欢迎您访问程序员文章站本站旨在为大家提供分享程序员计算机编程知识!
您现在的位置是: 首页  >  IT编程

这个男人让你的python爬虫开发效率提升8倍

程序员文章站 2024-04-02 21:44:40
他叫 Kenneth Reitz。现就职于知名云服务提供商 DigitalOcean,曾是云计算平台 Heroku 的 Python 架构师,目前 Github 上 Python 排行榜第一的用户。(star 数超过了包括 google、tensorflow、django 等账号) 但他被更多路人所 ......

他叫 kenneth reitz。现就职于知名云服务提供商 digitalocean,曾是云计算平台 heroku 的 python 架构师,目前 github 上 python 排行榜第一的用户。(star 数超过了包括 google、tensorflow、django 等账号)

这个男人让你的python爬虫开发效率提升8倍

但他被更多路人所熟知的,恐怕还是他从一名技术肥宅逆袭成为文艺高富帅的励志故事:

这个男人让你的python爬虫开发效率提升8倍

看看他的个人主页 www.kennethreitz.org 上的标签除了程序员,还有摄影师、音乐家、演讲者……不怪在社交媒体上被称为“程序员届的网红”。

这里要特别注意:不管你是为了python就业还是兴趣爱好,记住:项目开发经验永远是核心,如果你没有2020最新python入门到高级实战视频教程,可以去小编的python交流.裙 :七衣衣九七七巴而五(数字的谐音)转换下可以找到了,里面很多新python教程项目,还可以跟老司机交流讨教!

然而,作为一个严肃的技术号,今天我们不是要八卦他的开挂人生,而是他的代表作品:requests

(如果你还是想看八卦,给你个传送门:谁说程序员不是潜力股?让这位世界前五名的天才程序员来颠覆你三观!


requests 自我定义为 http for humans:让 http 服务人类,或者说最人性化的 http。言外之意,之前的那些 http 库太过繁琐,都不是给人用的。(urllib 表示:怪我咯!)

尽管听上去有些自大,但实际上它的的确确配得上这个评价,用过的都说好。我在文首搬出它的网红作者,其实也仅仅是想吸引下你的眼球,然后告诉你,这真的是一个非常值得使用的库。“提升8倍”虽是我胡诌的数据,开发效率的提升却是杠杠滴。

我们先来看看它官网上的说法:

这个男人让你的python爬虫开发效率提升8倍

其他同样非常值得推荐的东西,如 pycharm、anaconda 等,我在推荐完之后往往得写上一些教程,并在后续不断解答使用者的问题。

而 requests 却不同,它提供了官方中文文档,其中包括了很清晰的“快速上手”和详尽的高级用法和接口指南。以至于我觉得再把文档里面内容搬运过来都是一种浪费。对于 requests,要做的仅仅是两件事:

  1. 告诉你有这样一个工具,用来开发爬虫很轻松
  2. 告诉你它的官方文档很好,你去读就可以了

到此为止,本篇的目的已经达到。不过为了更有说服力,以及照顾到一些暂时还不需要但以后可能会去看的同学,我还是再啰嗦几句,演示下 requests 的威力。
安装

pip install requests 即可

请求网页

import requests
r = requests.get('http://httpbin.org/get')
print(r.status_code)
print(r.encoding)
print(r.text)
print(r.json())
复制代码

只需一行代码就可以完成 http 请求。然后轻松获取状态码、编码、内容,甚至按 json 格式转换数据。虽然这种简单请求用别的库也不复杂,但其实在内部,requests 已帮你完成了添加 headers、自动解压缩、自动解码等操作。写过课程中“查天气”的同学,很可能踩过 gzip 压缩的坑,用 requests 就不存在了。如果你发现获取的内容编码不对,也只需要直接给 encoding 赋值正确的编码后再访问 text,就自动完成了编码转换,非常方便。

想要下载一张图片:

r = requests.get("https://www.baidu.com/img/bd_logo1.png")
with open('image.png', 'wb') as f:
    f.write(r.content)
复制代码

把返回结果的 content 保存在文件里就行了。

提交一个 post 请求,同时增加请求头、cookies、代理等信息(此处使用的代理地址不是真实的,测试代码时需去掉):

import requests
url = 'http://httpbin.org/post'
cookies = dict(some_cookie='working')
headers = {'user-agent': 'chrome'}
proxies = {
    'http':'http://10.10.1.10:3128',
    'https':'http://10.10.1.10:1080',
}
data = {'key1': 'value1', 'key2': 'value2'}
r = requests.get(
    url,
    data=data,
    cookies=cookies,
    proxies=proxies,
    headers=headers
)
print(r.text)
复制代码

上述几个配置,如果使用自带的 urllib 库,代码要增加不少。

有时我们做爬虫时,需要保持 cookie 一致,比如登录后才可访问的页面。用 session 会话对象就可以实现:

s = requests.session()
s.get('http://httpbin.org/cookies/set/sessioncookie/123456789')
r = s.get("http://httpbin.org/cookies")
print(r.text)
复制代码

另外提两个常见小问题:
一个是关于 ssl,也就是 https 证书的问题。如果碰到 https 证书无效导致无法访问的错误,可以尝试加参数 verify=false 忽略:

r = requests.get('https://www.12306.cn/', verify=false)
print(r.text)
复制代码

另一个是对于设置了自动跳转的页面,默认会跟随跳转(但仅限于控制域名跳转,无法跟随 js 跳转),也可以加参数 allow_redirects=false 禁止:

r = requests.get('http://github.com/', allow_redirects=false)
print(r.status_code)
print(r.text)
复制代码

上面两个例子,把参数去掉试试看效果。

其他更多详细内容不多说了,中文官网地址 cn.python-requests.org,顺着看一遍,写一遍,你就掌握这个爬虫神器了。

最后注意:不管你是为了python就业还是兴趣爱好,记住:项目开发经验永远是核心,如果你没有2020最新python入门到高级实战视频教程,可以去小编的python交流.裙 :七衣衣九七七巴而五(数字的谐音)转换下可以找到了,里面很多新python教程项目,还可以跟老司机交流讨教!

本文的文字及图片来源于网络加上自己的想法,仅供学习、交流使用,不具有任何商业用途,版权归原作者所有,如有问题请及时联系我们以作处理。