Python爬虫技术系列-03requests库案例
参考
参考:https://blog.csdn.net/Faith_Lzt/article/details/124933765
https://www.bilibili.com/video/BV1Db4y1m7Ho?
1 Requests基本使用
Requests官方文档中关于Requests的介绍是：Requests是一个优雅而简单的Python HTTP库，是为人类构建的。
Requests可以完成，Keep-Alive，带Cookie的持久化session，SSL认证，文件上传下载等诸多功能，本小节主要介绍Requests库的安装与基本使用，尽管如此，也力求通过合适的案例，帮助读者完成对Requests的使用，更多高阶操作可以查看官网。
1.1 Requests库安装与使用
1.1.1 Requests库安装
安装Requests：
代码语言：javascript复制pip install requests==2.27.1 -i https://pypi.tuna.tsinghua.edu.cn/simple1.1.2 Rrequests库介绍
Requests 是用Python语言编写，基于urllib，但是它比 urllib 更加方便，可以节约我们大量的工作，完全满足 HTTP 测试需求。本小节主要基于requests完成数据爬取的基本操作。
两个核心对象：
Requests库包括2个核心对象：Request和Response。Request用于发送请求，Response对象用于接受服务器返回的所有信息，也包含发送的Request请求信息。
代码语言：javascript复制r = requests.get(url)上面代码中，requests.get(url)构造了一个向服务器请求资源的Request对象，返回的对象r就是一个包含服务器资源的Response的对象。
Response对象的属性如下所示：
Response案例如下：
代码语言：javascript复制# 使用requests进行GET请求
import requests
response = requests.get("https://www.baidu.com")
# response的类型
print('type(response)-->',type(response))
# 返回的HTTP状态码
print('response.status_code-->',response.status_code)
# 输出Response对象转换后的字符串,会乱码
print(response.text[310:352])
# 给Response设定编码，输出无乱码
response.encoding = 'utf-8'
print(response.text[310:352])
# 把Response对象转换为bytes数据，编码为UTF-8字符串，输出字符串
print(response.content.decode("UTF-8")[310:352])输出结果如下：
代码语言：javascript复制type(response)--> <class 'requests.models.Response'>
response.status_code--> 200
<title>ç™¾åº¦ä¸€ä¸‹ï¼Œä½ å°±çŸ¥é“</title>
<title>百度一下，你就知道</title></head> <body link
<title>百度一下，你就知道</title></head> <body link从输出结果可以看出，直接输出response.text会出现乱码，因为Response的默认encoding编码为ISO-8859-1，在设置response.encoding = 'utf-8’后，输出不再乱码。最后的先转变为content，在decode的方式也可以正常输出。
Response.text()的输出给如python爬虫系列的文章中的lxml或bs4解析，就完成了数据获取到数据解析的全部流程。
Requsts库常用方法有7种，如下表所示：
其中requests.requset(method,url,**kwargs)是核心方法，其它方法都是基于request()，当method的值为GET时，与get()方法等价。如下所示：
代码语言：javascript复制requests.request(‘GET’,url,**kwargs)
requests.get(url,**kwargs)url参数为请求的路径。 **kwargs：控制访问参数，为可选项，具体含义如下所示：
POST请求
代码语言：javascript复制import requests
post1 = requests.post("http://httpbin.org/post")
print(post1.text)
print("*"*10)输出为:
代码语言：javascript复制{
"args": {},
"data": "",
"files": {},
"form": {},
"headers": {
"Accept": "*/*",
"Accept-Encoding": "gzip, deflate, br",
"Content-Length": "0",
"Host": "httpbin.org",
"User-Agent": "python-requests/2.27.1",
"X-Amzn-Trace-Id": "Root=1-6520bc5a-1890396b6d0ca83b3674482d"
},
"json": null,
"origin": "120.194.158.180",
"url": "http://httpbin.org/post"
}
**********PUT请求
代码语言：javascript复制import requests
put1 = requests.put("http://httpbin.org/put")
print(put1.text)
print("*"*10)输出为:
代码语言：javascript复制{
"args": {},
"data": "",
"files": {},
"form": {},
"headers": {
"Accept": "*/*",
