【Python3網路爬蟲開發實戰】3-基本庫的使用 2-使用requests 1-基本用法

崔慶才丨靜覓發表於2018-03-15
Python爬蟲

上一節中，我們瞭解了urllib的基本用法，但是其中確實有不方便的地方，比如處理網頁驗證和Cookies時，需要寫Opener和Handler來處理。為了更加方便地實現這些操作，就有了更為強大的庫requests，有了它，Cookies、登入驗證、代理設定等操作都不是事兒。

接下來，讓我們領略一下它的強大之處吧。

1. 準備工作

在開始之前，請確保已經正確安裝好了requests庫。如果沒有安裝，可以參考1.2.1節安裝。

2. 例項引入

urllib庫中的urlopen()方法實際上是以GET方式請求網頁，而requests中相應的方法就是get()方法，是不是感覺表達更明確一些？下面通過例項來看一下：

import requests

r = requests.get('https://www.baidu.com/')
print(type(r))
print(r.status_code)
print(type(r.text))
print(r.text)
print(r.cookies)
複製程式碼

執行結果如下：

<class 'requests.models.Response'>
200
<class 'str'>
<html>
<head>
    <script>
        location.replace(location.href.replace("https://","http://"));
    </script>
</head>
<body>
    <noscript><meta http-equiv="refresh" content="0;url=http://www.baidu.com/"></noscript>
</body>
</html>
<RequestsCookieJar[<Cookie BIDUPSID=992C3B26F4C4D09505C5E959D5FBC005 for .baidu.com/>, <Cookie PSTM=1472227535 for .baidu.com/>, <Cookie __bsi=15304754498609545148_00_40_N_N_2_0303_C02F_N_N_N_0 for .www.baidu.com/>, <Cookie BD_NOT_HTTPS=1 for www.baidu.com/>]>
複製程式碼

這裡我們呼叫get()方法實現與urlopen()相同的操作，得到一個Response物件，然後分別輸出了Response的型別、狀態碼、響應體的型別、內容以及Cookies。

通過執行結果可以發現，它的返回型別是requests.models.Response，響應體的型別是字串str，Cookies的型別是RequestsCookieJar。

使用get()方法成功實現一個GET請求，這倒不算什麼，更方便之處在於其他的請求型別依然可以用一句話來完成，示例如下：

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')
複製程式碼

這裡分別用post()、put()、delete()等方法實現了POST、PUT、DELETE等請求。是不是比urllib簡單太多了？

其實這只是冰山一角，更多的還在後面。

3. GET請求

HTTP中最常見的請求之一就是GET請求，下面首先來詳細瞭解一下利用requests構建GET請求的方法。

基本例項

首先，構建一個最簡單的GET請求，請求的連結為httpbin.org/get，該網站會判斷如果客戶端發起的是GET請求的話，它返回相應的請求資訊：

import requests

r = requests.get('http://httpbin.org/get')
print(r.text)
複製程式碼

執行結果如下：

{
  "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"
}
複製程式碼

可以發現，我們成功發起了GET請求，返回結果中包含請求頭、URL、IP等資訊。

那麼，對於GET請求，如果要附加額外的資訊，一般怎樣新增呢？比如現在想新增兩個引數，其中name是germey，age是22。要構造這個請求連結，是不是要直接寫成：

r = requests.get('http://httpbin.org/get?name=germey&age=22')
複製程式碼

這樣也可以，但是是不是有點不人性化呢？一般情況下，這種資訊資料會用字典來儲存。那麼，怎樣來構造這個連結呢？

這同樣很簡單，利用params這個引數就好了，示例如下：

import requests

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

執行結果如下：

{
  "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&name=germey"
}
複製程式碼

通過執行結果可以判斷，請求的連結自動被構造成了：httpbin.org/get?age=22&…。

另外，網頁的返回型別實際上是str型別，但是它很特殊，是JSON格式的。所以，如果想直接解析返回結果，得到一個字典格式的話，可以直接呼叫json()方法。示例如下：

