文章目录
一. 什么是Requests库
Requests 库是⽤Python语⾔编写,基于urllib,采⽤Apache2 Licensed开源协议的 HTTP 库。它⽐ urllib 更加⽅便,可以节约我们⼤量的⼯作,完全满⾜HTTP测试需求。
可以说Requests最大的特性就是其风格的简单直接优雅。无论是请求方法,还是响应结果的处理,还有cookies,url参数,post提交数据,都体现出了这种风格。
Requests目前基本完全满足web请求的所有需求,以下是Requests的特性:
- Keep-Alive & 连接池
- 国际化域名和 URL
- 带持久 Cookie 的会话
- 浏览器式的 SSL 认证
- 自动内容解码
- 基本/摘要式的身份认证
- 优雅的 key/value Cookie
- 自动解压
- Unicode 响应体
- HTTP(S) 代理支持
- 文件分块上传
- 流下载
- 连接超时
- 分块请求
- 支持
.netrc
Request库的官方文档:https://requests.readthedocs.io/zh_CN/latest/
二. 安装Requests库
requests 库能通过 pip 来安装:
$ python -m pip install requests
或者
$pip install requests
你也可以在github上下载最新的源码,解压之后进入目录进行安装:
$git clone git:https://github.com/psf/requests.git
$python setup.py install
三. Requests库的基本应用
(一)发送请求
1. 实例引入
urllib 库中的 urlopen() 方法实际上是以GET方式请求网页,而 requests 中相应的方法就是 get()方法。下面通过实例来看一下:
import requests
response = requests.get('http://www.baidu.com/')
print(type(response))
print(type(response.text))
print(type(response.cookies))
# 运行结果:
<class 'requests.models.Response'>
<class 'str'>
<class 'requests.cookies.RequestsCookieJar'>
这里我们调用 get() 方法实现与 urlopen() 相同的操作,得到一个 response 对象,然后分别输出 Response 的类型、响应体的类型以及Cookies的类型。
通过运行结果可以发现,它的返回类型是 requests.models.Response
,响应体的类型是字符串 str
,Cookies 的类型是 RequestsCookieJar
。
当然,除了get()方法,还有post()、put()、delete()等请求方法:
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')
2. GET请求
HTT 中最常见的请求之一就是 GET 请求,下面我们详细了解一下利用 requests 构建 GET 请求的方法。
在构建GET请求之前,我们要了解get()方法的调用格式:
requests.get(url, params=None, **kwargs):
该方法有三个参数:
- url:必选参数,该参数指定了发送请求的目标URL
- params:可选参数,它是发送请求时传递给Request对象的参数,其数据类型可以是字典、列表、元组或者字节型数据
- **kwargs:可选参数
(1)最基本的GET请求
首先,构建一个最简单的 GET 请求,请求的链接为 /httpbin.org/ ,该 网会判断如果客户端发起的是 GET 请求的话,它返回相应的请求信息:
import requests
response = requests.get('http://httpbin.org/get')
print(response.text)
# 运行结果:
{
"args": {
},
"headers": {
"Accept": "*/*",
"Accept-Encoding": "gzip, deflate",
"Host": "httpbin.org",
"User-Agent": "python-requests/2.24.0",
"X-Amzn-Trace-Id": "Root=1-5f60973e-1787830a4f06ee8a3dec1d86"
},
"origin": "221.207.18.109",
"url": "http://httpbin.org/get"
}
可以发现,我们成功发起了 GET 请求,返回结果中包含请求头、URL 和 IP 等信息。
(2)带参数的GET请求
对于 GET 请求,如果要附加额外的信息,一般怎样添加呢?比如现在想添加两个参数,其中 name=germey,age=22:
import requests
data = {
'name':'germey',
'age':22
}
response = requests.get("http://httpbin.org/get", params=data)
print(response.text)
# 运行结果:
{
"args": {
"age": "22",
"name": "germey"
},
"headers": {
"Accept": "*/*",
"Accept-Encoding": "gzip, deflate",
"Host": "httpbin.org",
"User-Agent": "python-requests/2.24.0",
"X-Amzn-Trace-Id": "Root=1-5f6098ac-247285d09016a318f68ecbb0"
},
"origin": "221.207.18.109",
"url": "http://httpbin.org/get?name=germey&age=22"
}
