爬虫基础--requests库(获取网页信息)

官网文档–http://docs.python-requests.org/zh_CN/latest/user/quickstart.html

发送get,post请求

• res=requests.get(url) #发送get请求，请求url地址对应的响应
• res=requests.post(url,data={请求的字典}) #发送post请求

#post请求
import requests

url="http://fanyi.baidu.com/sug"
data={'kw':'早上好'}#该字典键值对的形式可以通过form data中查询
headers={
"User-Agent":"Mozilla/5.0 (Linux; Android 6.0; Nexus 5 Build/MRA58N) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/64.0.3282.186 Mobile Safari/537.36"
}
res=requests.post(url,data=data,headers=headers)
print(res.text)

response方法

• res.text（该方法往往会出现乱码，出现乱码使用res.encoding=’utf-8’ 或者res.encoding=res.apparent_encoding）
• res.content.decode(‘utf-8’)#或者’gbk’
• res.json() #针对响应为json字符串解码为python字典
• res.request.url #发送请求的url地址
• res.url #res响应的url地址(页面跳转时，请求的url地址与真正打开的url地址是不同的)
• res.request.headers #请求头
• res.headers #res响应头

发送带有header的请求

headers={请求体}#User-agent>>>Referer>>Cookie
-为了模拟浏览器，获取和浏览器一样的内容

超时参数 timeout

requests.get(url,headers=headers,timeout=3) #3秒内必须返回响应，否则会报错
一般为了避免再发出请求过程中出现异常而中断请求，一般采用retrying中的retry函数（作为装饰器调用）

from retrying import  retry
import  requests


@retry(stop_max_attempt_number=3) #让被装饰的函数反复执行三次，三次全部报错才会报错；中间有一次正常，程序继续执行
def _parse_url(url):
    print("打印效果")
    headers={
        "user-agent":"Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/64.0.3282.186 Safari/537.36"
    }
    res=requests.get(url,headers=headers,timeout=5)
    # print(res.content.decode('utf-8'))
    print(res.status_code)

#增加异常处理
def parse_url(url):
    try:
        html_str=_parse_url(url)
    except:
        html_str=None
    return html_str

if __name__ == '__main__':
    url = 'http://www.baidu.com'
    parse_url(url)

处理cookie请求

• 直接携带cookie请求url地址
  1.cookie放在headers中
  2.cookie字典传给cookies参数
  cookie=”….”#通过字典推导式得到
  cookie_dict={i.split(“=”)[0]: i.split(“=”)[1] for i in cookie.split(“;”)}
  requests.get(url,headers=headers,cookies=cookie_dict)

• 先发送post请求，获取cookie,带上cookie请求登陆后的页面 —requests.session() 会话保持
  1.实例化session
  session=requests.session()#此时session实例同requests一样
  2.session.post（url,data,headers）#服务器设置在本地的cookie会被保存在被session中

  注意post请求的url可以通过两种方式获取：

  -查看该登陆页面的源代码，找到form表单中的action提交的链接
  -在登陆页面的NETWORK中勾选Perserver log，然后再页面跳转后找到post请求的url
  

  3.session.get(url)#发出get请求会带上之前保存在session中的cookie，能够请求成功

 #爬去人人网信息
 #方法1--没有cookie的html信息
import requests

url="http://zhibo.renren.com/top"
headers={
        "user-agent":"Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/64.0.3282.186 Safari/537.36"
    }
res=requests.get(url,headers=headers,timeout=5)

with open('renren1.html','w',encoding='utf-8') as f:
    f.write(res.content.decode())

#方法2---在headers中放入cookie(在html中nx.user会出现用户名）
import requests

url="http://zhibo.renren.com/top"
headers={
        "user-agent":"Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/64.0.3282.186 Safari/537.36",
        "Cookie":"anonymid=jf3bo25ktzrg8e; depovince=SH; _r01_=1; ick_login=89a0be82-b23f-4aa2-9587-80b352b7d64f; _de=ED5538112FD97F3944B0A57815E527E7696BF75400CE19CC; ick=cb553aab-cde4-413f-864d-25644c96ea00; __utma=151146938.1210742990.1521771869.1521771869.1521771869.1; __utmc=151146938; __utmz=151146938.1521771869.1.1.utmcsr=renren.com|utmccn=(referral)|utmcmd=referral|utmcct=/; __utmt=1; __utmb=151146938.1.10.1521771869; t=5812e6c25a16acd7d295e245218a8cd49; societyguester=5812e6c25a16acd7d295e245218a8cd49; id=964865629; xnsid=af52771f; XNESSESSIONID=292a42dae8f0; WebOnLineNotice_964865629=1; ch_id=10016; JSESSIONID=abcJKBMLTnzbs_aP1Rqjw; springskin=set; vip=1; wp_fold=0; jebecookies=cdb11dcd-461b-46e2-bfc5-9548dbe6a95e|||||"
    }
res=requests.get(url,headers=headers,timeout=5)

with open('renren2.html','w',encoding='utf-8') as f:
    f.write(res.content.decode())

#方法3--requests.session方法
import requests

session=requests.session()#实例化session
post_url="http://www.renren.com/PLogin.do" #此处的url地址是form表单中action的地址
headers={
        "user-agent":"Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/64.0.3282.186 Safari/537.36"
    }
post_data={
    'email':'17612167260',
    'password':'068499'}

session.post(url,headers=headers,data=post_data)#使用session发送post请求，获取保存在本地的cookie
url="http://zhibo.renren.com/top"#次数的url是登陆页面的url
res=session.get(url,headers=headers)#使用session，请求登陆后的页面
with open('renren3.html','w',encoding='utf-8') as f:
    f.write(res.content.decode())   

上传文件 files

import requests

#建立files文件字典
dict_files={"file":open(r"C:\Users\poliy\Desktop\Crawler\1.png","rb")}
response=requests.post("http://httpbin.org/post",files=dict_files)
print(response.text)

证书认证 （12306证书认证）

#方法1---设置verify=False,并取消提示警告
import requests
from requests.packages import urllib3
urllib3.disable_warnings()
res=requests.get("https://www.12306.cn",verify=False)
print(res.status_code)

#方法2--通过cert参数放入证书路径
res=requests.get("https://www.12306.cn",cert='PATH')

设置代理

import requests

my_proxies={
    "http":"http://61.135.217.7:80",
    "https":"https://42.96.168.79:8888"
}
res=requests.get("https://www.baidu.com",proxies=my_proxies)
print(res.text)

异常处理

requests的异常都在requests.exceptions中
import requests
from requests.exceptions import ReadTimeout,ConnectionError,RequestException

try:
    res=requests.get("http://httpbin.org/get",timeout=0.1)
    print(res.status_code)
except ReadTimeout:
    print("timeout")
except ConnectionError:
    print("timeout")
except RequestException:
    print("error")