import requests

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

執行結果如下：

<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'>
複製程式碼

可以發現，呼叫json()方法，就可以將返回結果是JSON格式的字串轉化為字典。

但需要注意的書，如果返回結果不是JSON格式，便會出現解析錯誤，丟擲json.decoder.JSONDecodeError異常。

抓取網頁

上面的請求連結返回的是JSON形式的字串，那麼如果請求普通的網頁，則肯定能獲得相應的內容了。下面以“知乎”→“發現”頁面為例來看一下：

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.*?>(.*?)</a>', re.S)
titles = re.findall(pattern, r.text)
print(titles)
複製程式碼

這裡我們加入了headers資訊，其中包含了User-Agent欄位資訊，也就是瀏覽器標識資訊。如果不加這個，知乎會禁止抓取。

接下來我們用到了最基礎的正規表示式來匹配出所有的問題內容。關於正規表示式的相關內容，我們會在3.3節中詳細介紹，這裡作為例項來配合講解。

執行結果如下：

['\n為什麼很多人喜歡提及「拉丁語系」這個詞？\n', '\n在沒有水的情況下水系寶可夢如何戰鬥？\n', '\n有哪些經驗可以送給 Kindle 新人？\n', '\n谷歌的廣告業務是如何賺錢的？\n', '\n程式設計師該學習什麼，能在上學期間掙錢？\n', '\n有哪些原本只是一個小訊息，但回看發現是個驚天大新聞的例子？\n', '\n如何評價今敏？\n', '\n源氏是怎麼把那麼長的刀從背後拔出來的？\n', '\n年輕時得了絕症或大病是怎樣的感受？\n', '\n年輕時得了絕症或大病是怎樣的感受？\n']
複製程式碼

我們發現，這裡成功提取出了所有的問題內容。

抓取二進位制資料

在上面的例子中，我們抓取的是知乎的一個頁面，實際上它返回的是一個HTML文件。如果想抓去圖片、音訊、視訊等檔案，應該怎麼辦呢？

圖片、音訊、視訊這些檔案本質上都是由二進位制碼組成的，由於有特定的儲存格式和對應的解析方式，我們才可以看到這些形形色色的多媒體。所以，想要抓取它們，就要拿到它們的二進位制碼。

下面以GitHub的站點圖示為例來看一下：

import requests

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

這裡抓取的內容是站點圖示，也就是在瀏覽器每一個標籤上顯示的小圖示，如圖3-3所示。

【Python3網路爬蟲開發實戰】3-基本庫的使用 2-使用requests 1-基本用法

圖3-3 站點圖示

這裡列印了Response物件的兩個屬性，一個是text，另一個是content。

執行結果如圖3-4所示，其中前兩行是r.text的結果，最後一行是r.content的結果。

【Python3網路爬蟲開發實戰】3-基本庫的使用 2-使用requests 1-基本用法

圖3-4 執行結果

可以注意到，前者出現了亂碼，後者結果前帶有一個b，這代表是bytes型別的資料。由於圖片是二進位制資料，所以前者在列印時轉化為str型別，也就是圖片直接轉化為字串，這理所當然會出現亂碼。

接著，我們將剛才提取到的圖片儲存下來：

import requests

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

這裡用了open()方法，它的第一個引數是檔名稱，第二個引數代表以二進位制寫的形式開啟，可以向檔案裡寫入二進位制資料。

執行結束之後，可以發現在資料夾中出現了名為favicon.ico的圖示，如圖3-5所示。

圖3-5 圖示

同樣地，音訊和視訊檔案也可以用這種方法獲取。

新增headers

與urllib.request一樣，我們也可以通過headers引數來傳遞頭資訊。

比如，在上面“知乎”的例子中，如果不傳遞headers，就不能正常請求：

import requests

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

執行結果如下：

<html><body><h1>500 Server Error</h1>
An internal server error occured.
</body></html>
複製程式碼

