首页 > 编程语言 > 【python爬虫】80页md笔记，0基础到scrapy项目高手，第(3)篇，requests网络请求模块详解

【python爬虫】80页md笔记，0基础到scrapy项目高手，第(3)篇，requests网络请求模块详解

时间：2023-11-01 21:32:10浏览次数：38  
标签：md cookies 请求 headers python url scrapy requests response

本文主要学习一下关于爬虫的相关前置知识和一些理论性的知识，通过本文我们能够知道什么是爬虫，都有那些分类，爬虫能干什么等，同时还会站在爬虫的角度复习一下http协议。

完整版笔记直接地址： 请移步这里

共 8 章，37 子模块，总计 56668 字

requests模块

本阶段本文主要学习requests这个http模块，该模块主要用于发送请求响应，该模块有很多的替代模块，比如说urllib模块，但是在工作中用的最多的还是requests模块，requests的代码简洁易懂，相对于臃肿的urllib模块，使用requests编写的爬虫代码将会更少，而且实现某一功能将会简单。因此建议大家掌握该模块的使用

requests模块

知识点：
  • 掌握 headers参数的使用
  • 掌握 发送带参数的请求
  • 掌握 headers中携带cookie
  • 掌握 cookies参数的使用
  • 掌握 cookieJar的转换方法
  • 掌握 超时参数timeout的使用
  • 掌握 代理ip参数proxies的使用
  • 掌握 使用verify参数忽略CA证书
  • 掌握 requests模块发送post请求
  • 掌握 利用requests.session进行状态保持

前面我们了解了爬虫的基础知识，接下来我们来学习如何在代码中实现我们的爬虫

1. requests模块介绍

1.1 requests模块的作用：

  • 发送http请求，响应数据

1.2 requests模块是一个第三方模块，需要在你的python(虚拟)环境中额外安装

  • pip/pip3 install requests

1.3 requests模块发送get请求

  1. 需求：通过requests向百度首页发送请求，该页面的源码

  2. 运行下面的代码，观察打印输出的结果

​

# 1.2.1-简单的代码实现



import requests 




# 目标url



url = 'htt://www.baidu.com' 




# 向目标url发送get请求



response = requests.get(url)




# 打印响应内容



print(response.text)
知识点：掌握 requests模块发送get请求

2. response响应对象

观察上边代码运行结果发现，有好多乱码；这是因为编解码使用的字符集不同早造成的；我们尝试使用下边的办法来解决中文乱码问题

​

# 1.2.2-response.content



import requests 




# 目标url



url = 'htt://www.baidu.com' 




# 向目标url发送get请求



response = requests.get(url)




# 打印响应内容



# print(response.text)



print(response.content.decode()) # 注意这里！


1. **response.text 是requests模块按照chardet模块推测出的编码字符集进行解码的结果**
2. 网络传输的字符串都是bytes类型的，所以response.text = response.content.decode('推测出的编码字符集')
3. 我们可以在网页源码中搜索`charset`，尝试参考该编码字符集，注意存在不准确的情况

2.1 response.text 和response.content的区别：

  • response.text
    • 类型：str
    • 解码类型： requests模块自动根据HTTP 头部对响应的编码作出有根据的推测，推测的文本编码
  • response.content
    • 类型：bytes
    • 解码类型： 没有指定
知识点：掌握 response.text和response.content的区别

2.2 通过对response.content进行decode，来解决中文乱码

  • response.content.decode() 默认utf-8
  • response.content.decode("GBK")
  • 常见的编码字符集
    • utf-8
    • gbk
    • gb2312
    • ascii （读音：阿斯克码）
    • iso-8859-1
知识点：掌握 利用decode函数对requests.content解决中文乱码

2.3 response响应对象的其它常用属性或方法

response = requests.get(url)中response是发送请求的响应对象；response响应对象中除了text、content响应内容以外还有其它常用的属性或方法：

  • response.url响应的url；有时候响应的url和请求的url并不一致

  • response.status_code 响应状态码

  • response.request.headers 响应对应的请求头

  • response.headers 响应头

  • response.request._cookies 响应对应请求的cookie；返回cookieJar类型

  • response.cookies 响应的cookie（经过了set-cookie动作；返回cookieJar类型

  • response.json()自动将json字符串类型的响应内容转换为python对象（dict or list）

    1.2.3-response其它常用属性

    import requests

    目标url

    url = 'htt://www.baidu.com'