通过运行结果可以判断,请求的链接自动被构造成了:http://httpbin.org/get?name=germey&age=22。当然,我们也可以直接将参数放到请求URL中发送请求:
response = requests.get("http://httpbin.org/get?name=germey&age=22")
(3)解析JSON
响应体的类型实际上是 str 类型,但是它很特殊,是 JSON
格式的数据。所以,如果想直接解析返回结果,得到一个字典格式的话,可以直接调用 json() 方法,示例如下:
import requests
import json
response = requests.get("http://httpbin.org/get")
print(type(response.text))
print(response.json())
print(type(response.json()))
# 运行结果:
<class 'str'>
{
'args': {
}, 'headers': {
'Accept': '*/*', 'Accept-Encoding': 'gzip, deflate', 'Host': 'httpbin.org', 'User-Agent': 'python-requests/2.24.0', 'X-Amzn-Trace-Id': 'Root=1-5f609a2f-86ba9d38d21e0034d01fcebc'}, 'origin': '221.207.18.109', 'url': 'http://httpbin.org/get'}
<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。或者是用json.loads()也可以将 JSON
格式的返回结果转换为字典格式:
import requests
import json
response = requests.get("http://httpbin.org/get")
res_dict = json.loads(response.text)
print(type(res_dict))
print(res_dict)
# 运行结果:
<class 'dict'>
{
'args': {
}, 'headers': {
'Accept': '*/*', 'Accept-Encoding': 'gzip, deflate', 'Host': 'httpbin.org', 'User-Agent': 'python-requests/2.24.0', 'X-Amzn-Trace-Id': 'Root=1-5f609cce-0bcd2d0ee79f7a4f3b9f4a9c'}, 'origin': '221.207.18.109', 'url': 'http://httpbin.org/get'}
(4)抓取二进制数据
如果想抓取图片、音频、 视频等文件,应该怎么办呢?图片、音频、视频这些文件本质上都是由二进制码组成的,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,想要抓取它们,就要拿到它们的二进制码。下面以 GitHub
站点图标为例来看一下:
import requests
response = requests.get("https://github.com/favicon.ico")
print(type(response.text), type(response.content))
print(response.text)
print(response.content)
# 运行结果:
<class 'str'> <class 'bytes'>
# response.text的运行内容略
b'\x00\x00\x01\x00\x02\x00\x10\x10\x00\x00\x01\x00......''
从运行结果我们可以发现,text的内容在打印时发生了乱码,而content的内容以二进制码打印显示。
然后,我们将刚刚爬取的图片保存到本地:
import requests
response = requests.get("https://github.com/favicon.ico")
with open('favicon.ico', 'wb') as f:
f.write(response6.content)
同样地,音频和视频文件也可以用这种方法获取。
(5)添加headers
与urllib.request 一样,我们也可以通过 headers 参数来传递请求头。例如,下面以爬取知乎的“发现”页面为例:
如果发送请求时不传递headers,就不能正常请求:
import requests
response7 = requests.get("https://www.zhihu.com/explore")
print(response7.text)
# 运行结果:
<html>
<head><title>400 Bad Request</title></head>
<body bgcolor="white">
<center><h1>400 Bad Request</h1></center>
<hr><center>openresty</center>
</body>
</html>
但如果加上了 headers 并加上 User-Agent 信息,就能正常发送请求了:
import requests
headers = {
'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/85.0.4183.102 Safari/537.36'
}
response7 = requests.get("https://www.zhihu.com/explore", headers=headers)
print(response7.text)
# 该运行结果不做展示
当然,我们可以在 headers 这个参数中任意添加其他的字段信息。
3. POST请求
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是 POST 。调用post()方法的格式是:
requests.post(url, data=None, json=None, **kwargs)
