 title,html 中的题目文本内容如果是你的 github 账号,则胜利利用 headers 参数携带 cookie,获取登陆后能力拜访的页面
知识点:把握 headers 中携带 cookie
3.4 cookies 参数的应用
上一大节咱们在 headers 参数中携带 cookie,也能够应用专门的 cookies 参数
cookies 参数的模式:字典
cookies = {"cookie 的 name":"cookie 的 value"}
该字典对应申请头中 Cookie 字符串,以分号、空格宰割每一对字典键值对
等号右边的是一个 cookie 的 name,对应 cookies 字典的 key
等号左边对应 cookies 字典的 value
cookies 参数的应用办法
response = requests.get(url, cookies)
将 cookie 字符串转换为 cookies 参数所需的字典:cookies_dict = {cookie.split('=')[0]:cookie.split('=')[-1] for cookie in cookies_str.split(';')}
留神:cookie 个别是有过期工夫的,一旦过期须要从新获取
import requests
url = 'https://github.com/USER_NAME'
# 结构申请头字典
headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/67.0.3396.87 Safari/537.36'
}
# 结构 cookies 字典
cookies_str = '从浏览器中 copy 过去的 cookies 字符串'
cookies_dict = {cookie.split('=')[0]:cookie.split('=')[-1] for cookie in cookies_str.split(';')}
# 申请头参数字典中携带 cookie 字符串
resp = requests.get(url, headers=headers, cookies=cookies_dict)
print(resp.text)
知识点:把握 cookies 参数的应用
3.5 cookieJar 对象转换为 cookies 字典的办法
应用 requests 获取的 resposne 对象,具备 cookies 属性。该属性值是一个 cookieJar 类型,蕴含了对方服务器设置在本地的 cookie。咱们如何将其转换为 cookies 字典呢?转换方法
cookies_dict = requests.utils.dict_from_cookiejar(response.cookies)
其中 response.cookies 返回的就是 cookieJar 类型的对象
requests.utils.dict_from_cookiejar 函数返回 cookies 字典
知识点:把握 cookieJar 的转换方法
最初
如果文章对你有帮忙的话,给作者点点赞吧 \
回绝白嫖,从我做起