Python爬虫第6节-requests库的基本用法

前言

一、准备工作

二、实例引入

三、GET请求

3.1 基本示例

3.2 抓取网页

3.3 抓取二进制数据

3.4 添加headers

四、POST请求

五、响应

前言

前面我们学习了urllib的基础使用方法。不过，urllib在实际应用中存在一些不便之处。以网页验证和Cookies处理为例，使用 urllib 时，得编写Opener和Handler才能完成操作。

为了更轻松地实现这些操作，功能更强大的 requests 库应运而生。利用 requests 库，管理Cookies、进行登录验证，以及设置代理等操作，都能轻松搞定。下面，我们先介绍 requests 库的基本使用方法。

一、准备工作

在开始使用requests库前，要确保已经正确安装了该库。如果还未安装，可以通过下面命令安装：
- 对于 Python 2：

 pip install requests

- 对于 Python 3（推荐）：

pip3 install requests

二、实例引入

urllib库用urlopen()方法发起GET方式的网页请求。与之对应，requests库提供了get()方法。相比之下，get()这个名字，能让人更直接地明白它用于发起GET请求。

下面通过实例来看：

import requests
r = requests.get('https://www.baidu.com/')
print(type(r))
print(r.status_code)
print(type(r.text))
print(r.text)
print(r.cookies)

运行结果如下：

<class 'requests.models.Response'>
200
<class 'str'>
<html>
<head>
<script>
location.replace(location.href.replace("https://","http://"));
</script>
</head>
<body>
<noscript><meta http-equiv="refresh" content="0;url=http://www.baidu.com/"></noscript>
</body>
</html>
<RequestsCookieJar[<Cookie BIDUPSID=992C3B26F4C4D09505C5E959D5FBC005 for .baidu.com/>,<Cookie PSTM=1472227535 for .baidu.com/>,<Cookie bs=153047544986095451480040NN20303CO2FNNNO for .www.baidu.com/>,<Cookie BD_NOT_HTTPS=1 for www.baidu.com/>]>

在这儿，我们通过调用requests库的get()方法，完成了和urllib库中urlopen()一样的操作，得到一个Response对象。紧接着，我们又输出了这个Response对象的类型、状态码，响应体的类型、内容，以及Cookies信息。从运行结果能知道，Response对象的类型是requests.models.Response，响应体是str字符串类型，Cookies是RequestsCookieJar类型。

用get()方法实现GET请求并不稀奇，requests库更方便的地方在于，用一句话就能实现POST、PUT等其他类型的请求，示例如下：

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

这里分别用post()、put()、delete()等方法实现了POST、PUT、DELETE等请求。相比urllib，是不是简单很多？这其实只是requests库强大功能的一小部分。

三、GET请求

GET请求是HTTP协议里特别常见的一种请求方式。接下来，咱们就深入了解一下，怎么用requests库来发起GET请求。

3.1 基本示例

第一步，搭建一个最为简单的GET请求，请求的目标链接是http://httpbin.org/get。这个网站能识别客户端发起的请求类型，要是检测到是GET请求，就会把对应的请求信息返回过来。

import requests
r = requests.get('http://httpbin.org/get')
print(r.text)

运行结果如下：

{
    "args": {},
    "headers": {
        "Accept": "*/*",
        "Accept-Encoding": "gzip, deflate",
        "Host": "httpbin.org",
        "User-Agent": "python-requests/2.10.0"
    },
    "origin": "122.4.215.33",
    "url": "http://httpbin.org/get"
}

从结果能看出，我们顺利发起了GET请求，返回内容里有请求头、URL、IP等信息。那么，当发起GET请求，需要添加额外信息时，通常该怎么做呢？举个例子，现在要添加两个参数，一个是name，值为germey，另一个是age，值为22 。

要构造这个请求链接，是不是直接写成：

r = requests.get('http://httpbin.org/get?name=germey&age=22')

这样做可行，但不够人性化。一般情况下，这类信息数据会用字典来存储。那么，该如何构造链接呢？利用params参数就可以，示例如下：

import requests
data = {
    'name': 'germey',
    'age': 22
}
r = requests.get("http://httpbin.org/get", params=data)
print(r.text)