"Accept-Encoding": "gzip, deflate, br",
"Content-Length": "0",
"Host": "httpbin.org",
"User-Agent": "python-requests/2.27.1",
"X-Amzn-Trace-Id": "Root=1-6520bc5b-5d05ea907c9d15926a676af3"
},
"json": null,
"origin": "120.194.158.180",
"url": "http://httpbin.org/put"
}
**********DELETE请求
代码语言：javascript复制import requests
delete1 = requests.delete("http://httpbin.org/delete")
print(delete1.text)
print("*"*10)输出为:
代码语言：javascript复制{
"args": {},
"data": "",
"files": {},
"form": {},
"headers": {
"Accept": "*/*",
"Accept-Encoding": "gzip, deflate, br",
"Content-Length": "0",
"Host": "httpbin.org",
"User-Agent": "python-requests/2.27.1",
"X-Amzn-Trace-Id": "Root=1-6520bc5b-0863e0b34612239b4ebf0c21"
},
"json": null,
"origin": "120.194.158.180",
"url": "http://httpbin.org/delete"
}
**********GET请求
代码语言：javascript复制import requests
get1 = requests.get("http://httpbin.org/get")
print(get1.text)
print("*"*10)输出为:
代码语言：javascript复制{
"args": {},
"headers": {
"Accept": "*/*",
"Accept-Encoding": "gzip, deflate, br",
"Host": "httpbin.org",
"User-Agent": "python-requests/2.27.1",
"X-Amzn-Trace-Id": "Root=1-6520bc5c-7c53173b5cb5d0b936f01fe4"
},
"origin": "120.194.158.180",
"url": "http://httpbin.org/get"
}
**********1.1.3 使用Requests一般分为三个步骤
第一步，导入模块：
代码语言：javascript复制import requests第二步，完成请求：
代码语言：javascript复制url = "http://httpbin.org/get"
r = requests.get(url=url)http://httpbin.org是一个很好的测试网站， 其后台是基于 Python Flask编写的 HTTP Request & Response Service。该服务主要用于测试 HTTP 库。 你可以向他发送请求,然后他会按照指定的规则将你的请求返回，也可以直接访问，本小节采用直接访问的方式测试。
第三步，输出获得的响应：
代码语言：javascript复制print("--查看请求头信息--")
print(r.text)输出为：
代码语言：javascript复制--查看请求头信息--
{
"args": {},
"headers": {
"Accept": "*/*",
"Accept-Encoding": "gzip, deflate, br",
"Host": "httpbin.org",
"User-Agent": "python-requests/2.27.1",
"X-Amzn-Trace-Id": "Root=1-62837c9a-6119e7f618e55b0f0de1d0d2"
},
"origin": "120.216.231.238",
"url": "http://httpbin.org/get"
}通过输出，可以看出我们在发送请求的时候，携带的User-Agent表明了发起请求的身份为requests库，这个也是在爬取数据时，会被服务器拦截的原因。
1.1.4 requests的公共方法
代码语言：javascript复制import requests
response = requests.get("http://httpbin.org/get")
print(response.json(),end="***n")# 以json的形式返回响应内容，对象格式为dict
print(response.content,end="***n")# 以二进制的形式返回响应内容，对象格式为bytes
print(response.text,end="***n")# 以字符串的形式返回响应内容，对象格式为str
print(response.url,end="***n")# 返回请求的url
print(response.status_code,end="***n") # 返回本次请求的状态码
print(response.reason,end="***n")# 返回状态码对应的原因
print(response.headers,end="***n")# 返回响应头
print(response.cookies,end="***n")# 返回cookice信息
print(response.raw,end="***n")# 返回原始响应体
print(response.encoding,end="***n")# 返回编码格式
print("*"*10)输出为:
关于requests库，目前为止，是否有一定的理解了，多谢您的互动。
关于requests的基本使用，我们会通过一个案例进行介绍。
2 Requests库使用案例
在上一小节，完成了关于Requests库的Response对象的解析，与发送简单个get请求，本小节通过案例的方式进行Requests库的使用。
2.1 GET请求携带参数和headers
