前言
之前我们用了 urllib 库，这个作为入门的工具还是不错的，对了解一些爬虫的基本理念，掌握爬虫爬取的流程有所帮助。入门之后，我们就需要学习一些更加高级的内容和工具来方便我们的爬取。那么这一节来简单介绍一下 requests 库的基本用法。
注：Python 版本依然基于 2.7
官方文档
以下内容大多来自于官方文档，本文进行了一些修改和总结。要了解更多可以参考
安装
利用 pip 安装
$ pip install requests
| 1 |
$ pip install requests |
或者利用 easy_install
$ easy_install requests
| 1 |
$ easy_install requests |
通过以上两种方法均可以完成安装。
引入
首先我们引入一个小例子来感受一下
Python
import requests r = requests.get('http://cuiqingcai.com') print type(r) print r.status_code print r.encoding #print r.text print r.cookies
| 1 2 3 4 5 6 7 8 |
import requests r = requests.get('http://cuiqingcai.com') print type(r) print r.status_code print r.encoding #print r.text print r.cookies |
以上代码我们请求了本站点的网址，然后打印出了返回结果的类型，状态码，编码方式，Cookies等内容。
运行结果如下
<class 'requests.models.Response'> 200 UTF-8 <RequestsCookieJar[]>
| 1 2 3 4 |
<class 'requests.models.Response'> 200 UTF-8 <RequestsCookieJar[]> |
怎样，是不是很方便。别急，更方便的在后面呢。
基本请求
requests库提供了http所有的基本请求方式。例如
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")
| 1 2 3 4 5 |
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") |
嗯，一句话搞定。
基本GET请求
最基本的GET请求可以直接用get方法
r = requests.get("http://httpbin.org/get")
| 1 |
r = requests.get("http://httpbin.org/get") |
如果想要加参数，可以利用 params 参数
import requests payload = {'key1': 'value1', 'key2': 'value2'} r = requests.get("http://httpbin.org/get", params=payload) print r.url
| 1 2 3 4 5 |
import requests payload = {'key1': 'value1', 'key2': 'value2'} r = requests.get("http://httpbin.org/get", params=payload) print r.url |
运行结果
http://httpbin.org/get?key2=value2&key1=value1
| 1 |
http://httpbin.org/get?key2=value2&key1=value1 |
如果想请求JSON文件，可以利用 json() 方法解析
例如自己写一个JSON文件命名为a.json，内容如下
["foo", "bar", { "foo": "bar" }]
| 1 2 3 |
["foo", "bar", { "foo": "bar" }] |
利用如下程序请求并解析
Python
import requests r = requests.get("a.json") print r.text print r.json()
| 1 2 3 4 5 |
import requests r = requests.get("a.json") print r.text print r.json() |
运行结果如下，其中一个是直接输出内容，另外一个方法是利用 json() 方法解析，感受下它们的不同
["foo", "bar", { "foo": "bar" }] [u'foo', u'bar', {u'foo': u'bar'}]
| 1 2 3 4 |
["foo", "bar", { "foo": "bar" }] [u'foo', u'bar', {u'foo': u'bar'}] |
如果想获取来自服务器的原始套接字响应，可以取得 r.raw 。 不过需要在初始请求中设置 stream=True 。
r = requests.get('https://github.com/timeline.json', stream=True) r.raw <requests.packages.urllib3.response.HTTPResponse object at 0x101194810> r.raw.read(10) '\x1f\x8b\x08\x00\x00\x00\x00\x00\x00\x03'
| 1 2 3 4 5 |
r = requests.get('https://github.com/timeline.json', stream=True) r.raw <requests.packages.urllib3.response.HTTPResponse object at 0x101194810> r.raw.read(10) '\x1f\x8b\x08\x00\x00\x00\x00\x00\x00\x03' |
这样就获取了网页原始套接字内容。
如果想添加 headers，可以传 headers 参数
Python
import requests payload = {'key1': 'value1', 'key2': 'value2'} headers = {'content-type': 'application/json'} r = requests.get("http://httpbin.org/get", params=payload, headers=headers) print r.url
| 1 2 3 4 5 6 |
import requests payload = {'key1': 'value1', 'key2': 'value2'} headers = {'content-type': 'application/json'} r = requests.get("http://httpbin.org/get", params=payload, headers=headers) print r.url |
通过headers参数可以增加请求头中的headers信息