运行结果如下：

{
    "args": {
        "age": "22",
        "name": "germey"
    },
    "headers": {
        "Accept": "*/*",
        "Accept-Encoding": "gzip, deflate",
        "Host": "httpbin.org",
        "User-Agent": "python-requests/2.10.0"
    },
    "origin": "122.4.215.33",
    "url": "http://httpbin.org/get?age=22&name=germey"
}

运行程序后能发现，请求链接自动生成了，就是http://httpbin.org/get?age=22&name=germey。另外，网页返回内容的数据类型是str，不过它遵循JSON格式规范。所以，要是想把返回结果解析成字典格式，直接调用json()方法就能实现。

示例如下：

import requests
r = requests.get("http://httpbin.org/get")
print(type(r.text))
print(r.json())
print(type(r.json()))

运行结果如下：

<class 'str'>
{
    "headers": {
        "Accept-Encoding": "gzip, deflate",
        "Accept": "*/*",
        "Host": "httpbin.org",
        "User-Agent": "python-requests/2.10.0"
    },
    "url": "http://httpbin.org/get",
    "args": {},
    "origin": "182.33.248.131"
}
<class 'dict'>

可以发现，调用json()方法，能将返回结果为JSON格式的字符串转化为字典。但需要注意，如果返回结果不是JSON格式，就会出现解析错误，抛出json.decoder.JSONDecodeError异常。

3.2 抓取网页

上面请求的链接，返回内容是JSON格式字符串。既然如此，请求普通网页时，自然也能获取到对应内容。下面，我们以知乎的“发现”页面为例展开说明：

import requests
import re
headers = {
    'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_11_4) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/52.0.2743.116 Safari/537.36'
}
r = requests.get("https://www.zhihu.com/explore", headers=headers)
pattern = re.compile('explore-feed.*?question_link.*?>(.*?)</a>', re.S)
titles = re.findall(pattern, r.text)
print(titles)

这里，我们在请求中添加了headers信息，里面有User - Agent字段，这个字段用来标识浏览器。要是不加上这一项，知乎就不让我们抓取页面内容。之后，我们用最基础的正则表达式，把页面上所有问题内容匹配出来了。正则表达式的知识，我们会在后面深入讲解，这里先借助这个实例，给大家做个初步介绍。

运行结果如下：

['\n为什么很多人喜欢提及「拉丁语系」这个词?\n', '\n在没有水的情况下水系宝可梦如何战斗?\n', '\n有哪些经验可以送给 Kindle 新人?\n', '\n谷歌的广告业务是如何赚钱的?\n', "\n程序员该学习什么，能在上学期间挣钱?\n", '\n有哪些原本只是一个小消息，但回看发现是个惊天大新闻的例子?\n', "\n如何评价今敏?\n", '\n源氏是怎么把那么长的刀从背后拔出来的?\n', "\n年轻时得了绝症或大病是怎样的感受?\n", "\n年轻时得了绝症或大病是怎样的感受?\n"]

我们发现，这里成功提取出了所有的问题内容。

3.3 抓取二进制数据

上面例子里，我们抓取了知乎的一个页面，得到的是HTML文档。那要是想抓取图片、音频、视频这类文件，该怎么做呢？图片、音频、视频这些文件，本质都是二进制码。因为它们有特定保存格式，配合对应的解析方法，我们才能看到这些丰富多彩的多媒体内容。所以，要抓取这些文件，就得获取它们的二进制码。

下面以GitHub的站点图标为例来看：

import requests
r = requests.get("https://github.com/favicon.ico")
print(r.text)
print(r.content)

这次抓取的是站点图标，就是浏览器每个标签上显示的小图标。我们打印了Response对象的text和content这两个属性。运行程序后，前两行显示的是r.text的结果，最后一行是r.content的结果。能看到，r.text结果出现乱码，r.content结果前面有个b，这表明它是bytes类型数据。因为图片属于二进制数据，r.text打印时会把图片数据转成str类型，相当于直接将图片转为字符串，乱码也就不可避免了。

接着，我们将刚才提取到的图片保存下来：

import requests
r = requests.get("https://github.com/favicon.ico")
with open('favicon.ico', 'wb') as f:
    f.write(r.content)

