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

爬虫基础--requests库(获取网页信息)

程序员文章站 2022-05-03 19:53:27
...

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")
相关标签: spider