    向目标url发送get请求

    response = requests.get(url)

    打印响应内容

    print(response.text)

    print(response.content.decode()) # 注意这里！

    print(response.url) # 打印响应的url print(response.status_code) # 打印响应的状态码 print(response.request.headers) # 打印响应对象的请求头 print(response.headers) # 打印响应头 print(response.request._cookies) # 打印请求携带的cookies print(response.cookies) # 打印响应中携带的cookies

知识点：掌握 response响应对象的其它常用属性

3. requests模块发送请求

3.1 发送带header的请求

我们先写一个百度首页的代码

import requests

url = 'htt://www.baidu.com'

response = requests.get(url)

print(response.content.decode())




# 打印响应对应请求的请求头信息

print(response.request.headers)
3.1.1 思考
1. 对比浏览器上百度首页的网页源码和代码中的百度首页的源码，有什么不同？

* 查看网页源码的方法：
  * 右键-查看网页源代码 或
  * 右键-检查

2. 对比对应url的响应内容和代码中的百度首页的源码，有什么不同？

* 查看对应url的响应内容的方法：
  1. 右键-检查
  2. 点击 `Net work`
  3. 勾选 `Preserve log`
  4. 刷新页面
  5. 查看`Name`一栏下和浏览器地址栏相同的url的`Response`

3. 代码中的百度首页的源码非常少，为什么？

* 需要我们带上请求头信息

回顾爬虫的概念，模拟浏览器，欺骗服务器，和浏览器一致的内容

* 请求头中有很多字段，其中User-Agent字段必不可少，表示客户端的操作系统以及浏览器的信息
3.1.2 携带请求头发送请求的方法

requests.get(url, headers=headers)

  • headers参数接收字典形式的请求头
  • 请求头字段名作为key，字段对应的值作为value
3.1.3 完成代码实现

从浏览器中复制User-Agent，构造headers字典；完成下面的代码后，运行代码查看结果

import requests

url = 'htt://www.baidu.com'

headers = {"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/54.0.2840.99 Safari/537.36"}




# 在请求头中带上User-Agent，模拟浏览器发送请求



response = requests.get(url, headers=headers) 

print(response.content)




# 打印请求头信息



print(response.request.headers)
知识点：掌握 headers参数的使用

3.2 发送带参数的请求

我们在使用百度搜索的时候经常发现url地址中会有一个 ?，那么该问号后边的就是请求参数，又叫做查询字符串

3.2.1 在url携带参数

直接对含有参数的url发起请求

​
​ import requests ​
​ headers = {"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/54.0.2840.99 Safari/537.36"} ​
​ url = 'htt://ww.baidu.com/s?wd=python' ​
​ response = requests.get(url, headers=headers)

3.2.2 通过params携带参数字典

1.构建请求参数字典

2.向接口发送请求的时候带上参数字典，参数字典设置给params

​
​ import requests ​
​ headers = {"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/54.0.2840.99 Safari/537.36"}

# 这是目标url



# url = 'htt://www.baidu.com/s?wd=python'



# 最后有没有问号结果都一样



url = 'htt://www.baidu.com/s?'




# 请求参数是一个字典 即wd=python



kw = {'wd': 'python'}




# 带上请求参数发起请求，响应



response = requests.get(url, headers=headers, params=kw)

print(response.content)
知识点：掌握发送带参数的请求的方法

3.3 在headers参数中携带cookie

网站经常利用请求头中的Cookie字段来做用户访问状态的保持，那么我们可以在headers参数中添加Cookie，模拟普通用户的请求。我们以github登陆为例：

3.3.1 github登陆抓包分析
1. 打开浏览器，右键-检查，点击Net work，勾选Preserve log
2. 访问github登陆的url地址 `https://github.com/login`
3. 输入账号密码点击登陆后，访问一个需要登陆后才能正确内容的url，比如点击右上角的Your profile访问`https://github.com/USER_NAME`
4. 确定url之后，再确定发送该请求所需要的请求头信息中的User-Agent和Cookie

requests-3-2-1-4

3.3.2 完成代码

  • 从浏览器中复制User-Agent和Cookie

  • 浏览器中的请求头字段和值与headers参数中必须一致

  • headers请求参数字典中的Cookie键对应的值是字符串

    import requests

    url = 'htt://github.com/USER_NAME'

