python爬虫2：requests库-原理

前言

python实现网络爬虫非常简单，只需要掌握一定的基础知识和一定的库使用技巧即可。本系列目标旨在梳理相关知识点，方便以后复习。

目录结构

文章目录

- python爬虫2：requests库-原理
- - 1. 概述
  - 2. response对象
  - - 2.1 encoding属性
    - 2.2 url属性
    - 2.3 status_code属性
    - 2.4 cookies属性
    - 2.5 request.headers属性
    - 2.6 headers属性
    - 2.7 text属性
    - 2.8 content属性
  - 3. GET请求
  - - 3.1 方法概述
    - 3.2 常用参数
    - 3.2 参数的用法举例
  - 4. POST请求
  - 5. 代理设置
  - 6. 会话维持
  - 7. ssl证书
  - 8. 总结

1. 概述

python其实自带一个请求库，即urllib，不过这个库并不是很好使，因此大部人都还是采用的第三方库requests。

Request支持HTTP连接保持和连接池，支持使用cookie保持会话，支持文件上传，支持自动响应内容的编码，支持国际化的URL和POST数据自动编码。

在python内置模块的基础上进行了高度的封装，从而使得python进行网络请求时，变得人性化，使用Requests可以轻而易举的完成浏览器可有的任何操作。

另外，requests的安装十分简单，仅需要pip一下即可：

pip install requests

如果网不好，还可以指定镜像源，下载更快：

pip install requests -i https://pypi.tuna.tsinghua.edu.cn/simple some-package

可以使用以下代码检验是否安装成功：

import requests
# 网址
url = 'https://www.baidu.com'
# 请求
response = requests.get(url)
# 打印返回结果
print(response.content.decode('utf-8'))

返回结果如下：

在这里插入图片描述

2. response对象

当我们使用get、post或者其他方式去请求的时候，我们就会得到一个response对象（比如上面测试代码中get函数返回的对象），你可以称呼它为响应对象，下面我们来学习这个对象的常用属性和方法。

2.1 encoding属性

作用：返回网页的编码格式。

代码：

import requests
# 网址
url = 'https://www.baidu.com'
# 请求
response = requests.get(url)
# 打印返回结果
print(response.encoding)

打印结果为：

ISO-8859-1

这个结果也是编码的一种，不过是我们国内的标准，其他常见的有utf-8之类的。

2.2 url属性

作用：返回响应服务器的url。

代码：

import requests
# 网址
url = 'https://www.baidu.com'
# 请求
response = requests.get(url)
# 打印返回结果
print(response.url)

打印结果为：

https://www.baidu.com/

不要小瞧这个属性。有时候我们访问的是：http://www.test.com，但是由于这个网站有重定向，因此我们实际访问的是： http://www.good.com ，这样我们通过这个属性确定我们真实访问的网址。

2.3 status_code属性

作用：返回响应的状态码。

代码：

import requests
# 网址
url = 'https://www.baidu.com'
# 请求
response = requests.get(url)
# 打印返回结果
print(response.status_code)

打印结果为：

什么是状态码？

简单来说就是你访问的这个网站状态怎么样，是正常访问，还是说服务器错误，还是网络有问题等等。

这里介绍一下常见的相应状态码：

2xx | 正常
3xx | 重定向
4xx | 错误
5xx | 服务器错误

2.4 cookies属性

作用：返回cookie对象。

代码：

import requests
# 网址
url = 'https://www.baidu.com'
# 请求
response = requests.get(url)
# 打印返回结果
print(response.cookies)

打印结果：

<RequestsCookieJar[<Cookie BDORZ=27315 for .baidu.com/>]>

什么是cookie？

这里简单说明一下什么是cookie，可以简单理解为一个存在我们电脑本地的临时身份文件，比如你访问一个网站，你首次登录了它，然后你把这个网站关掉，再次打开，发现不需要重新登录，这就是cookie发挥了作用，当你登陆后，在本地创建了一个临时文件用于后期登录。

2.5 request.headers属性

作用：返回请求头。

代码：

import requests
# 网址
url = 'https://www.baidu.com'
# 请求
response = requests.get(url)
# 打印返回结果
print(response.request.headers)

打印的值为：

{'User-Agent': 'python-requests/2.31.0', 'Accept-Encoding': 'gzip, deflate', 'Accept': '*/*', 'Connection': 'keep-alive'}