代码语言：javascript复制# urllib
# (1) 一个类型以及六个方法
# （2）get请求
# （3）post请求 百度翻译
# （4）ajax的get请求
# （5）ajax的post请求
# （6）cookie登陆 微博
# （7）代理
# requests
# (1)一个类型以及六个属性
# （2）get请求
# （3）post请求
# （4）代理
# （5）cookie 验证码
import requests
url = 'https://www.baidu.com/s'
headers = {
'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/92.0.4515.159 Safari/537.36'
}
data = {
'wd':'北京'
}
# url 请求资源路径
# params 参数
# kwargs 字典
response = requests.get(url=url,params=data,headers=headers)
content = response.text
print(content[0:400])
print(response.content.decode("utf-8")[0:400])
# 总结：
# （1）参数使用params传递
# （2）参数无需urlencode编码
# （3）不需要请求对象的定制
# （4）请求资源路径中的？可以加也可以不加输出为:
2.2 POST请求，写的参数和headers
代码语言：javascript复制import requests
import json
url = 'https://fanyi.baidu.com/sug'
headers = {
'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/92.0.4515.159 Safari/537.36'
}
data = {
'kw': 'eye'
}
# url 请求地址
# data 请求参数
# kwargs 字典
response = requests.post(url=url,data=data,headers=headers)
content =response.text
print(content)
obj = json.loads(content)
print(obj)
# 总结：
# （1）post请求 是不需要编解码
# （2）post请求的参数是data
# （3）不需要请求对象的定制输出为:
2.3 携带参数，设置User-Agent，发送POST请求,文件上传
代码语言：javascript复制import requests
data = {'city': 'beijing'} # 设置data
headers = {
'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64; rv:100.0) Gecko/20100101 Firefox/100.0' #设置User-Agent
}
files = {'file': open('01.gif', 'rb')} # 读取本地的一个图片
response = requests.post("http://httpbin.org/post", files=files,data=data, headers=headers) # 通过POST请求把文件，数据和header传递过去
print(response.text)输出结果如下：
代码语言：javascript复制{
"args": {},
"data": "",
"files": {
"file": "data:application/octet-stream;base64,R0lGODl...HEgAA7"
},
"form": {
"city": "beijing"
},
"headers": {
"Accept": "*/*",
"Accept-Encoding": "gzip, deflate, br",
"Content-Length": "1176",
"Content-Type": "multipart/form-data; boundary=92043b0ae4dec43bbb54919200f6033a",
"Host": "httpbin.org",
"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64; rv:100.0) Gecko/20100101 Firefox/100.0",
"X-Amzn-Trace-Id": "Root=1-62848095-0a1878c6321f07ef5ccc9047"
},
"json": null,
"origin": "120.216.231.238",
"url": "http://httpbin.org/post"
}输出结果表明，文件，数据和请求头都被服务端接受，并且图片在上传过程被采用base64编码方式传递。
2.4 获取cookie
代码语言：javascript复制import requests
response = requests.get("https://www.zhihu.com")
print(response.cookies)
for key, value in response.cookies.items():
print(key '=' value)输出结果如下：
<RequestsCookieJar<Cookie _xsrf=pGKfNvOikSpo8NRnLCbNKfAuLOLWyhLb for .zhihu.com/>> _xsrf=pGKfNvOikSpo8NRnLCbNKfAuLOLWyhLb
输出结果中，通过response.cookies获取了知乎首页的cookie，这对需要登录注册才能访问的网站，可以替代手工获取cookie进行填充，是比较方便的一种方法。
2.5 保持session 实现模拟登录
代码语言：javascript复制import requests
session = requests.Session() #获取session
session.get('http://httpbin.org/cookies/set/name/123') # 通过会话设置cookie的值，为name=123