基本POST请求
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 payload = {'key1': 'value1', 'key2': 'value2'} r = requests.post("http://httpbin.org/post", data=payload) print r.text
| 1 2 3 4 5 |
import requests payload = {'key1': 'value1', 'key2': 'value2'} r = requests.post("http://httpbin.org/post", data=payload) print r.text |
运行结果
{ "args": {}, "data": "", "files": {}, "form": { "key1": "value1", "key2": "value2" }, "headers": { "Accept": "*/*", "Accept-Encoding": "gzip, deflate", "Content-Length": "23", "Content-Type": "application/x-www-form-urlencoded", "Host": "httpbin.org", "User-Agent": "python-requests/2.9.1" }, "json": null, "url": "http://httpbin.org/post" }
| 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 |
{ "args": {}, "data": "", "files": {}, "form": { "key1": "value1", "key2": "value2" }, "headers": { "Accept": "*/*", "Accept-Encoding": "gzip, deflate", "Content-Length": "23", "Content-Type": "application/x-www-form-urlencoded", "Host": "httpbin.org", "User-Agent": "python-requests/2.9.1" }, "json": null, "url": "http://httpbin.org/post" } |
可以看到参数传成功了，然后服务器返回了我们传的数据。
有时候我们需要传送的信息不是表单形式的，需要我们传JSON格式的数据过去，所以我们可以用 json.dumps() 方法把表单数据序列化。
import json import requests url = 'http://httpbin.org/post' payload = {'some': 'data'} r = requests.post(url, data=json.dumps(payload)) print r.text
| 1 2 3 4 5 6 7 |
import json import requests url = 'http://httpbin.org/post' payload = {'some': 'data'} r = requests.post(url, data=json.dumps(payload)) print r.text |
运行结果
{ "args": {}, "data": "{\"some\": \"data\"}", "files": {}, "form": {}, "headers": { "Accept": "*/*", "Accept-Encoding": "gzip, deflate", "Content-Length": "16", "Host": "httpbin.org", "User-Agent": "python-requests/2.9.1" }, "json": { "some": "data" }, "url": "http://httpbin.org/post" }
| 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 |
{ "args": {}, "data": "{\"some\": \"data\"}", "files": {}, "form": {}, "headers": { "Accept": "*/*", "Accept-Encoding": "gzip, deflate", "Content-Length": "16", "Host": "httpbin.org", "User-Agent": "python-requests/2.9.1" }, "json": { "some": "data" }, "url": "http://httpbin.org/post" } |
通过上述方法，我们可以POST JSON格式的数据
如果想要上传文件，那么直接用 file 参数即可
新建一个 a.txt 的文件，内容写上 Hello World!
import requests url = 'http://httpbin.org/post' files = {'file': open('test.txt', 'rb')} r = requests.post(url, files=files) print r.text
| 1 2 3 4 5 6 |
import requests url = 'http://httpbin.org/post' files = {'file': open('test.txt', 'rb')} r = requests.post(url, files=files) print r.text |
可以看到运行结果如下
{ "args": {}, "data": "", "files": { "file": "Hello World!" }, "form": {}, "headers": { "Accept": "*/*", "Accept-Encoding": "gzip, deflate", "Content-Length": "156", "Content-Type": "multipart/form-data; boundary=7d8eb5ff99a04c11bb3e862ce78d7000", "Host": "httpbin.org", "User-Agent": "python-requests/2.9.1" }, "json": null, "url": "http://httpbin.org/post" }
| 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 |
