Python爬虫：requests 库详解，cookie操作与实战

原文

第三方库 requests是基于urllib编写的。比urllib库强大，非常适合爬虫的编写。

安装： pip install requests

简单的爬百度首页的例子：

 response.text 和 response.content的区别：

• response.text是解过码的字符串。比较容易出现乱码
• response.content 未解码的二进制格式(bytes). 适用于文本，图片和音乐。如果是文本，可以使用 response.content.decode('utf-8') 解码

requests 库支持的请求方法：

import requests

requests.get("http://xxxx.com/")
requests.post("http://xxxx.com/post", data = {'key':'value'})
requests.put("http://xxxx.com/put", data = {'key':'value'})
requests.delete("http://xxxx.com/delete")
requests.head("http://xxxx.com/get")
requests.options("http://xxxx.com/get")

发送带参数的get 请求：

  在get方法里设置字典格式的params参数即可。requests 方法会自动完成url的拼接

import requests

params = {
    "wd": "python", "pn": 10,
}

response = requests.get('https://www.baidu.com/s', params=params)
print(response.url)
print(response.text)
'''
需要设置header,百度会进行反爬验证
'''

发送带数据的post 请求:

只需要在post方法里设置data参数即可。 raise_for_status()会表示成功或失败

import requests


post_data = {'username': 'value1', 'password': 'value2'}

response = requests.post("http://xxx.com/login/", data=post_data)
response.raise_for_status()

post 文件的例子：

>>> import requests
>>> url = 'http://httpbin.org/post'
>>> files = {'file': open('report.xls', 'rb')}
>>> r = requests.post(url, files=files)

设置与查看请求头(headers):

很多网站有反爬机制，如果一个请求不携带请求头headers,很可能被禁止访问。

import requests
headers = {

    "User-Agent": "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_12_4) AppleWebKit/"
                 "537.36 (KHTML, like Gecko) Chrome/58.0.3029.110 Safari/537.36"
}

response1 =requests.get("https://www.baidu.com", headers=headers)
response2 =requests.post("https://www.xxxx.com", data={"key": "value"}, 
headers=headers)

print(response1.headers)
print(response1.headers['Content-Type'])
print(response2.text)

设置代理Proxy：

有的网站反爬机制会限制单位时间内同一IP的请求次数，我们可以通过设置 IP proxy代理来应对这个反爬机制。

import requests

proxies = {
  "http": "http://10.10.1.10:3128",
  "https": "http://10.10.1.10:1080",
}

requests.get("http://example.org", proxies=proxies)

Cookie的获取和添加：

有时候我们需要爬取登录后才能访问的页面，这时我们就需要借助cookie来实现模拟登陆和会话维持了。

当用户首次发送请求时，服务器端一般会生成并存储一小段信息，包含在response数据里。如果这一小段信息存储在客户端（浏览器或磁盘），我们称之为cookie.如果这一小段信息存储在服务器端，我们称之为session(会话).这样当用户下次发送请求到不同页面时，请求自动会带上cookie,这样服务器就制定用户之前已经登录访问过了。

可以通过打印 response.cookies来获取查看cookie内容，从而知道首次请求后服务器是否生成了cookie.

 发送请求时添加cookie的方法：

1. 设置cookies参数

   import requests
   
   headers = {
       "User-Agent": "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_12_4) AppleWebKit/"
                    "537.36 (KHTML, like Gecko) Chrome/58.0.3029.110 Safari/537.36"
   }
   
   cookies = {"cookie_name": "cookie_value", }
   response = requests.get("https://www.baidu.com", headers=headers, cookies=cookies)

2. 先实例化一个 RequestCookieJar的类，然后把值set进去，最后在get,post方法里面指定cookie参数

Session会话的维持:

session 与cookie不同，因为session一般存储在服务器端。session对象能够帮我们跨请求保持某些参数，也会在同一个session实例发出的所有请求之间保持cookies.

为了保持会话的连续，我们最好的办法是先创建一个session对象，用它打开一个url,而不是直接使用 request.get方法打开一个url. 

每当我们使用这个session对象重新打开一个url时，请求头都会带上首次产生的cookie,实现了会话的延续。

例子：

爬百度前20条搜索记录。（结果还是有点问题的，因为跳转的太多了，搜出不是对应的大条目)

#coding: utf-8
'''
爬取百度搜索前20个搜索页面的标题和链接
'''
import requests
import sys
from bs4 import BeautifulSoup as bs
import re
import chardet

headers = {
'Accept': 'text/javascript, application/javascript, application/ecmascript, application/x-ecmascript, */*; q=0.01',
'Accept-Encoding': 'gzip, deflate, br',
'Accept-Language':'zh-CN,zh;q=0.9',
'Connection': 'keep-alive',
'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/73.0.3683.86 Safari/537.36',
'X-Requested-With': 'XMLHttpRequest'
}

def main(keyword):
    file_name = "{}.txt".format(keyword)
    f = open(file_name,'w+', encoding='utf-8')
    f.close()
    for pn in range(0,20,10):
        params = {'wd':keyword,'pn':pn}
        response = requests.get("https://www.baidu.com/s",params=params,headers=headers)
        soup = bs(response.content,'html.parser')
        urls = soup.find_all(name='a',attrs={"href": re.compile('.')})
        for i in urls:
            if 'http://www.baidu.com/link?url=' in i.get('href'):
                a = requests.get(url=i.get('href'),headers=headers)
                print(i.get('href'))
                soup1 = bs(a.content,'html.parser')
                title = soup1.title.string
                with open(keyword+'.txt','r',encoding='utf-8') as f:
                    if a.url not in f.read():
                        f = open(keyword+'.txt','a',encoding='utf-8')
                        f.write(title + '
')
                        f.write(a.url + '
')
                        f.close()

if __name__ == '__main__':
    keyword ='Django'
    main(keyword)
    print("下载完成")