response = session.get('http://httpbin.org/cookies') # 使用session获取cookie
print(response.text) # 输出响应输出为：
代码语言：javascript复制{
"cookies": {
"name": "123"
}
}输出结果表明，对于两次访问，通过session发送get请求，可以获取第一次请求时设置的cookie，如果对于浏览器来说，使用session进行访问，会被服务端认为是同一个用户在持续访问，使用于需要保持登录状态的数据爬虫场景。
2.6 模拟古诗词网
参考:https://www.bilibili.com/video/BV1Db4y1m7Ho
代码语言：javascript复制# 通过登陆 然后进入到主页面
# 通过找登陆接口我们发现 登陆的时候需要的参数很多
# _VIEWSTATE: /m1O5dxmOo7f1qlmvtnyNyhhaUrWNVTs3TMKIsm1lvpIgs0WWWUCQHl5iMrvLlwnsqLUN6Wh1aNpitc4WnOt0So3k6UYdFyqCPI6jWSvC8yBA1Q39I7uuR4NjGo=
# __VIEWSTATEGENERATOR: C93BE1AE
# from: http://so.gushiwen.cn/user/collect.aspx
# email: 465XXX@qq.com
# pwd: action
# code: PId7
# denglu: 登录
# 我们观察到_VIEWSTATE __VIEWSTATEGENERATOR code是一个可以变化的量
# 难点:(1)_VIEWSTATE __VIEWSTATEGENERATOR 一般情况看不到的数据 都是在页面的源码中
# 我们观察到这两个数据在页面的源码中 所以我们需要获取页面的源码 然后进行解析就可以获取了
# (2)验证码
import os
import requests
# 这是登陆页面的url地址
url = 'https://so.gushiwen.cn/user/login.aspx?from=http://so.gushiwen.cn/user/collect.aspx'
headers = {
'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/92.0.4515.159 Safari/537.36'
}
# 获取页面的源码
response = requests.get(url = url,headers = headers)
content = response.text
# 解析页面源码 然后获取_VIEWSTATE __VIEWSTATEGENERATOR
from bs4 import BeautifulSoup
soup = BeautifulSoup(content,'lxml')
# 获取_VIEWSTATE
viewstate = soup.select('#__VIEWSTATE')[0].attrs.get('value')
# 获取__VIEWSTATEGENERATOR
viewstategenerator = soup.select('#__VIEWSTATEGENERATOR')[0].attrs.get('value')
# 获取验证码图片
code = soup.select('#imgCode')[0].attrs.get('src')
code_url = 'https://so.gushiwen.cn' code
# 有坑
# import urllib.request
# urllib.request.urlretrieve(url=code_url,filename='code.jpg')
# requests里面有一个方法 session（） 通过session的返回值 就能使用请求变成一个对象
session = requests.session()
# 验证码的url的内容
response_code = session.get(code_url)
# 注意此时要使用二进制数据 因为我们要使用的是图片的下载
content_code = response_code.content
# wb的模式就是将二进制数据写入到文件
with open('./code.jpg','wb')as fp:
print(os.getcwd())
fp.write(content_code)
# 获取了验证码的图片之后 下载到本地 然后观察验证码 观察之后 然后在控制台输入这个验证码 就可以将这个值给
# code的参数 就可以登陆
code_name = input('请输入你的验证码')
# 点击登陆
url_post = 'https://so.gushiwen.cn/user/login.aspx?from=http://so.gushiwen.cn/user/collect.aspx'
data_post = {
'__VIEWSTATE': viewstate,
'__VIEWSTATEGENERATOR': viewstategenerator,
'from': 'http://so.gushiwen.cn/user/collect.aspx',
'email': '465XXX@qq.com',
'pwd': 'action',
'code': code_name,
'denglu': '登录',
}
response_post = session.post(url = url, headers = headers, data = data_post)
content_post = response_post.text
with open('gushiwen.html','w',encoding= ' utf-8')as fp:
fp.write(content_post)
# 难点
# （1） 隐藏域
# （2） 验证码
2.7 超级鹰打码平台
参考:https://www.bilibili.com/video/BV1Db4y1m7Ho?p=89
http://www.chaojiying.com/
代码语言：javascript复制#!/usr/bin/env python