    构造请求头字典

    headers = {

    # 从浏览器中复制过来的User-Agent



'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/67.0.3396.87 Safari/537.36',



# 从浏览器中复制过来的Cookie



'Cookie': 'xxx这里是复制过来的cookie字符串'

    }

    请求头参数字典中携带cookie字符串

    resp = requests.get(url, headers=headers)

    print(resp.text)

3.3.3 运行代码验证结果

在打印的输出结果中搜索title，html中的标题文本内容如果是你的github账号，则成功利用headers参数携带cookie，登陆后才能访问的页面

requests-3-2-3

知识点：掌握 headers中携带cookie

3.4 cookies参数的使用

上一小节我们在headers参数中携带cookie，也可以使用专门的cookies参数

1. cookies参数的形式：字典

cookies = {"cookie的name":"cookie的value"}

* 该字典对应请求头中Cookie字符串，以分号、空格分割每一对字典键值对
* 等号左边的是一个cookie的name，对应cookies字典的key
* 等号右边对应cookies字典的value

2. cookies参数的使用方法

response = requests.get(url, cookies)

3. 将cookie字符串转换为cookies参数所需的字典：

cookies_dict = {cookie.split('=')[0]:cookie.split('=')[-1] for cookie in cookies_str.split('; ')}

4. 注意： **cookie 一般是有过期时间的，一旦过期需要重新**

​
​ import requests ​
​ url = 'htt://github.com/USER_NAME'

# 构造请求头字典



headers = {
    'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/67.0.3396.87 Safari/537.36'
}



# 构造cookies字典



cookies_str = '从浏览器中copy过来的cookies字符串'

cookies_dict = {cookie.split('=')[0]:cookie.split('=')[-1] for cookie in cookies_str.split('; ')}




# 请求头参数字典中携带cookie字符串



resp = requests.get(url, headers=headers, cookies=cookies_dict)

print(resp.text)
知识点：掌握 cookies参数的使用

3.5 cookieJar对象转换为cookies字典的方法

使用requests的resposne对象，具有cookies属性。该属性值是一个cookieJar类型，包含了对方服务器设置在本地的cookie。我们如何将其转换为cookies字典呢？

1. 转换方法

cookies_dict = requests.utils.dict_from_cookiejar(response.cookies)

2. 其中response.cookies返回的就是cookieJar类型的对象

3. `requests.utils.dict_from_cookiejar`函数返回cookies字典
知识点：掌握 cookieJar的转换方法

3.6 超时参数timeout的使用

在平时网上冲浪的过程中，我们经常会遇到网络波动，这个时候，一个请求等了很久可能任然没有结果。

在爬虫中，一个请求很久没有结果，就会让整个项目的效率变得非常低，这个时候我们就需要对请求进行强制要求，让他必须在特定的时间内返回结果，否则就报错。

1. 超时参数timeout的使用方法

response = requests.get(url, timeout=3)

2. timeout=3表示：发送请求后，3秒钟内返回响应，否则就抛出异常

​
​ import requests

​
​ url = 'https://twitter.com' ​ response = requests.get(url, timeout=3) # 设置超时时间