该方法有四个参数:
- url:必选参数,该参数指定了发送请求的目标URL
- data:可选参数,它是发送请求时传递给Request对象的参数,其数据类型可以是字典、列表、元组、字节型或者文件
- json:可选参数,它是发送请求时传递的
JSON
格式数据 - **kwargs:可选参数
使用 requests 实现 POST 请求同样非常简单,示例如下:
import requests
data = {
'name': 'germey',
'age': '22'
}
response = requests.post("http://httpbin.org/post", data=data)
print(response.text)
# 运行结果:
{
"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/2.24.0",
"X-Amzn-Trace-Id": "Root=1-5f60c46d-19fd8bc7bf3e82cd3702dcbd"
},
"json": null,
"origin": "111.44.130.165",
"url": "http://httpbin.org/post"
}
可以发现,我们成功获得了返回结果,其中 form 部分就是提交的数据,这就证明 POST 请求成功发送了。
(二)接收响应
发送请求后,得到的自然就是响应。下面我们了解一下返回的响应信息和响应状态码。
1. 响应信息
发送请求之后,返回的 Response 对象有很多属性和方法,我们可以从中获取很多有用的信息,常用的一些属性和方法如下表所示:
序号 | 属性/方法 | 类型 | 意义 |
---|---|---|---|
1 | content | bytes | 返回的字节类型的响应内容 |
2 | cookies | requests.cookies.RequestsCookieJar | 服务器返回的Cookies |
3 | headers | requests.structures.CaseInsensitiveDict | 返回的响应头 |
4 | history | list | 请求历史 |
5 | json() | method | 将JSON格式的响应体内容转换为字典格式 |
6 | reason | str | 返回响应的HTTP状态的文本原因 |
7 | status_code | int | 返回响应的HTTP状态的编码 |
8 | text | str | 返回的unicode类型的响应内容 |
9 | url | str | 返回响应的最终URL |
2. 响应状态码
响应状态码常用来判断请求是否成功,而requests还提供了一个内置的状态码查询对象 request.codes
,如下示例:
import requests
response = requests.get('http://www.jianshu.com')
print("Request Fails!") if not response.status_code == requests.codes.ok else print("Request Successfully!")
# 运行结果:
Request Fails!
这里通过比较返回码和内置的成功返回码,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,这里我们用 requests.codes.ok
得到的是成功的状态码:200。
requests内置的状态码跟响应状态码一样,包括五类:
-
信息性状态码
100: ('continue',), 101: ('switching_protocols',), 102: ('processing',), 103: ('checkpoint',), 122: ('uri_too_long', 'request_uri_too_long'),
-
成功状态码
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',),
-
重定向状态码
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',),
-
客户端错误状态码
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',),
-
服务端错误状态码
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'),
四. Requests库的高级应用
下面我们再来了解一下 requests 的一些高级用法,如文件上传、 Cookies设置、代理设置等。
(一)文件上传
我们知道 requests 可以模拟提交一些数据。假如有的网站需要上传文件,我们也可以用它来实现,这非常简单,示例如下:
import requests
files = {
'file': open('favicon.ico', 'rb')}
r = requests.post("http://httpbin.org/post", files=files)
print(r.text)
运行结果如下:
{
"args": {
},
"data": "",
"files": {
"file": "data:application/octet-stream;base64,AAABAAIAEBAAAAEAIAAoBQAA...AAAAAAAA="
},
"form": {
},
"headers": {
"Accept": "*/*",
"Accept-Encoding": "gzip, deflate",
"Content-Length": "6665",
"Content-Type": "multipart/form-data; boundary=0d54744bcb75b88d0d8a38207e997e3d",
"Host": "httpbin.org",
"User-Agent": "python-requests/2.24.0",
"X-Amzn-Trace-Id": "Root=1-60573552-72447c4905e3cb177005dea8"