# coding:utf-8
import requests
from hashlib import md5
class Chaojiying_Client(object):
def __init__(self, username, password, soft_id):
self.username = username
password = password.encode('utf8')
self.password = md5(password).hexdigest()
self.soft_id = soft_id
self.base_params = {
'user': self.username,
'pass2': self.password,
'softid': self.soft_id,
}
self.headers = {
'Connection': 'Keep-Alive',
'User-Agent': 'Mozilla/4.0 (compatible; MSIE 8.0; Windows NT 5.1; Trident/4.0)',
}
def PostPic(self, im, codetype):
"""
im: 图片字节
codetype: 题目类型 参考 http://www.chaojiying.com/price.html
"""
params = {
'codetype': codetype,
}
params.update(self.base_params)
files = {'userfile': ('ccc.jpg', im)}
r = requests.post('http://upload.chaojiying.net/Upload/Processing.php', data=params, files=files, headers=self.headers)
return r.json()
def ReportError(self, im_id):
"""
im_id:报错题目的图片ID
"""
params = {
'id': im_id,
}
params.update(self.base_params)
r = requests.post('http://upload.chaojiying.net/Upload/ReportError.php', data=params, headers=self.headers)
return r.json()
if __name__ == '__main__':
chaojiying = Chaojiying_Client('超级鹰用户名', '超级鹰用户名的密码', '96001') #用户中心>>软件ID 生成一个替换 96001
im = open('a.jpg', 'rb').read() #本地图片文件路径 来替换 a.jpg 有时WIN系统须要//
print(chaojiying.PostPic(im, 1902)) #1902 验证码类型 官方网站>>价格体系 3.4 版 print 后要加()2.8 Requests结合lxml库
本案例采用Requests库读取百度新闻首页，F12打开浏览器，确定网页结构，然后通过lxml库进行解析，获取新闻标题和新闻链接，如下图所示：
从图中可以看出，热点新闻都在id="pane-news"的div标签中，该标签下有多个ul标签，每个ul标签中都对应一些新闻。获取dive标签的第1个ul子节点，并获取其下得li标签。在li标签下有a标签，a标签中的文本为新闻标题，href为新闻连接。
代码如下：
代码语言：javascript复制import requests
from lxml import etree
response = requests.get('http://news.baidu.com/') # 请求百度新闻
response.encoding='utf-8' # 设置响应编码格式
selector = etree.HTML(response.text) # 把响应数据传递给etree模块
bd_news = selector.xpath('//div[@id="pane-news"]/ul[1]/li') # 解析获得新闻列表
for bd_new in bd_news:
print(bd_new.xpath(".//a[1]/text()")[0]) # 输出新闻表题
print(bd_new.xpath(".//a[1]/@href")[0]) #输出新闻链接输出结果如下：
春耕春管不误时：战疫情抢农时要两手抓两手稳 https://wap.peoXXXXX692598/6565842 西安博物院：发挥“大学校”功能 让文物活起来 http://www.cnrXXXX18_525829518.shtml … 张文宏领衔 首个国产新冠药对抗奥密克戎研究结果正式发表 http://baijiahXXXX8359231533
输出结果中可以看到，新闻标题和新闻连接均已获得。关于Requests还有更多的应用，本书不再进行拓展，读者可以自行研究。
2.9 爬取免费代理
代码语言：javascript复制from urllib import request,parse
import re,time,xlwt
# 这是登陆页面的url地址
url = 'https://so.gushiwen.cn/user/login.aspx?from=http://so.gushiwen.cn/user/collect.aspx'
headers = {
'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/92.0.4515.159 Safari/537.36'
}
url='https://www.kuaidaili.com/free/inha/'
def auto_index():
s=1
for loc in range(1,50):
index=str(loc) '/'
time.sleep(2)#先休息2秒
s=urllib_request(url,index,s)#得到行数 不断传进去 写入excel不断循环
worksheet.save("代理ip.xls")
def urllib_request(url,index,rows):#请求url 返回html