什么是请求头？

简单来说，你访问一个网站，比如百度搜索，你肯定会搜索某个东西，那么自然你请求这个网站，发送给这个网站的信息中带有这个东西，我们一般称之为请求头，其包含了你所请求的所有信息。

从上面的返回值可以看出一点：百度网站知道你是python脚本，从'User-Agent': 'python-requests/2.31.0'就可以看出。因此，我们写爬虫的时候必须要做一定的伪装，不然直接就被识别出来是爬虫了。

2.6 headers属性

作用：返回响应头。

代码：

import requests
# 网址
url = 'https://www.baidu.com'
# 请求
response = requests.get(url)
# 打印返回结果
print(response.headers)

打印结果：

{'Cache-Control': 'private, no-cache, no-store, proxy-revalidate, no-transform', 'Connection': 'keep-alive', 'Content-Encoding': 'gzip', 'Content-Type': 'text/html', 'Date': 'Fri, 04 Aug 2023 05:36:28 GMT', 'Last-Modified': 'Mon, 23 Jan 2017 13:23:55 GMT', 'Pragma': 'no-cache', 'Server': 'bfe/1.0.8.18', 'Set-Cookie': 'BDORZ=27315; max-age=86400; domain=.baidu.com; path=/', 'Transfer-Encoding': 'chunked'}

什么是响应头？

响应头就是服务器/网站自身返回给我们的部分信息、

2.7 text属性

作用：返回网页的源码，但是是按照chardet模块推测出的编码进行解码的结果（不准确）。

代码：

import requests
# 网址
url = 'https://www.baidu.com'
# 请求
response = requests.get(url)
# 打印返回结果
print(response.text)

返回结果：

<!DOCTYPE html>
<!--STATUS OK--><html> <head><meta http-equiv=content-type content=text/html;charset=utf-8><meta http-equiv=X-UA-Compatible content=IE=Edge><meta content=always name=referrer><link rel=stylesheet type=text/css href=https://ss1.bdstatic.com/5eN1bjq8AAUYm2zgoY3K/r/www/cache/bdorz/baidu.min.css><title>ç™¾åº¦ä¸€ä¸‹ï¼Œä½ å°±çŸ¥é“</title></head> <body link=#0000cc> <div id=wrapper> 
....

# 部分结果

说明：text返回的是网页源码，但是解码时是推测的，有时候并不准确。因此，我们更加常用content属性，加上自己解码，更加准确。

2.8 content属性

作用：返回网页源代码的bytes形式的结果。

代码：

import requests
# 网址
url = 'https://www.baidu.com'
# 请求
response = requests.get(url)
# 打印返回结果
print(response.content.decode('utf-8'))

打印的部分结果：

<!DOCTYPE html>
<!--STATUS OK--><html> <head><meta http-equiv=content-type content=text/html;charset=utf-8><meta http-equiv=X-UA-Compatible content=IE=Edge><meta content=always name=referrer><link rel=stylesheet type=text/css href=https://ss1.bdstatic.com/5eN1bjq8AAUYm2zgoY3K/r/www/cache/bdorz/baidu.min.css><title>百度一下，你就知道</title></head> <body link=#0000cc> <div id=wrapper> <div id=head> 
....

# 部分结果

如何判断网页编码形式？

这个简单，随便打开一个网页，比如百度，点击鼠标右键，查看源码，找到下图中的内容（html网页源码整体框架是固定的，因此你在任何网页上都可以找到类似的内容）：

在这里插入图片描述

3. GET请求

3.1 方法概述

get请求是平时我们最常用的请求方式之一。在requests模块中，提供给我们了非常方便的get请求方式：

import requests
url = 'http://www.baidu.com'
response = requests.get(url)
print(response.status_code)

3.2 常用参数

参数	作用
url	请求的地址
headers	请求头参数（字典）
params	请求的参数（字典）
cookies	请求的cookies参数（字典）
timeout	超时时间设置

3.2 参数的用法举例

这里举一个简单的例子，来说明一下这些参数怎么用。

之前不是说了嘛，直接用脚本去访问百度网站，会被识别出是python脚本，因此我们可以利用请求头参数进行简单的伪装：

import requests
# 地址
url = 'https://www.baidu.com'
# 伪造请求头
headers = {
    'User-Agent' : 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/115.0.0.0 Safari/537.36',
}
# 访问
response = requests.get(url,headers=headers)
# 打印
print(response.request.headers)