},
"json": null,
"origin": "111.44.174.173",
"url": "http://httpbin.org/post"
}
以上省略部分内容,这个网站会返回响应,里面包含 files
这个字段,而 form
字段是空的,这证明文件上传部分会单独有一个 files
字段来标识。
(二)Cookies
前面我们使用 urllib 处理过 Cookies,写法比较复杂,而有了 requests,获取和设置 Cookies 只需一步即可完成。
1. 获取 Cookies
我们先用一个实例看一下获取 Cookies 的过程:
r = requests.get("https://www.baidu.com")
print(r.cookies)
for key, value in r.cookies.items():
print(key + '=' + value)
# 运行结果:
<RequestsCookieJar[<Cookie BDORZ=27315 for .baidu.com/>]>
BDORZ=27315
这里我们首先调用 cookies
属性即可成功得到 Cookies,可以发现它是 RequestCookieJar
类型。然后用 items()
方法将其转化为元组组成的列表,遍历输出每一个 Cookie 的名称和值,实现 Cookie 的遍历解析。
2. 应用实例
下面以知乎为例来说明。首先登录知乎,将 Headers
中的 Cookie
内容复制下来:
这里可以替换成自己的 Cookie
,将其设置到 Headers
里面,然后发送请求,示例如下:
import requests
headers = {
'Cookie': '_zap=64d38126-f2ad-4c43-a81b-7dc23fbd7e10; _xsrf=q6upjuYdnTJukfZxReHuqwqh4ROEBjRb; d_c0="AEAflpFB1RKPTnGOzhlyFW1xQ9N34YerGyc=|1616329021"; captcha_session_v2="2|1:0|10:1616329022|18:captcha_session_v2|88:SWd2R2EzbE5OVmhwNWVLQ2ordlJUdDRUTE42YzZmaWFaOHY3RUhYYTVZaGU4bHA5YW4xdTdJV3hVaVR5L1lYNg==|5fbda731ffd67ad78af2954932689fc1c2a84d8f5fe0c5e81d8e00f08b231c0e"; __snaker__id=yNqkINZR88aUPluZ; gdxidpyhxdE=rcWk%5CI%5Cmyi9i9ja%2FAu1cjyf021OP7NjV42iuDWLA1eEN0NGdpV2%2FQ7vsXDUu76yozsqw8MViBrLxdfR41gI8N82l97oMg2RGt7oHCR%5CPwWpu9NLyezmOH9nv%2BusywDABLYXvm7W3aLl1KIlb%5CMC3gjZlimygbc4ebRY4vxIO2gfSCxG1%3A1616329926421; _9755xjdesxxd_=32; YD00517437729195%3AWM_NI=BwRECah%2BtbnmkkskBS%2FQfs5NttkQ5kLyBHQyocXcd%2BftfNTVXWr2DMYYD7nO5SiS3kcNMDFkN0C%2F8%2BNcFceioKeNfCeqvhRma3orgXx1gQK6rCM5u9e%2B1EYpGg%2FFspqISWI%3D; YD00517437729195%3AWM_NIKE=9ca17ae2e6ffcda170e2e6ee97bb59a9ed858cf55096bc8ab3c54a979f8abaae3b9897a58ffc3dafb4a4d2d32af0fea7c3b92a82a99ea6c26bacf5bc83ed67a9b5bd8cc159ed8faa94b846b8aca5b2b86190a78ea9d473adbd9884e721a6acaaafd75e9c89bed3c7479b878cd8ed45f78da7b4b261a19283a5c5618ef08dd0bb218ebd8a84e863ad95abafe549a7afba89d167a3eda193e654bcefa9b2ca3eb29d83d6f833a7f5ffa6dc7c85b9e1a7f27cb3979db8cc37e2a3; YD00517437729195%3AWM_TID=lnKXz1t%2FvmxFURRFQVd7kDY0n26300ke; captcha_ticket_v2="2|1:0|10:1616329041|17:captcha_ticket_v2|704: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|50ecdd6a7bb93674cb8aecd421e41102baa223b669f1261b982742a3065ab8e3"; z_c0="2|1:0|10:1616329146|4:z_c0|92:Mi4xMVVUU0t3QUFBQUFBUUItV2tVSFZFaVlBQUFCZ0FsVk51WWRFWVFCdnRETkdiS3IxZHdhdUZQQWV2d25QTFVqMU1R|e6441d290628dd2defd7c7958e3f3713d34b7ceb98ec668aeb1e874569dbc0ae"; tst=r; Hm_lvt_98beee57fd2ef70ccdd5ca52b9740c49=1616329021,1616329489; Hm_lpvt_98beee57fd2ef70ccdd5ca52b9740c49=1616329489; SESSIONID=TFCq1p1iqVUumN3DG3IxOtLefNEwShLQVgsvAyNBu2M; KLBRSID=fe78dd346df712f9c4f126150949b853|1616329491|1616329014; JOID=Vl8dBUxasIMoEJjXV1hQ0X6M2wJJDfnOWCLr6TAo5dlTfNXnHEWK20oQlNZY4ZIW0vuK0sVRHqwYQtH5LjUk2Uo=; osd=Vl4XAUxasYksEJjWXVxQ0X-G3wJJDPPKWCLq4zQo5dhZeNXnHU-O20oRntJY4ZMc1vuK089VHqwZSNX5LjQu3Uo=',