这里用到了open()方法。使用它的时候，第一个参数要设定为文件名称，第二个参数表示以二进制写入模式打开文件，这样就能往文件里写入二进制数据。程序运行完毕，会发现在文件夹里多了一个名为favicon.ico的图标。同样道理，获取音频和视频文件，也能采用这种方法。

3.4 添加headers

和urllib.request一样，requests也能借助headers参数来传递请求头信息。就拿上面抓取知乎页面的例子来说，如果不设置headers参数传递请求头信息，就无法正常发起请求。

import requests
r = requests.get("https://www.zhihu.com/explore")
print(r.text)

运行结果如下：

<html><body><h1>500 Server Error</h1>An internal server error occured.</body></html>

但如果加上headers并添加User-Agent信息，就没问题了：

import requests
headers = {
    'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_11_4) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/52.0.2743.116 Safari/537.36'
}
r = requests.get("https://www.zhihu.com/explore", headers=headers)
print(r.text)

当然，我们可以在headers这个参数中任意添加其他的字段信息。

四、POST请求

前面，我们认识了最基础的GET请求。在HTTP请求里，还有一种常见的请求方式，那就是POST请求。用requests库实现POST请求，操作起来同样不复杂。

示例如下：

import requests
data = {'name': 'germey', 'age': '22'}
r = requests.post("http://httpbin.org/post", data=data)
print(r.text)

这里还是请求http://httpbin.org/post，该网站可以判断如果请求是POST方式，就把相关请求信息返回。

运行结果如下：

{
    "args": {},
    "data": "",
    "files": {},
    "form": {
        "age": "22",
        "name": "germey"
    },
    "headers": {
        "Accept": "*/*",
        "Accept-Encoding": "gzip, deflate",
        "Content-Length": "18",
        "Content-Type": "application/x-www-form-urlencoded",
        "Host": "httpbin.org",
        "User-Agent": "python-requests/2.10.0"
    },
    "json": null,
    "origin": "182.33.248.131",
    "url": "http://httpbin.org/post"
}

从结果能看到，我们顺利拿到了返回数据。返回结果里的form部分，正是我们提交的数据，这就说明POST请求成功发送出去了。

五、响应

发送请求之后，肯定会得到响应结果。就像上面的例子，我们通过text和content属性，获取到了响应内容。其实，除了这两种，借助其他属性和方法，还能获取更多信息，像状态码、响应头，以及Cookies等内容。

示例如下：

import requests
r = requests.get('http://www.jianshu.com')
print(type(r.status_code), r.status_code)
print(type(r.headers), r.headers)
print(type(r.cookies), r.cookies)
print(type(r.url), r.url)
print(type(r.history), r.history)

在这里，通过打印status_code属性，就能得到请求的状态码；打印headers属性，可获取响应头信息；打印cookies属性，能拿到Cookies数据；打印url属性，会显示请求的URL；而打印history属性，就能看到请求历史记录。

运行结果如下：

<class 'int'> 200
<class 'requests.structures.CaseInsensitiveDict'> {'X-Runtime': '0.006363', 'Connection': 'keep-alive', 'Content-Type': 'text/html; charset=utf-8', 'X-Content-Type-Options': 'nosniff', 'Date': 'Sat, 27 Aug 2016 17:18:51 GMT', 'Server': 'nginx', 'X-Frame-Options': 'DENY', 'Content-Encoding': 'gzip', 'Vary': 'Accept-Encoding', 'ETag': 'W/"3abda885e0e123bfde06dgb61e696159"', 'X-XSS-Protection': '1;mode-block', 'X-Request-Id': 'a8a3c4d5-f660-422f-8df9-49719ddgb5d4', 'Transfer-Encoding': 'chunked','set-Cookie':'read mode=day; path=/', 'default font=font2; path=/','session id=xxx; path=/; HttpOnly', 'Cache-Control':'max-age=0, private, must-revalidate'}
<class'requests.cookies.RequestsCookieJar'> <RequestsCookieJar[<Cookie session id=xxx for www.jianshu.com/>, <Cookie default font=font2 for www.jianshu.com/>, <Cookie read mode=day for www.jianshu.com/>]>
<class'str'> http://www.jianshu.com/
<class 'list'> []