但如果加上headers並加上User-Agent資訊，那就沒問題了：

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)
複製程式碼

當然，我們可以在headers這個引數中任意新增其他的欄位資訊。

4. POST請求

前面我們瞭解了最基本的GET請求，另外一種比較常見的請求方式是POST。使用requests實現POST請求同樣非常簡單，示例如下：

import requests

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

這裡還是請求httpbin.org/post，該網站可以判斷如果請求是POST方式，就把相關請求資訊返回。

執行結果如下：

{
  "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"
}
複製程式碼

可以發現，我們成功獲得了返回結果，其中form部分就是提交的資料，這就證明POST請求成功傳送了。

5. 響應

傳送請求後，得到的自然就是響應。在上面的例項中，我們使用text和content獲取了響應的內容。此外，還有很多屬性和方法可以用來獲取其他資訊，比如狀態碼、響應頭、Cookies等。示例如下：

import requests

r = requests.get('http://www.jianshu.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)
複製程式碼

這裡分別列印輸出status_code屬性得到狀態碼，輸出headers屬性得到響應頭，輸出cookies屬性得到Cookies，輸出url屬性得到URL，輸出history屬性得到請求歷史。

執行結果如下：

<class 'int'> 200
<class 'requests.structures.CaseInsensitiveDict'> {'X-Runtime': '0.006363', 'Connection': 'keep-alive', 'Content-Type': 'text/html; charset=utf-8', 'X-Content-Type-Options': 'nosniff', 'Date': 'Sat, 27 Aug 2016 17:18:51 GMT', 'Server': 'nginx', 'X-Frame-Options': 'DENY', 'Content-Encoding': 'gzip', 'Vary': 'Accept-Encoding', 'ETag': 'W/"3abda885e0e123bfde06d9b61e696159"', 'X-XSS-Protection': '1; mode=block', 'X-Request-Id': 'a8a3c4d5-f660-422f-8df9-49719dd9b5d4', 'Transfer-Encoding': 'chunked', 'Set-Cookie': 'read_mode=day; path=/, default_font=font2; path=/, _session_id=xxx; path=/; HttpOnly', 'Cache-Control': 'max-age=0, private, must-revalidate'}
<class 'requests.cookies.RequestsCookieJar'> <RequestsCookieJar[<Cookie _session_id=xxx for www.jianshu.com/>, <Cookie default_font=font2 for www.jianshu.com/>, <Cookie read_mode=day for www.jianshu.com/>]>
<class 'str'> http://www.jianshu.com/
<class 'list'> []
複製程式碼

因為session_id過長，在此簡寫。可以看到，headers和cookies這兩個屬性得到的結果分別是CaseInsensitiveDict和RequestsCookieJar型別。

狀態碼常用來判斷請求是否成功，而requests還提供了一個內建的狀態碼查詢物件requests.codes，示例如下：

import requests

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

這裡通過比較返回碼和內建的成功的返回碼，來保證請求得到了正常響應，輸出成功請求的訊息，否則程式終止，這裡我們用requests.codes.ok得到的是成功的狀態碼200。

那麼，肯定不能只有ok這個條件碼。下面列出了返回碼和相應的查詢條件：

# 資訊性狀態碼
100: ('continue',),
101: ('switching_protocols',),
102: ('processing',),
103: ('checkpoint',),
122: ('uri_too_long', 'request_uri_too_long'),

# 成功狀態碼
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',),

# 重定向狀態碼
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

# 客戶端錯誤狀態碼
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',),

# 服務端錯誤狀態碼
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')
複製程式碼

比如，如果想判斷結果是不是404狀態，可以用requests.codes.not_found來比對。


本資源首發於崔慶才的個人部落格靜覓： Python3網路爬蟲開發實戰教程 | 靜覓

如想了解更多爬蟲資訊，請關注我的個人微信公眾號：進擊的Coder

weixin.qq.com/r/5zsjOyvEZ… (二維碼自動識別)


相關文章