'Host': 'www.zhihu.com',
'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_11_4) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/53.0.2785.116 Safari/537.36',
}
r = requests.get('https://www.zhihu.com', headers=headers)
print(r.text)
我们发现,在运行结果中包含了登录后的结果,如下图所示,这证明登录成功。
除了上述代码中,在 headers 里面设置 Cookies,我们也可以通过 cookies
参数来设置,不过这样就需要构造 RequestsCookieJar
对象,而且需要分割一下 cookies
。这种方式相对烦琐,不过效果是相同的,示例如下:
import requests
cookies = '_zap=64d38126-f2ad-4c43-a81b-7dc23fbd7e10; _xsrf=q6upjuYdnTJukfZxReHuqwqh4ROEBjRb; d_c0="AEAflpFB1RKPTnGOzhlyFW1xQ9N34YerGyc=|1616329021"; captcha_session_v2="2|1:0|10:1616329022|18:captcha_session_v2|88:SWd2R2EzbE5OVmhwNWVLQ2ordlJUdDRUTE42YzZmaWFaOHY3RUhYYTVZaGU4bHA5YW4xdTdJV3hVaVR5L1lYNg==|5fbda731ffd67ad78af2954932689fc1c2a84d8f5fe0c5e81d8e00f08b231c0e"; __snaker__id=yNqkINZR88aUPluZ; gdxidpyhxdE=rcWk%5CI%5Cmyi9i9ja%2FAu1cjyf021OP7NjV42iuDWLA1eEN0NGdpV2%2FQ7vsXDUu76yozsqw8MViBrLxdfR41gI8N82l97oMg2RGt7oHCR%5CPwWpu9NLyezmOH9nv%2BusywDABLYXvm7W3aLl1KIlb%5CMC3gjZlimygbc4ebRY4vxIO2gfSCxG1%3A1616329926421; _9755xjdesxxd_=32; YD00517437729195%3AWM_NI=BwRECah%2BtbnmkkskBS%2FQfs5NttkQ5kLyBHQyocXcd%2BftfNTVXWr2DMYYD7nO5SiS3kcNMDFkN0C%2F8%2BNcFceioKeNfCeqvhRma3orgXx1gQK6rCM5u9e%2B1EYpGg%2FFspqISWI%3D; YD00517437729195%3AWM_NIKE=9ca17ae2e6ffcda170e2e6ee97bb59a9ed858cf55096bc8ab3c54a979f8abaae3b9897a58ffc3dafb4a4d2d32af0fea7c3b92a82a99ea6c26bacf5bc83ed67a9b5bd8cc159ed8faa94b846b8aca5b2b86190a78ea9d473adbd9884e721a6acaaafd75e9c89bed3c7479b878cd8ed45f78da7b4b261a19283a5c5618ef08dd0bb218ebd8a84e863ad95abafe549a7afba89d167a3eda193e654bcefa9b2ca3eb29d83d6f833a7f5ffa6dc7c85b9e1a7f27cb3979db8cc37e2a3; YD00517437729195%3AWM_TID=lnKXz1t%2FvmxFURRFQVd7kDY0n26300ke; captcha_ticket_v2="2|1:0|10:1616329041|17:captcha_ticket_v2|704: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|50ecdd6a7bb93674cb8aecd421e41102baa223b669f1261b982742a3065ab8e3"; z_c0="2|1:0|10:1616329146|4:z_c0|92:Mi4xMVVUU0t3QUFBQUFBUUItV2tVSFZFaVlBQUFCZ0FsVk51WWRFWVFCdnRETkdiS3IxZHdhdUZQQWV2d25QTFVqMU1R|e6441d290628dd2defd7c7958e3f3713d34b7ceb98ec668aeb1e874569dbc0ae"; tst=r; Hm_lvt_98beee57fd2ef70ccdd5ca52b9740c49=1616329021,1616329489; Hm_lpvt_98beee57fd2ef70ccdd5ca52b9740c49=1616329489; SESSIONID=TFCq1p1iqVUumN3DG3IxOtLefNEwShLQVgsvAyNBu2M; KLBRSID=fe78dd346df712f9c4f126150949b853|1616329491|1616329014; JOID=Vl8dBUxasIMoEJjXV1hQ0X6M2wJJDfnOWCLr6TAo5dlTfNXnHEWK20oQlNZY4ZIW0vuK0sVRHqwYQtH5LjUk2Uo=; osd=Vl4XAUxasYksEJjWXVxQ0X-G3wJJDPPKWCLq4zQo5dhZeNXnHU-O20oRntJY4ZMc1vuK089VHqwZSNX5LjQu3Uo='