{ "args": {}, "data": "", "files": { "file": "Hello World!" }, "form": {}, "headers": { "Accept": "*/*", "Accept-Encoding": "gzip, deflate", "Content-Length": "156", "Content-Type": "multipart/form-data; boundary=7d8eb5ff99a04c11bb3e862ce78d7000", "Host": "httpbin.org", "User-Agent": "python-requests/2.9.1" }, "json": null, "url": "http://httpbin.org/post" } |
这样我们便成功完成了一个文件的上传。
requests 是支持流式上传的，这允许你发送大的数据流或文件而无需先把它们读入内存。要使用流式上传，仅需为你的请求体提供一个类文件对象即可
with open('massive-body') as f: requests.post('http://some.url/streamed', data=f)
| 1 2 |
with open('massive-body') as f: requests.post('http://some.url/streamed', data=f) |
这是一个非常实用方便的功能。
Cookies
如果一个响应中包含了cookie，那么我们可以利用 cookies 变量来拿到
import requests url = 'http://example.com' r = requests.get(url) print r.cookies print r.cookies['example_cookie_name']
| 1 2 3 4 5 6 |
import requests url = 'http://example.com' r = requests.get(url) print r.cookies print r.cookies['example_cookie_name'] |
以上程序仅是样例，可以用 cookies 变量来得到站点的 cookies
另外可以利用 cookies 变量来向服务器发送 cookies 信息
import requests url = 'http://httpbin.org/cookies' cookies = dict(cookies_are='working') r = requests.get(url, cookies=cookies) print r.text
| 1 2 3 4 5 6 |
import requests url = 'http://httpbin.org/cookies' cookies = dict(cookies_are='working') r = requests.get(url, cookies=cookies) print r.text |
运行结果
'{"cookies": {"cookies_are": "working"}}'
| 1 |
'{"cookies": {"cookies_are": "working"}}' |
可以已经成功向服务器发送了 cookies
超时配置
可以利用 timeout 变量来配置最大请求时间
requests.get('http://github.com', timeout=0.001)
| 1 |
requests.get('http://github.com', timeout=0.001) |
注：timeout 仅对连接过程有效，与响应体的下载无关。
也就是说，这个时间只限制请求的时间。即使返回的 response 包含很大内容，下载需要一定时间，然而这并没有什么卵用。
会话对象
在以上的请求中，每次请求其实都相当于发起了一个新的请求。也就是相当于我们每个请求都用了不同的浏览器单独打开的效果。也就是它并不是指的一个会话，即使请求的是同一个网址。比如
import requests requests.get('http://httpbin.org/cookies/set/sessioncookie/123456789') r = requests.get("http://httpbin.org/cookies") print(r.text)
| 1 2 3 4 5 |
import requests requests.get('http://httpbin.org/cookies/set/sessioncookie/123456789') r = requests.get("http://httpbin.org/cookies") print(r.text) |
结果是
{ "cookies": {} }
| 1 2 3 |
{ "cookies": {} } |
很明显，这不在一个会话中，无法获取 cookies，那么在一些站点中，我们需要保持一个持久的会话怎么办呢？就像用一个浏览器逛淘宝一样，在不同的选项卡之间跳转，这样其实就是建立了一个长久会话。
解决方案如下
import requests s = requests.Session() s.get('http://httpbin.org/cookies/set/sessioncookie/123456789') r = s.get("http://httpbin.org/cookies") print(r.text)
| 1 2 3 4 5 6 |
import requests s = requests.Session() s.get('http://httpbin.org/cookies/set/sessioncookie/123456789') r = s.get("http://httpbin.org/cookies") print(r.text) |
在这里我们请求了两次，一次是设置 cookies，一次是获得 cookies
运行结果
{ "cookies": { "sessioncookie": "123456789" } }
| 1 2 3 4 5 |
{ "cookies": { "sessioncookie": "123456789" } } |
发现可以成功获取到 cookies 了，这就是建立一个会话到作用。体会一下。
那么既然会话是一个全局的变量，那么我们肯定可以用来全局的配置了。
import requests s = requests.Session() s.headers.update({'x-test': 'true'}) r = s.get('http://httpbin.org/headers', headers={'x-test2': 'true'}) print r.text
| 1 2 3 4 5 6 |
import requests s = requests.Session() s.headers.update({'x-test': 'true'}) r = s.get('http://httpbin.org/headers', headers={'x-test2': 'true'}) print r.text |
通过 s.headers.update 方法设置了 headers 的变量。然后我们又在请求中设置了一个 headers，那么会出现什么结果？
很简单，两个变量都传送过去了。
运行结果
