爬虫入门教程 —— 2

第二节课我们来，开始讲解 requests ，一个灰常牛逼的库，至于urllib2 我门在这里就不讲了，感兴趣的小伙伴可以自找资料

Request 自称是 HTTP for Humans ,这就说明了哈，他是非常的方便。

Request 其实底层就是封装的urllib3,它的文档非常的完备，完全可以支持现在的网络需要，可以在python3完运行

Request中文文档 API : 点击打开链接

安装

pip install requests # 好好利用百度，有问题百度

liunx

基本GET请求（headers参数和 parmas参数）

1. 最基本的GET请求可以直接用get方法

response = requests.get("http://www.baidu.com/")

# 也可以这么写
# response = requests.request("get", "http://www.baidu.com/")

2. 添加 headers 和查询参数

如果想添加 headers，可以传入headers参数来增加请求头中的headers信息。如果要将参数放在url中传递，可以利用 params 参数

import requests

kw = {'wd':'北京'}

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"}

# params 接收一个字典或者字符串的查询参数，字典类型自动转换为url编码， 
response = requests.get("http://www.baidu.com/?", params = kw, headers = headers)

# 查看响应内容，response.text 返回的是Unicode格式的数据
print (response.text)

# 查看响应内容，response.content返回的字节流数据
# print (respones.content)

# 查看完整url地址
print(response.url)

# 查看响应头部字符编码
print(response.encoding)

# 查看响应码
print（response.status_code）

第一行代码使我们引入这个类库，你可能会问 kw 和headers 是什么？为什么叫这个？它是我们访问服务器需要携带的一些参数，就像你向一个朋友发消息问问题。你带着你的问题，说明你是谁，让你朋友知道你想要干什么的。所以我们将这些参数放到我们的请求参数里面去，requests.get（）就是指的我们发送的是get请求，上节课讲过了呀。外边的名字，至于名字你爱叫什么叫什么，不过是传参数到requests.get（params=xx, header=xx）里面去的时候，你要按照人家的规则来，这也是最基本的哈。至于返回时候response.text 和response.content 有什么区别，简单说，取文本可以用text 取图片视频等我们用content字节流数据

运行结果：

......

......

'http://www.baidu.com/s?wd=%E9%95%BF%E5%9F%8E'

'utf-8'

200

基本POST请求（data参数）

2. 传入data数据

对于 POST 请求来说，我们一般需要为它增加一些参数。那么最基本的传参方法可以利用 data 这个参数。

import requests

formdata = {
    "type":"AUTO",
    "i":"i love python",
    "doctype":"json",
    "xmlVersion":"1.8",
    "keyfrom":"fanyi.web",
    "ue":"UTF-8",
    "action":"FY_BY_ENTER",
    "typoResult":"true"
}

url = "http://fanyi.youdao.com/translate?smartresult=dict&smartresult=rule&smartresult=ugc&sessionFrom=null"

headers={ "User-Agent": "Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/51.0.2704.103 Safari/537.36"}

response = requests.post(url, data = formdata, headers = headers)

print (response.text)

是不是非常的简单。

代理（proxies参数）

如果需要使用代理，你可以通过为任意请求方法提供 proxies 参数来配置单个请求：

import requests

# 根据协议类型，选择不同的代理
proxies = {"http": "http://xx.xx.xx.xx:1234"}

response = requests.get("http://www.baidu.com", proxies = proxies)
print (response.text)

你可能又要问了，代理ip有什卵用？爬虫是一般是网站最烦的东西了，凭什么你可以随便拿我的数据，对我的服务器增加负载，爬取次数过于频繁的话对服务器正常运转早成影响。啧啧这就涉及到了反爬虫，，网站管理人员可能就封你的id禁止你的访问权限，你会说了老子是爬虫不怕，老哥你还真以为你是爸爸，其实你是粑粑？封了你的ip你就GG，所切换代理或者是使用代理是以中分比较安全的方式，当然了在以后你牛逼了，爬取的数据量上升到几万甚至百万甚至更多的的时候，你可能就用代理IP池。有关于反爬虫的一些常见的反爬虫措施我们后边的课程中会给大家讲解。莫妖惊慌。。

私密代理验证

私密代理的使用方法(携带用户名字和密码 )

import requests

# 如果代理需要使用HTTP Basic Auth，可以使用下面这种格式：
proxy = { "http": "xxxx:[email protected]:2345" }

response = requests.get("http://www.baidu.com", proxies = proxy)

print (response.text)

Cookies 和 Session

关于cookies 和session 我建议大家去了解一下，我们只讲解我们能遇到的

cookie是我们访问服务器的时候，服务器暂时存在我们浏览器的小数据，他可以记录我们的登录状态，请求是否来自于同一个浏览器等

如果一个请求中包含了cookies的话我们可以这样拿到

import requests

response = requests.get("http://www.baidu.com/")

# 7. 返回CookieJar对象:
cookiejar = response.cookies

# 8. 将CookieJar转为字典：
cookiedict = requests.utils.dict_from_cookiejar(cookiejar)

print (cookiejar)

print (cookiedic)

在 requests 里，session对象是一个非常常用的对象，这个对象代表一次用户会话：从客户端浏览器连接服务器开始，到客户端浏览器与服务器断开。会话能让我们在跨请求时候保持某些参数，比如在同一个 Session 实例发出的所有请求之间保持 cookie 。

import requests

# 1. 创建session对象，可以保存Cookie值
ssion = requests.session()

# 2. 处理 headers
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"}

# 3. 需要登录的用户名和密码
data = {"email":"[email protected]", "password":"xxxx"}  

# 4. 发送附带用户名和密码的请求，并获取登录后的Cookie值，保存在ssion里
ssion.post("http://www.renren.com/PLogin.do", data = data)

# 5. ssion包含用户登录后的Cookie值，可以直接访问那些登录后才可以访问的页面
response = ssion.get("http://www.renren.com/410043129/profile")

# 6. 打印响应内容
print (response.text)

处理HTTPS请求 SSL证书验证

Requests也可以为HTTPS请求验证SSL证书

import requests
response = requests.get("https://www.baidu.com/", verify=True)

# 也可以省略不写
# response = requests.get("https://www.baidu.com/")
print (r.text)

如果SSL证书验证不通过，或者不信任服务器的安全证书，则会报出SSLError

我们来测试一下

import requests
response = requests.get("https://www.12306.cn/mormhweb/")
print (response.text)

SSLError: ("bad handshake: Error([('SSL routines', 'ssl3_get_server_certificate', 'certificate verify failed')],)",)

如果我们想跳过 12306 的证书验证，把 verify 设置为 False 就可以正常请求了

r = requests.get("https://www.12306.cn/mormhweb/", verify = False)

今天我们就先说这些，这些事比较基本的爬虫知识，这里借鉴了别人的一些资料。还是那句话遇到不懂的，或者是卡住不知道怎么办了，要学会寻找方法，比如博客，论坛，百度，谷歌等等，也可以下边留言，我也会尽量帮助大家。

邮箱 [email protected]