由于session id太长，这里就简写了。从运行结果能看出，通过headers属性获取到的数据类型是CaseInsensitiveDict，通过cookies属性获取到的数据类型则是RequestsCookieJar。

在判断请求是否成功时，状态码是常用的依据。requests库还内置了一个状态码查询对象，叫requests.codes 。

示例如下：

import requests
r = requests.get('http://www.jianshu.com')
exit() if not r.status_code == requests.codes.ok else print('Request Successfully')

在这儿，我们把请求的返回码和requests库内置的成功返回码作比较。要是二者匹配，就说明请求正常响应，程序会输出成功请求的消息；要是不匹配，程序就会终止。这里，我们用requests.codes.ok获取到的成功状态码为200。

当然，requests.codes里可不只有ok这一个条件码。下面，给大家列出各类返回码以及对应的查询条件。

# 信息性状态码
100: ('continue',),
101: ('switching protocols',),
102: ('processing',),
103: ('checkpoint',),
122: ('uri too long', "request uri too long"),
# 成功状态码
200: ('ok', 'okay', 'all_ok', 'all_okay', 'all_good', '\\o/', '√'),
201: ('created',),
202: ('accepted',),
203: ('non_authoritative_info', 'non_authoritative_information'),
204: ('no_content',),
205: ('reset_content', 'reset'),
206: ('partial_content', 'partial'),
207: ('multi_status','multiple_status','multi_stati','multiple_stati'),
208: ('already_reported',),
226: ('im_used',),
# 重定向状态码
300: ('multiple_choices',),
301: ('moved_permanently','moved', '\\o-'),
302: ('found',),
303: ('see_other', 'other'),
304: ('not_modified',),
305: ('use_proxy',),
306: ('switch_proxy',),
307: ('temporary_redirect', 'temporary_moved', 'temporary'),
308: ('permanent_redirect','resume_incomplete','resume',),
# 客户端错误状态码
400: ('bad_request', 'bad'),
401: ('unauthorized',),
402: ('payment_required', 'payment'),
403: ('forbidden',),
404: ('not_found', '-0-'),
405: ('method_not_allowed', 'not_allowed'),
406: ('not_acceptable',),
407: ('proxy_authentication_required', 'proxy_auth', 'proxy_authentication'),
408: ('request_timeout', 'timeout'),
409: ('conflict',),
410: ('gone',),
411: ('length_required',),
412: ('precondition_failed', 'precondition'),
413: ('request_entity_too_large',),
414: ('request_uri_too_large',),
415: ('unsupported_media_type', 'unsupported_media','media_type'),
416: ('requested_range_not_satisfiable','requested_range', 'range_not_satisfiable'),
417: ('expectation_failed',),
418: ('im_a_teapot', 'teapot', 'i_am_a_teapot'),
421: ('misdirected_request',),
422: ('unprocessable_entity', 'unprocessable'),
423: ('locked',),
424: ('failed_dependency', 'dependency'),
425: ('unordered_collection', 'unordered'),
426: ('upgrade_required', 'upgrade'),
428: ('precondition_required', 'precondition'),
429: ('too_many_requests', 'too_many'),
431: ('header_fields_too_large', 'fields_too_large'),
444: ('no_response', 'none'),
449: ('retry_with','retry'),
450: ('blocked_by_windows_parental_controls', 'parental_controls'),
451: ('unavailable_for_legal_reasons', 'legal_reasons'),
499: ('client_closed_request', 'client_closed_request'),
# 服务端错误状态码
500: ('internal_server_error','server_error', '/o\\', 'X'),
501: ('not_implemented',),
502: ('bad_gateway',),
503: ('service_unavailable', 'unavailable'),
504: ('gateway_timeout',),
505: ('http_version_not_supported', 'http_version'),
506: ('variant_also_negotiates',),
507: ('insufficient_storage',),
509: ('bandwidth_limit_exceeded', 'bandwidth'),
510: ('not_extended',),
511: ('network_authentication_required', 'network_auth', 'network_authentication')

举个例子，要是你想知道请求结果是不是404状态，就可以用`requests.codes.not_found`去做对比。