jar = requests.cookies.RequestsCookieJar()
headers = {
'Host': 'www.zhihu.com',
'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_11_4) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/53.0.2785.116 Safari/537.36'
}
for cookie in cookies.split(';'):
key, value = cookie.split('=', 1)
jar.set(key, value)
r = requests.get("http://www.zhihu.com", cookies=jar, headers=headers)
print(r.text)
这里我们首先新建了一个 RequestCookieJar
对象,然后将复制下来的 cookies
利用 split()
方法分割,接着利用 set()
方法设置好每个 Cookie 的 key
和 value
,然后通过调用 requests 的 get()
方法并传递给 cookies
参数即可。当然,由于知乎本身的限制,headers
参数也不能少,只不过不需要在原来的 headers
参数里面设置 cookie
字段了。
运行代码,结果同前面代码运行结果一致。
(三)维持会话、模拟登录
在 requests 中,如果直接利用 get()
或 post()
等方法的确可以做到模拟网页的请求,但是这实际上是相当于不同的会话,也就是说相当于你用了两个浏览器打开了不同的页面。
设想这样一个场景,第一个请求利用 post()
方法登录了某个网站,第二次想获取成功登录后的自己的个人信息,你又用了一次 get()
方法去请求个人信息页面。实际上,这相当于打开了两个浏览器,是两个完全不相关的会话,能成功获取个人信息吗?那当然不能。
有人可能会说,我在两次请求时设置一样的 cookies
不就行了?可以,但这样做起来显得很烦琐,我们有更简单的解决方法。
其实解决这个问题的主要方法就是维持同一个会话,也就是相当于打开一个新的浏览器选项卡而不是新开一个浏览器。但是我又不想每次设置 cookies
,那该怎么办呢?这时候就有了新的利器 ——Session
对象。
利用它,我们可以方便地维护一个会话,而且不用担心 cookies
的问题,它会帮我们自动处理好。如下示例:
import requests
requests.get('http://httpbin.org/cookies/set/number/123456789')
r = requests.get('http://httpbin.org/cookies')
print(r.text)
这里我们请求了一个测试网址 http://httpbin.org/cookies/set/number/123456789。请求这个网址时,可以设置一个 cookie,名称叫作 number,内容是 123456789,随后又请求了 http://httpbin.org/cookies,此网址可以获取当前的 Cookies。
这样能成功获取到设置的 Cookies 吗?试试看。运行结果如下:
{
"cookies": {
}
}
这种方法并不行。我们再用 Session
试试看:
import requests
s = requests.Session()
s.get('http://httpbin.org/cookies/set/number/123456789')
r = s.get('http://httpbin.org/cookies')
print(r.text)
再看一下运行结果:
{
"cookies": {
"number": "123456789"
}
}
这次成功获取!所以,利用 Session
,可以做到模拟在一个浏览器中打开同一站点的不同页面。它通常用于模拟登录成功之后再进行下一步的操作。
(四)SSL证书验证
此外,requests 还提供了证书验证的功能。当发送 HTTP 请求的时候,它会检查 SSL 证书,我们可以使用 verify
参数控制是否检查此证书。其实如果不加 verify
参数的话,默认是 True
,会自动验证。
前面我们提到过,12306 的证书没有被官方 CA 机构信任,会出现证书验证错误的结果。我们现在访问它,都可以看到一个证书问题的页面,如图所示:
现在我们用 requests 来测试一下:
import requests
response = requests.get('https://www.12306.cn')
print(response.status_code)
# 运行结果:
requests.exceptions.SSLError: ("bad handshake: Error([('SSL routines', 'tls_process_server_certificate', 'certificate verify failed')],)",)
这里提示一个错误 SSLError
,表示证书验证错误。所以,如果请求一个 HTTPS 站点,但是证书验证错误的页面时,就会报这样的错误,那么如何避免这个错误呢?很简单,把 verify
参数设置为 False
即可。相关代码如下:
import requests
response = requests.get('https://www.12306.cn', verify=False)
print(response.status_code)
# 运行结果:
/usr/local/lib/python3.6/site-packages/urllib3/connectionpool.py:852: InsecureRequestWarning: Unverified HTTPS request is being made. Adding certificate verification is strongly advised. See: https://urllib3.readthedocs.io/en/latest/advanced-usage.html#ssl-warnings