baseurl=url index
print(baseurl)
rq = request.Request(baseurl, headers=headers) # 添加请求
resp = request.urlopen(rq) # 访问
html = resp.read().decode('utf-8')
return compile_html(html,rows)#跳转
def compile_html(html,sheetLocation):
style=re.compile(r"<tbody>s(.*?)s</table>",re.S) # ip表
result=re.findall(style,html)[0] # 第一个数据
# print(result)
compile_c="<td data-title="IP">(.*?)</td>"
compile_p="<td data-title="PORT">(.*?)</td>"
compile_s="<td data-title="匿名度">(.*?)</td>"
compile_k="<td data-title="类型">(.*?)</td>"
compile_l="<td data-title="位置">(.*?)</td>"
compile_v="<td data-title="响应速度">(.*?)</td>"
compile_t="<td data-title="最后验证时间">(.*?)</td>"
#ip
ipText=re.compile(compile_c,re.S)
ip_text = re.findall(ipText, result)
#端口
portText = re.compile(compile_p,re.S)
port_text= re.findall(portText, result)
#匿名度
securityText = re.compile(compile_s, re.S)
s_text = re.findall(securityText, result)
#协议
kindText = re.compile(compile_k, re.S)
k_text = re.findall(kindText, result)
#位置
locText = re.compile(compile_l, re.S)
l_text = re.findall(locText, result)
#速度
vText = re.compile(compile_v, re.S)
v_text = re.findall(vText, result)
#更新时间
tText = re.compile(compile_t, re.S)
t_text = re.findall(tText, result)
length=len(ip_text)
for i in range(0,length):#左闭右开
print(ip_text[i], port_text[i], s_text[i], l_text[i], k_text[i],v_text[i], t_text[i])
print(sheetLocation,i)
proxy_excel.write(sheetLocation,0,ip_text[i])
proxy_excel.write(sheetLocation,1,port_text[i])
proxy_excel.write(sheetLocation,2,s_text[i])
proxy_excel.write(sheetLocation,3,l_text[i])
proxy_excel.write(sheetLocation,4,k_text[i])
proxy_excel.write(sheetLocation,5,v_text[i])
proxy_excel.write(sheetLocation,6,t_text[i])
sheetLocation =1#写完一行加1
return sheetLocation#返回列
# print(ip_text,port_text,s_text,l_text,k_text,t_text)
def write_excel(worksheet):#创建文件
proxy_excel = worksheet.add_sheet("proxySheet")
proxy_excel.write(0, 0, 'ip')
proxy_excel.write(0, 1, 'port')
proxy_excel.write(0, 2, '安全性')
proxy_excel.write(0, 3, '地区')
proxy_excel.write(0, 4, '协议')
proxy_excel.write(0, 5, '速度')
proxy_excel.write(0, 6, '更新时间')
return proxy_excel
worksheet = xlwt.Workbook(encoding='utf-8')
proxy_excel=write_excel(worksheet)
auto_index()2.10 代理ip设置
代码语言：javascript复制import requests
from bs4 import BeautifulSoup
header={'User-Agent':'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/69.0.3497.100 Safari/537.36'}
url_p='60.182.35.230'
port_p='8888'
proxies = {'http': url_p ':' port_p,
'https': url_p ':' port_p
}
url="http://www.httpbin.org/get"
header={'User-Agent':'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/69.0.3497.100 Safari/537.36'}
req=requests.get(url,headers=header,proxies=proxies)
html=req.text
soup=BeautifulSoup(html,'lxml')
print(soup.text)
