爬虫入门教程 —— 2

requests

Request 自称是 HTTP for Humans  ,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

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

1. response = requests.get('http://www.baidu.com/')
2. # 也可以这么写
3. # 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

1. import requests
2. kw = {'wd':'北京'}
3. 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'}
4. # 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，
5. response = requests.get('http://www.baidu.com/?', params = kw, headers = headers)
6. # 查看响应内容，response.text 返回的是Unicode格式的数据
7. print (response.text)
8. # 查看响应内容，response.content返回的字节流数据
9. # print (respones.content)
10. # 查看完整url地址
11. print(response.url)
12. # 查看响应头部字符编码
13. print(response.encoding)
14. # 查看响应码
15. 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 。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，你要按照规则来。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：

1. ......
2. ......
3. 'http://www.baidu.com/s?wd=%E9%95%BF%E5%9F%8E'
4. 'utf-8'
5. 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。

1. import requests
2. formdata = {
3. 'type':'AUTO',
4. 'i':'i love python',
5. 'doctype':'json',
6. 'xmlVersion':'1.8',
7. 'keyfrom':'fanyi.web',
8. 'ue':'UTF-8',
9. 'action':'FY_BY_ENTER',
10. 'typoResult':'true'
11. }
12. url = 'http://fanyi.youdao.com/translate?smartresult=dict&smartresult=rule&smartresult=ugc&sessionFrom=null'
13. 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'}
14. response = requests.post(url, data = formdata, headers = headers)
15. 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：

1. import requests
2. # 根据协议类型，选择不同的代理
3. proxies = {'http': 'http://xx.xx.xx.xx:1234'}
4. response = requests.get('http://www.baidu.com', proxies = proxies)
5. print (response.text)

你可能又要问了，代理ip有什么用？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，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 )

1. import requests
2. # 如果代理需要使用HTTP Basic Auth，可以使用下面这种格式：
3. proxy = { 'http': 'user：passwd@124.88.67.81:80' }
4. response = requests.get('http://www.baidu.com', proxies = proxy)
5. 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

1. response = requests.get('http://www.baidu.com/')
2. # 7. 返回CookieJar对象:
3. cookiejar = response.cookies
4. # 8. 将CookieJar转为字典：
5. cookiedict = requests.utils.dict_from_cookiejar(cookiejar)
6. print (cookiejar)
7. 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 。

1. import requests
2. # 1. 创建session对象，可以保存Cookie值
3. ssion = requests.session()
4. # 2. 处理 headers
5. 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'}
6. # 3. 需要登录的用户名和密码
7. data = {'email':'[e-mail]', 'password':'xxxx'}
8. # 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
9. ssion.post('http://www.renren.com/PLogin.do', data = data)
10. # 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
11. response = ssion.get('http://www.renren.com/410043129/profile')
12. # 6. 打印响应内容
13. 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

1. import requests
2. response = requests.get('https://www.baidu.com/', verify=True)
3. # 也可以省略不写
4. # response = requests.get('https://www.baidu.com/')
5. 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

1. import requests
2. response = requests.get('https://www.12306.cn/mormhweb/')
3. 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)