InsecureRequestWarning)
200
不过我们发现报了一个警告,它建议我们给它指定证书。我们可以通过设置忽略警告的方式来屏蔽这个警告:
import requests
from requests.packages import urllib3
urllib3.disable_warnings()
response = requests.get('https://www.12306.cn', verify=False)
print(response.status_code)
或者通过捕获警告到日志的方式忽略警告:
import logging
import requests
logging.captureWarnings(True)
response = requests.get('https://www.12306.cn', verify=False)
print(response.status_code)
当然,我们也可以指定一个本地证书用作客户端证书,这可以是单个文件(包含密钥和证书)或一个包含两个文件路径的元组:
import requests
response = requests.get('https://www.12306.cn', cert=('/path/server.crt', '/path/key'))
print(response.status_code)
当然,上面的代码是演示实例,我们需要有 crt 和 key 文件,并且指定它们的路径。注意,本地私有证书的 key
必须是解密状态,加密状态的 key
是不支持的。
(五)代理设置
对于某些网站,在测试的时候请求几次,能正常获取内容。但是一旦开始大规模爬取,对于大规模且频繁的请求,网站可能会弹出验证码,或者跳转到登录认证页面,更甚者可能会直接封禁客户端的 IP,导致一定时间段内无法访问。
那么,为了防止这种情况发生,我们需要设置代理来解决这个问题,这就需要用到 proxies
参数。可以用这样的方式设置:
import requests
proxies = {
"http": "http://10.10.1.10:3128",
"https": "http://10.10.1.10:1080",
}
requests.get("https://www.taobao.com", proxies=proxies)
当然,直接运行这个实例可能不行,因为这个代理可能是无效的,请换成自己的有效代理试验一下。
若代理需要使用 HTTP Basic Auth,可以使用类似 http://user:password@host:port
这样的语法来设置代理,示例如下:
import requests
proxies = {
"http": "http://user:[email protected]:3128/",
}
requests.get("https://www.taobao.com", proxies=proxies)
除了基本的 HTTP 代理外,requests 还支持 SOCKS 协议的代理。
首先,需要安装 socks 这个库:
pip3 install 'requests[socks]'
然后就可以使用 SOCKS 协议代理了,示例如下:
import requests
proxies = {
'http': 'socks5://user:password@host:port',
'https': 'socks5://user:password@host:port'
}
requests.get("https://www.taobao.com", proxies=proxies)
(六)超时设置
在本机网络状况不好或者服务器网络响应太慢甚至无响应时,我们可能会等待特别久的时间才可能收到响应,甚至到最后收不到响应而报错。为了防止服务器不能及时响应,应该设置一个超时时间,即超过了这个时间还没有得到响应,那就报错。这需要用到 timeout
参数。这个时间的计算是发出请求到服务器返回响应的时间。示例如下:
import requests
r = requests.get("https://www.taobao.com", timeout = 1)
print(r.status_code)
# 运行结果:
200
通过这样的方式,我们可以将超时时间设置为 1 秒,如果 1 秒内没有响应,那就抛出异常。
实际上,请求分为两个阶段,即连接(connect)和读取(read)。上面设置的 timeout
将用作连接和读取这二者的 timeout
总和。如果要分别指定,就可以传入一个元组:
r = requests.get('https://www.taobao.com', timeout=(5,11))
如果想永久等待,可以直接将 timeout
设置为 None
,或者不设置直接留空,因为默认是 None
。这样的话,如果服务器还在运行,但是响应特别慢,那就慢慢等吧,它永远不会返回超时错误的。其用法如下:
r = requests.get('https://www.taobao.com', timeout=None)
或直接不加参数:
r = requests.get('https://www.taobao.com')
(七)身份认证
在访问网站时,我们可能会遇到这样的认证页面,如下图所示。
此时可以使用 requests 自带的身份认证功能,示例如下:
import requests
from requests.auth import HTTPBasicAuth
r = requests.get('http://localhost:5000', auth=HTTPBasicAuth('username', 'password'))
print(r.status_code)
如果用户名和密码正确的话,请求时就会自动认证成功,会返回 200 状态码,如果认证失败,则返回 401 状态码。
当然,如果参数都传一个 HTTPBasicAuth
类,就显得有点烦琐了,所以 requests 提供了一个更简单的写法,可以直接传一个元组,它会默认使用 HTTPBasicAuth
这个类来认证。
所以上面的代码可以直接简写如下:
import requests