{ "headers": { "Accept": "*/*", "Accept-Encoding": "gzip, deflate", "Host": "httpbin.org", "User-Agent": "python-requests/2.9.1", "X-Test": "true", "X-Test2": "true" } }
| 1 2 3 4 5 6 7 8 9 10 |
{ "headers": { "Accept": "*/*", "Accept-Encoding": "gzip, deflate", "Host": "httpbin.org", "User-Agent": "python-requests/2.9.1", "X-Test": "true", "X-Test2": "true" } } |
如果get方法传的headers 同样也是 x-test 呢？
r = s.get('http://httpbin.org/headers', headers={'x-test': 'true'})
| 1 |
r = s.get('http://httpbin.org/headers', headers={'x-test': 'true'}) |
嗯，它会覆盖掉全局的配置
{ "headers": { "Accept": "*/*", "Accept-Encoding": "gzip, deflate", "Host": "httpbin.org", "User-Agent": "python-requests/2.9.1", "X-Test": "true" } }
| 1 2 3 4 5 6 7 8 9 |
{ "headers": { "Accept": "*/*", "Accept-Encoding": "gzip, deflate", "Host": "httpbin.org", "User-Agent": "python-requests/2.9.1", "X-Test": "true" } } |
那如果不想要全局配置中的一个变量了呢？很简单，设置为 None 即可
r = s.get('http://httpbin.org/headers', headers={'x-test': None})
| 1 |
r = s.get('http://httpbin.org/headers', headers={'x-test': None}) |
运行结果
{ "headers": { "Accept": "*/*", "Accept-Encoding": "gzip, deflate", "Host": "httpbin.org", "User-Agent": "python-requests/2.9.1" } }
| 1 2 3 4 5 6 7 8 |
{ "headers": { "Accept": "*/*", "Accept-Encoding": "gzip, deflate", "Host": "httpbin.org", "User-Agent": "python-requests/2.9.1" } } |
嗯，以上就是 session 会话的基本用法
SSL证书验证
现在随处可见 https 开头的网站，Requests可以为HTTPS请求验证SSL证书，就像web浏览器一样。要想检查某个主机的SSL证书，你可以使用 verify 参数
现在 12306 证书不是无效的嘛，来测试一下
import requests r = requests.get('https://kyfw.12306.cn/otn/', verify=True) print r.text
| 1 2 3 4 |
import requests r = requests.get('https://kyfw.12306.cn/otn/', verify=True) print r.text |
结果
requests.exceptions.SSLError: [SSL: CERTIFICATE_VERIFY_FAILED] certificate verify failed (_ssl.c:590)
| 1 |
requests.exceptions.SSLError: [SSL: CERTIFICATE_VERIFY_FAILED] certificate verify failed (_ssl.c:590) |
果真如此
来试下 github 的
import requests r = requests.get('https://github.com', verify=True) print r.text
| 1 2 3 4 |
import requests r = requests.get('https://github.com', verify=True) print r.text |
嗯，正常请求，内容我就不输出了。
如果我们想跳过刚才 12306 的证书验证，把 verify 设置为 False 即可
import requests r = requests.get('https://kyfw.12306.cn/otn/', verify=False) print r.text
| 1 2 3 4 |
import requests r = requests.get('https://kyfw.12306.cn/otn/', verify=False) print r.text |
发现就可以正常请求了。在默认情况下 verify 是 True，所以如果需要的话，需要手动设置下这个变量。
代理
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 proxies = { "https": "http://41.118.132.69:4433" } r = requests.post("http://httpbin.org/post", proxies=proxies) print r.text
| 1 2 3 4 5 6 7 |
import requests proxies = { "https": "http://41.118.132.69:4433" } r = requests.post("http://httpbin.org/post", proxies=proxies) print r.text |
也可以通过环境变量 HTTP_PROXY 和 HTTPS_PROXY 来配置代理
export HTTP_PROXY="http://10.10.1.10:3128" export HTTPS_PROXY="http://10.10.1.10:1080"
| 1 2 |
export HTTP_PROXY="http://10.10.1.10:3128" export HTTPS_PROXY="http://10.10.1.10:1080" |
通过以上方式，可以方便地设置代理。
API
以上讲解了 requests 中最常用的参数，如果需要用到更多，请参考官方文档 API
结语
以上总结了一下 requests 的基本用法，如果你对爬虫有了一定的基础，那么肯定可以很快上手，在此就不多赘述了。
练习才是王道，大家尽快投注于实践中吧。