注意：传入的参数必须为字典形式，内容必须符合请求头的内容。

打印的结果如下：

{'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/115.0.0.0 Safari/537.36', 'Accept-Encoding': 'gzip, deflate', 'Accept': '*/*', 'Connection': 'keep-alive'}

可以看出，确实伪造成功了。

如何正确书写请求头格式？

这一点很重要也很简单，你随便打开一个网页，鼠标右键，选择”检查“（Google浏览器为例），然后按下图操作，即可看见请求头内容：

在这里插入图片描述

这里我介绍一下最常见的请求头参数内容：

User-Agent ： 客户端浏览器的版本信息
Host ： 服务器的主机
Referer：表示从哪个页面跳转到当前的页面
Cookie：用于记录客户端的身份信息，例如通过cookie登录网站
x-forward-for：表示客户端的IP地址，一般被称为”XXF“头，服务器通过这个字段可以知道客户端的真实IP或代理IP

（params参数后面单独出一个案例讲解）

4. POST请求

post请求也是我们网站中最常用的请求方式之一，一般提交表单几乎都是post请求。而，在requests模块中，post请求与get请求的使用方法上差别在于参数（params变为了data，headers参数和其他参数是相同的）：

data： 接收一个字典，里面爬虫发出的数据

5. 代理设置

使用代理，可以减少我们自己真实IP暴漏的概率。

简单来说，代理就是使用别人IP来访问网站，这样网站如果进行检测，只能检测到别人的IP地址，根本不知道其实是你在访问他的网站。

一般代理IP按照匿名程度分为：

高匿：
- 别人不知道你的真实IP
透明：
- 别人知道你的真实IP

而，在requests库中，get、post请求方法中都有一个参数 proxies ，这个参数就是设置代理使用的。

使用方法如下：

import requests

proxies = {
    'http/https':'http/https:ip:port',
    'http/https':'http/https:ip:port',
    'http/https':'http/https:ip:port',
    'http/https':'http/https:ip:port'
}
requests.get(url,proxies=proxies)

当我们需要追求效率时，除了可以采用多任务的方式，还有一个方式就是使用代理。比如我们需要下载图片，为了不被网站检测出我们是爬虫，我们不得不牺牲效率，比如说每爬取一张图片就休息一秒钟，这样的效率显然很低。但是一旦我们一秒钟爬取个几百张图片，非常容易被网站检测出这个用户不是一个人，因为真正的人不可能一秒钟下载几百张图片，于是网站便会短时间封禁我们的ip，导致我们无法继续访问，以至于爬虫失效。

这时我们需要代理，这样我们就可以在爬取的时候使用不同的ip地址了。

那么总结一下，为什么需要代理呢？

减少自己真实IP暴漏的概率
可以使用多个代理IP来实现快速访问

因为，现在的网站几乎都会屏蔽速度过快的访问，比如一秒几十次乃至几百、上千万次的访问，这样的访问一看就不正常，因此站长几乎都会屏蔽乃至禁止你的IP，因此我们可以使用多个代理IP，比如我们使用100个，那么我们每秒就会访问100次都不会有任何的问题

6. 会话维持

我们有时候遇见一些网站会强制你登录才能去获取数据。此时你知道想要登录网站需要去使用post方式请求，但是当你请求成功后再用get方式去访问网站，你会发现你被拒绝了，这意味着你的get请求是一个新的请求，而不是在post请求成功后以post为基础的请求。如果你无法理解上面的话，你可以这样理解，一个get就是打开一个浏览器，两个浏览器之间是无法通信的，所以你第二次请求相当于打开一个新的浏览器，自然无法获取内容。

因此，我们需要一些方法来搞定这个问题。

参考代码如下：

#下面给出的是思路，不是具体的代码，具体的代码还是根据实际案例来讲
import requests

#创建session对象
session = requests.session()
#使用session对象去发送post请求
session.post(.....)     #这里post的用法和requests.post()用法一致
#请求成功后再用session对象去请求只有登录才能访问的页面
response = session.get(....)   #这里post的用法和requests.get()用法一致
#接下来再去操作即可

（这个也会单独出一篇讲解案例）

7. ssl证书

有时候，我们的爬虫需要忽略ssl证书，即我们手动访问的时候会显示这个网页不安全/ssl证书过期等提示。

忽略的方法很简单，参考如下：

import requests

response = requests.get('https://www.baidu.com',verify=False)
print(response.status_code)

8. 总结

本篇文章主要梳理了requests常用方法，接下来的文章会对本文中涉及的一些方法进行举例说明。