爬虫系列 | 4、详解Requests的用法

爬虫系列 | 4、详解Requests的用法

了解了爬虫和网络请求,下面就可以开始正式的了解Python中爬虫相关的模块了

很多爬虫相关的书籍一般刚开始都会讲一下urllib模块,等你跟着书中的学完之后,会告诉你urllib模块用起来比较复杂,通常不使用



确实,urllib是一个比较古老的模块,封装的爬虫方法也相对复杂。所以可以直接开始撸 requests 模块.

Requests模块的作用就是模拟浏览器发送请求。是Python中原生的一款基于网络请求的模块,不仅功能强大,而且使用起来也比较简单!

模块的安装

直接通过pip进行安装即可

pip install requests

使用起来也非常的简单,分为三步

  • 指定URL,也就是说你要爬取的网站地址
  • 发送请求,请求又分为GET/POST/PUT/DELETE等等
  • 获取响应数据

这样看是不是非常简单呢?废话不多说,来个简单的例子,比如我需要爬取百度的首页

GET请求

# 导入模块
import requests
url = 'https://www.baidu.com'
# 发送get请求
response = requests.get(url)
# 获取网页源代码
baidu_html = response.text
# 将获取的数据进行持久化(保存)
with open('baidu.html', 'w', encoding='utf-8') as f:
    f.write(baidu_html)

执行之后就会在同级目录下有个 baidu.html 的文件。

以上就是一个最最最基本的使用requests发送get请求的例子。同样如果发送其他请求比如POST/PUT/HEAD等等

requests.post(url)
requests.delete(url)
requests.put(url)
...

在发送请求的时候,大部分时候会携带一些参数的。比如我们进行搜索的时候,发送的GET请求就会携带搜索内容

比如我在百度上搜索 python 时,url是 https://www.baidu.com/s?wd=python


为了使爬虫程序更加灵活,肯定要将搜索的内容进行分离。可以通过构建一个字典参数,发送GET请求

import requests
# 输入搜索的关键词
wd = input('请输入要搜索的内容:\n')
url = 'https://www.baidu.com/s?'
# 构建get请求的搜索参数
url_param = {'wd': wd}
# 防止爬虫被拦截,增加请求的UA
header = {
    'user-agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/83.0.4103.106 Safari/537.36'
# 发送GET请求
response = requests.get(url, params=url_param, headers=header)
# 获取网页源代码
wd_html = response.text
# 写入文件,持久化操作
with open('wd.html', 'w', encoding='utf-8') as f:
    f.write(wd_html)

具体的GET用法如下

# url 访问的地址
# params 携带的参数
# **kwargs 其他参数,比如请求头、cookie、代理(proxies)等等
def get(url, params=None, **kwargs):

POST请求

使用httpbin网站进行测试

httpbin是一个能测试HTTP请求和响应的网站,支持各种请求方法

1、以form表单的形式提交参数,只需要将请求参数构造成一个字典,传给data参数即可。

import requests
url = 'http://httpbin.org/post'
params = {'name': '公众号:Python极客专栏', 'language': 'python'}
response = requests.post(url, data=params)
print(response.json())

执行结果:

{
	'args': {},
	'data': '',
	'files': {},
	'form': {
		'language': 'python',
		'name': '公众号:Python极客专栏'
	'headers': {
		'Accept': '*/*',
		'Accept-Encoding': 'gzip, deflate',
		'Content-Length': '99',
		'Content-Type': 'application/x-www-form-urlencoded',
		'Host': 'httpbin.org',
		'User-Agent': 'python-requests/2.22.0',
		'X-Amzn-Trace-Id': 'Root=1-5fef5112-65ad78d4706c58475905fef2'
	'json': None,
	'origin': '',
	'url': 'http://httpbin.org/post'
}

2、以字符串的形式提交参数,通过 json.dumps 将字典转换成字符串

import requests
import json
header = {
    'user-agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/83.0.4103.106 Safari/537.36'
url = 'http://httpbin.org/post'
params = {'name': 'Tom', 'hobby': ['music', 'game']}
# 通过json.dumps 将字典格式化为json字符串
response = requests.post(url, json=json.dumps(params), headers=header)
print(response.json())

执行结果:

{
	'args': {},
	'data': '"{\\"name\\": \\"Tom\\", \\"hobby\\": [\\"music\\", \\"game\\"]}"',
	'files': {},
	'form': {},
	'headers': {
		'Accept': '*/*',
		'Accept-Encoding': 'gzip, deflate',
		'Content-Length': '55',
		'Content-Type': 'application/json',
		'Host': 'httpbin.org',
		'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/83.0.4103.106 Safari/537.36', # 请求中加入的headers在这里也可以看到
		'X-Amzn-Trace-Id': 'Root=1-5fef583e-5224201d08e2ff396416e822'
	'json': '{"name": "Tom", "hobby": ["music", "game"]}',
	'origin': '',
	'url': 'http://httpbin.org/post'
}

3、使用post请求提交文件 (以multipart形式)

import requests
import json
header = {
    'user-agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/83.0.4103.106 Safari/537.36'
url = 'http://httpbin.org/post'
# 读取 baidu.html 文件, 'rb':以二进制形式读取
files = {'file': open('baidu.html', 'rb')}
# post形式传入file文件
response = requests.post(url, files=files)
print(response.json())

执行结果:

{
	'args': {},
	'data': '',
	'files': {
		'file': '<!DOCTYPE html>.....此处省略HTML内容...'
	'form': {},
	'headers': {
		'Accept': '*/*',
		'Accept-Encoding': 'gzip, deflate',
		'Content-Length': '2732',
		'Content-Type': 'multipart/form-data; boundary=1ba2b1406c4a4fe89c1846dc6398dae5',
		'Host': 'httpbin.org',
		'User-Agent': 'python-requests/2.22.0',
		'X-Amzn-Trace-Id': 'Root=1-5fef58f8-68f9fb2246eb190f06092ffb'
	'json': None,
	'origin': '',
	'url': 'http://httpbin.org/post'
}

响应的处理

通过GET/POST等请求会获取到服务器的响应,也就是上面例子中的 response 。改如何获取更多的信息呢?

import requests
headers = {
    'referer': 'https://www.baidu.com',
    'user-agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/83.0.4103.106 Safari/537.36'
url = 'http://httpbin.org/post'
# 读取 baidu.html 文件, 'rb':以二进制形式读取
files = {'file': open('baidu.html', 'rb')}
# post形式传入file文件
response = requests.post(url, files=files, headers=headers, cookies={'test': 'abcdefg'})
# response的处理
# 指定编码
response.encoding = 'utf-8'
print(response.url) # 请求的url
print(response.encoding) # 请求的编码、
print(response.status_code) # 状态码
print(response.content) # 响应内容的二进制形式 (保存文件、图片、音频等)
print(response.text) # 响应内容的文本形式