r = requests.get('http://localhost:5000', auth=('username', 'password'))
print(r.status_code)
此外,requests 还提供了其他认证方式,如 OAuth 认证,不过此时需要安装 oauth 包,安装命令如下:
pip3 install requests_oauthlib
使用 OAuth1 认证的方法如下:
import requests
from requests_oauthlib import OAuth1
url = 'https://api.twitter.com/1.1/account/verify_credentials.json'
auth = OAuth1('YOUR_APP_KEY', 'YOUR_APP_SECRET',
'USER_OAUTH_TOKEN', 'USER_OAUTH_TOKEN_SECRET')
requests.get(url, auth=auth)
更多详细的功能可以参考 requests_oauthlib
的官方文档 https://requests-oauthlib.readthedocs.org/,此处不再赘述。
(八)Prepared Request
前面介绍 urllib 时,我们可以将请求表示为数据结构,其中各个参数都可以通过一个 Request
对象来表示。这在 requests 里同样可以做到,这个数据结构就叫 Prepared Request。我们用实例看一下:
url = 'http://httpbin.org/post'
data = {
'name': 'germey'
}
headers = {
'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_11_4) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/53.0.2785.116 Safari/537.36'
}
s = requests.Session()
req = requests.Request('POST', url, data=data, headers=headers)
prepped = s.prepare_request(req)
r = s.send(prepped)
print(r.text)
这里我们引入了 Request
,然后用 url
、data
和 headers
参数构造了一个 Request
对象,这时需要再调用 Session
的 prepare_request()
方法将其转换为一个 Prepared Request 对象,然后调用 send()
方法发送即可,运行结果如下:
{
"args": {
},
"data": "",
"files": {
},
"form": {
"name": "germey"
},
"headers": {
"Accept": "*/*",
"Accept-Encoding": "gzip, deflate",
"Content-Length": "11",
"Content-Type": "application/x-www-form-urlencoded",
"Host": "httpbin.org",
"User-Agent": "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_11_4) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/53.0.2785.116 Safari/537.36",
"X-Amzn-Trace-Id": "Root=1-60574a91-7b44c04c1feebbf3510589c0"
},
"json": null,
"origin": "111.44.230.246",
"url": "http://httpbin.org/post"
}
可以看到,我们达到了同样的 POST 请求效果。
有了 Request
这个对象,就可以将请求当作独立的对象来看待,这样在进行队列调度时会非常方便。后面我们会用它来构造一个 Request
队列。
本节讲解了 requests 的一些高级用法,这些用法在后面实战部分会经常用到,需要熟练掌握。更多的用法可以参考 requests 的官方文档:http://docs.python-requests.org/。
send()` 方法发送即可,运行结果如下:
{
"args": {
},
"data": "",
"files": {
},
"form": {
"name": "germey"
},
"headers": {
"Accept": "*/*",
"Accept-Encoding": "gzip, deflate",
"Content-Length": "11",
"Content-Type": "application/x-www-form-urlencoded",
"Host": "httpbin.org",
"User-Agent": "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_11_4) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/53.0.2785.116 Safari/537.36",
"X-Amzn-Trace-Id": "Root=1-60574a91-7b44c04c1feebbf3510589c0"
},
"json": null,
"origin": "111.44.230.246",
"url": "http://httpbin.org/post"
}
可以看到,我们达到了同样的 POST 请求效果。
有了 Request
这个对象,就可以将请求当作独立的对象来看待,这样在进行队列调度时会非常方便。后面我们会用它来构造一个 Request
队列。
本节讲解了 requests 的一些高级用法,这些用法在后面实战部分会经常用到,需要熟练掌握。更多的用法可以参考 requests 的官方文档:http://docs.python-requests.org/。