python爬虫入门教程--优雅的HTTP库requests（二）_Python

前言

urllib、urllib2、urllib3、httplib、httplib2 都是和 HTTP 相关的 Python 模块，看名字就觉得很反人类，更糟糕的是这些模块在 Python2 与 Python3 中有很大的差异，如果业务代码要同时兼容 2 和 3，写起来会让人崩溃。

好在，还有一个非常惊艳的 HTTP 库叫 requests，它是 GitHUb 关注数最多的 Python 项目之一，requests 的作者是 Kenneth Reitz 大神。

requests 实现了 HTTP 协议中绝大部分功能，它提供的功能包括 Keep-Alive、连接池、Cookie持久化、内容自动解压、HTTP代理、SSL认证、连接超时、Session等很多特性，最重要的是它同时兼容 python2 和 python3。requests 的安装可以直接使用 pip 方法：pip install requests

发送请求

				?

									>>> import requests

									# GET 请求

									>>> response = requests.get(<a rel="external nofollow" href="https://foofish.net/">https://foofish.net</a>)

响应内容

请求返回的值是一个Response 对象，Response 对象是对 HTTP 协议中服务端返回给浏览器的响应数据的封装，响应的中的主要元素包括：状态码、原因短语、响应首部、响应体等等，这些属性都封装在Response 对象中。

				?

									# 状态码

									>>> response.status_code

									200

									# 原因短语

									>>> response.reason

									'OK'

									# 响应首部

									>>> for name,value in response.headers.items():

									...  print("%s:%s" % (name, value))

									...

									Content-Encoding:gzip

									Server:nginx/1.10.2

									Date:Thu, 06 Apr 2017 16:28:01 GMT

									# 响应内容

									>>> response.content

									'<html><body>此处省略一万字...</body></html>

requests 除了支持 GET 请求外，还支持 HTTP 规范中的其它所有方法，包括 POST、PUT、DELTET、HEADT、OPTIONS方法。

				?

									>>> r = requests.post('http://httpbin.org/post', data = {'key':'value'})

									>>> r = requests.put('http://httpbin.org/put', data = {'key':'value'})

									>>> r = requests.delete('http://httpbin.org/delete')

									>>> r = requests.head('http://httpbin.org/get')

									>>> r = requests.options('http://httpbin.org/get')

查询参数

很多URL都带有很长一串参数，我们称这些参数为URL的查询参数，用"?"附加在URL链接后面，多个参数之间用"&"隔开，比如：http://fav.foofish.net/?p=4&s=20 ，现在你可以用字典来构建查询参数：

				?

									>>> args = {"p": 4, "s": 20}

									>>> response = requests.get("http://fav.foofish.net", params = args)

									>>> response.url

									'http://fav.foofish.net/?p=4&s=2'

请求首部

requests 可以很简单地指定请求首部字段 Headers，比如有时要指定 User-Agent 伪装成浏览器发送请求，以此来蒙骗服务器。直接传递一个字典对象给参数 headers 即可。

				?

									>>> r = requests.get(url, headers={'user-agent': 'Mozilla/5.0'})

请求体

requests 可以非常灵活地构建 POST 请求需要的数据，如果服务器要求发送的数据是表单数据，则可以指定关键字参数 data，如果要求传递 json 格式字符串参数，则可以使用json关键字参数，参数的值都可以字典的形式传过去。

作为表单数据传输给服务器

				?

									>>> payload = {'key1': 'value1', 'key2': 'value2'}

									>>> r = requests.post("http://httpbin.org/post", data=payload)

作为 json 格式的字符串格式传输给服务器

				?

									>>> import json

									>>> url = 'http://httpbin.org/post'

									>>> payload = {'some': 'data'}

									>>> r = requests.post(url, json=payload)

响应内容

HTTP返回的响应消息中很重要的一部分内容是响应体，响应体在 requests 中处理非常灵活，与响应体相关的属性有：content、text、json()。

content 是 byte 类型，适合直接将内容保存到文件系统或者传输到网络中

				?

									>>> r = requests.get("https://pic1.zhimg.com/v2-2e92ebadb4a967829dcd7d05908ccab0_b.jpg")

									>>> type(r.content)

									<class 'bytes'>

									# 另存为 test.jpg

									>>> with open("test.jpg", "wb") as f:

									...  f.write(r.content)

text 是 str 类型，比如一个普通的 HTML 页面，需要对文本进一步分析时，使用 text。

				?

									>>> r = requests.get("https://foofish.net/understand-http.html")

									>>> type(r.text)

									<class 'str'>

									>>> re.compile('xxx').findall(r.text)

如果使用第三方开放平台或者API接口爬取数据时，返回的内容是json格式的数据时，那么可以直接使用json()方法返回一个经过json.loads()处理后的对象。

				?

									>>> r = requests.get('https://www.v2ex.com/api/topics/hot.json')

									>>> r.json()

									[{'id': 352833, 'title': '在长沙，父母同住...

代理设置

当爬虫频繁地对服务器进行抓取内容时，很容易被服务器屏蔽掉，因此要想继续顺利的进行爬取数据，使用代理是明智的选择。如果你想爬取墙外的数据，同样设置代理可以解决问题，requests 完美支持代理。这里我用的是本地 ShadowSocks 的代理，（socks协议的代理要这样安装 pip install requests[socks] ）

				?

									import requests

									proxies = {

									 'http': 'socks5://127.0.0.1:1080',

									 'https': 'socks5://127.0.0.1:1080',

									}

									requests.get('https://foofish.net', proxies=proxies, timeout=5)

超时设置

requests 发送请求时，默认请求下线程一直阻塞，直到有响应返回才处理后面的逻辑。如果遇到服务器没有响应的情况时，问题就变得很严重了，它将导致整个应用程序一直处于阻塞状态而没法处理其他请求。

				?

									>>> import requests

									>>> r = requests.get("http://www.google.coma")

									...一直阻塞中

正确的方式的是给每个请求显示地指定一个超时时间。

				?

									>>> r = requests.get("http://www.google.coma", timeout=5)

									5秒后报错

									Traceback (most recent call last):

									socket.timeout: timed out

Session

在python爬虫入门教程--快速理解HTTP协议（一）中介绍过HTTP协议是一中无状态的协议，为了维持客户端与服务器之间的通信状态，使用 Cookie 技术使之保持双方的通信状态。

有些网页是需要登录才能进行爬虫操作的，而登录的原理就是浏览器首次通过用户名密码登录之后，服务器给客户端发送一个随机的Cookie，下次浏览器请求其它页面时，就把刚才的 cookie 随着请求一起发送给服务器，这样服务器就知道该用户已经是登录用户。

				?

									import requests

									# 构建会话

									session = requests.Session()

									#　登录url

									session.post(login_url, data={username, password})

									#　登录后才能访问的url

									r = session.get(home_url)

									session.close()