爬虫_python3_requests_2

pip install requests

 

进行简单的操作

发送一个get请求

# 发送请求
import requests
response = requests.get('http://httpbin.org/get')
# 获取返回的html信息
print(response.text)

这样就发送了一个get请求，并且还打印了返回的内容，这个不再需要知道网页是哪个编码的，不过有时会出现编码问题，但是你也可以指定编码类型，如：

response.encoding = 'utf-8'

 

 指定完成后就可以正常编码了，前提你得知道网页的编码类型。

出了上面这些，我们还可以获取下面的信息

print(response.headers)#获取头部信息
# 请求状态码
print(response.status_code)
# 获取网页的二进制内容
print(response.content)
print(response.url) # 获取请求的url
print(response.cookies) # 获取cookie

是不是觉得很容易，一行代码就可以了。不再需要几步代码什么的了。

 

接下来被反爬的话带上个请求头来进行请求

# 还可以添加请求头进行请求
headers = {'User-Agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/64.0.3282.186 Safari/537.36'}
response = requests.get('http://httpbin.org/get', headers=headers )
print(response.headers)
print(response.text)

 

 加个请求头也就是加个关键字参数而已

还可以进行带参数的get请求

# 进行带参数的get请求
data = {'name': 'june', 'password': 123456}
response = requests.get('http://httpbin.org/get', params=data)
print(response.text)

 那如果需要登陆呢？post请求怎样发？告诉你，照样很简单

# 进行post请求
data = {'name': 'june', 'password': 123456}
response = requests.post('http://httpbin.org/post', data=data, headers=headers)
print(response.text)

是不是很简单，也是加个data关键字参数，把要提交的登陆参数进行post上去。

 

那除了上面的两个请求，还能进行别的请求吗？我可以非常开心地告诉你，可以的。比如，你要发个put请求，如这样

requests.put()
requests.delete()

这个就是发送put请求和delete请求的，其他的请求也是这样发送，就不一 一说了。

进行复杂点的请求

在登陆的时候我们有时候需要输入验证码，那怎样输呢？爬虫的看不了网页，最简单的做法就是把这个验证码的图片下载下来然后手动输入，那么我们怎样下载呢？我们可以向这个图片的url发送请求，然后把返回内容以二进制方法存入文件里面就可以了。

代码如下：

# 从网上读取二进制数据，比如图片
response = requests.get('https://www.baidu.com/img/bd_logo1.png', headers=headers)
# 这个是直接获取字节码，这个是要保存的文件
print(response.content)
# 这个是获取解码后的返回内容，这个是乱码
print(response.text)
# 用文件来把图片下载下来
with open('baidu.png', 'wb') as f: # 注意写的方式是以二进制方式写入
 f.write(response.content)
 print('下载完毕')

 

还是很简单，不得不说，这个库太好用了。

当我们需要上传文件的时候，比如图片，我们还可以用post方法把他发送出去 

# 上传文件
files = {'picture': open('baidu.png', 'rb')}
response = requests.post('http://httpbin.org/post', files=files)
print(response.text)

 获取cookie并简单处理一下

# 获取cookie
response = requests.get('https://www.baidu.com')
for k, v in response.cookies.items():
 print(k, '=', v)

 当网页返回内容是json格式是，我们不需要用json库来解析，我们可以直接利用requests的方法进行解析，两者的效果是一样的

# 解析json
j = response.json() # 可以用json库来解析，结果一样

 在urllib库时保存登陆信息需要把cookie保存下来，但是在requests库里面，我们只需要用requests.session()来保存信息就可以了。

# 用会话来保持登陆信息
session = requests.session()
response = session.get('http://httpbin.org/cookies/set/number/123456')
print(response.text)

 这样就可以保存登陆了，不需要为cookie操心了，但是每次获取一个session就可以了，然后用来请求或者其他操作。不需要每次请求或者操作都创建一个sesion出来，这样是保存不了登陆信息的

当一个网站不安全，需要你用证书验证的，比如这个网站

这时要访问里面的网站内容，我们就需要进行验证，代码如下：

# 证书验证
response = requests.get('https://www.12306.cn', verify=False) # 不加这个关键字参数的话会出现验证错误问题，因为这个网站的协议不被信任

 这样就可以进行访问了，但是会有一条警告

E:anacondalibsite-packagesurllib3connectionpool.py:858: 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)

觉得不美观的，我们还可以在请求时加个cert关键字参数，值为可信任的证书，为一个元组，写上账号和密码之类的，这里就不演示了

 

遇到需要认证的网站，我们也可以这样

from requests.auth import HTTPBasicAuth
# 设置认证
# requests.get('需要认证的网址', auth=HTTPBasicAuth('user', 'passwd')) # 由于找不到需要认证的网址，所以先写个主体
# 还可以这样认证
# requests.get('需要认证的网址', auth=('user', 'passwd')) # 这样就简单点

由于我找不到需要认证的网站，所以就不演示了。

 

requests还可以用代理ip来进行请求网站来防止ip被封以至于自己爬不了的尴尬。使用代理ip也比urllib库简单得多，代码如下：

# 设置代理
proxies = {'http': 'http://122.114.31.177:808',
 'https': 'https://119.28.223.103:8088'}
# 在请求时添加上列代理
response = requests.get('http://httpbin.org/get', proxies=proxies)
print(response.text)

上面的字典格式需要一 一对应，然后在请求时加上个关键字参数proxies就可以了。

 

 请求异常处理

 

在程序运行时，遇到错误时程序就会被强行停止，如果想要继续运行，就需要进行捕捉异常来让程序继续运行。

 在requests库中有个处理异常的库requests.exceptions

 这里简单地处理下请求超时的处理情况

 

import requests
from requests.exceptions import ReadTimeout, ConnectTimeout, HTTPError, ConnectionError, RequestException
# 捕捉异常
try:
 response = requests.get('http://httpbin.org/get', timeout=0.1) # 规定时间内未响应就抛出异常
 print(response.text)
except ReadTimeout as e:
 print('请求超时')
except ConnectionError as e:
 print('连接失败')
except RequestException as e:
 print('请求失败')

 

这里捕捉了三个异常，因为ReadTimeout是ConnectionError的子类，所以先捕捉ReadTimeout,再捕捉父类的。而ConnectionError 和 RequestException 同理

 

更多的异常处理可以查看文档哈