知识点：掌握 超时参数timeout的使用

3.7 了解代理以及proxy代理参数的使用

proxy代理参数通过指定代理ip，让代理ip对应的正向代理服务器转发我们发送的请求，那么我们首先来了解一下代理ip以及代理服务器

3.7.1 理解使用代理的过程
1. 代理ip是一个ip，指向的是一个代理服务器
2. 代理服务器能够帮我们向目标服务器转发请求

使用代理的过程

3.7.2 正向代理和反向代理的区别

前边提到proxy参数指定的代理ip指向的是正向的代理服务器，那么相应的就有反向服务器；现在来了解一下正向代理服务器和反向代理服务器的区别

1. 从发送请求的一方的角度，来区分正向或反向代理
2. 为浏览器或客户端（发送请求的一方）转发请求的，叫做正向代理

* 浏览器知道最终处理请求的服务器的真实ip地址，例如VPN

3. 不为浏览器或客户端（发送请求的一方）转发请求、而是为最终处理请求的服务器转发请求的，叫做反向代理

* 浏览器不知道服务器的真实地址，例如nginx
3.7.3 代理ip（代理服务器）的分类
1. 根据代理ip的匿名程度，代理IP可以分为下面三类：

* 透明代理(Transparent Proxy)：透明代理虽然可以直接"隐藏"你的IP地址，但是还是可以查到你是谁。目标服务器接收到的请求头如下：
    
            REMOTE_ADDR = Proxy IP
    HTTP_VIA = Proxy IP
    HTTP_X_FORWARDED_FOR = Your IP


* 匿名代理(Anonymous Proxy)：使用匿名代理，别人只能知道你用了代理，无法知道你是谁。目标服务器接收到的请求头如下：
    
            REMOTE_ADDR = proxy IP
    HTTP_VIA = proxy IP
    HTTP_X_FORWARDED_FOR = proxy IP


* 高匿代理(Elite proxy或High Anonymity Proxy)：高匿代理让别人根本无法发现你是在用代理，所以是最好的选择。 **毫 无疑问使用高匿代理效果最好**。目标服务器接收到的请求头如下：
    
            REMOTE_ADDR = Proxy IP
    HTTP_VIA = not determined
    HTTP_X_FORWARDED_FOR = not determined


2. 根据网站所使用的协议不同，需要使用相应协议的代理服务。从代理服务请求使用的协议可以分为：

* http代理：目标url为http协议
* https代理：目标url为https协议
* socks隧道代理（例如socks5代理）等：
  1. socks 代理只是简单地传递数据包，不关心是何种应用协议（FTP、HTTP和HTTPS等）。
  2. socks 代理比http、https代理耗时少。
  3. socks 代理可以转发http和https的请求
3.7.4 proxies代理参数的使用

为了让服务器以为不是同一个客户端在请求；为了防止频繁向一个域名发送请求被封ip，所以我们需要使用代理ip；那么我们接下来要学习requests模块是如何使用代理ip的

  • 用法：

    response = requests.get(url, proxies=proxies)

  • proxies的形式：字典

  • 例如：

    proxies = { "http": "htt://12.34.56.79:9527", "https": "htt://12.34.56.79:9527", }

  • 注意：如果proxies字典中包含有多个键值对，发送请求时将按照url地址的协议来选择使用相应的代理ip

知识点：掌握 代理ip参数proxies的使用

3.8 使用verify参数忽略CA证书

在使用浏览器上网的时候，有时能够看到下面的提示（2018年10月之前的12306网站）：

12306ssl错误

  • 原因：该网站的CA证书没有经过【受信任的根证书颁发机构】的认证
  • 关于CA证书以及受信任的根证书颁发机构点击了解更多，课上我们不做展开
3.8.1 运行代码查看代码中向不安全的链接发起请求的效果

运行下面的代码将会抛出包含ssl.CertificateError ...字样的异常

import requests
url = "htt://sam.huat.edu.cn:8443/selfservice/"
response = requests.get(url)
3.8.2 解决方案

为了在代码中能够正常的请求，我们使用verify=False参数，此时requests模块发送请求将不做CA证书的验证：verify参数能够忽略CA证书的认证

import requests
url = "htt://sam.huat.edu.cn:8443/selfservice/" 
response = requests.get(url,verify=False)
知识点：掌握 使用verify参数忽略CA证书

未完待续 下一期下一章

完整笔记请看文章开头

标签：md,cookies,请求,headers,python,url,scrapy,requests,response
From： https://blog.51cto.com/u_13578013/8133123

相关文章

  • Python47days
    overflow溢出属性visible默认值。内容不会被修剪，会呈现在元素框之外。hidden 内容会被修剪，并且其余内容是不可见的。scroll 内容会被修剪，但是浏览器会显示滚动条以便查看其余的内容。auto 如果内容被修剪，则浏览器会显示滚动条以便查看其余的内容。●overflow（水平和垂直均......
  • python基础-变量、常量
    变量什么是变量？顾名思义，变量就是可以变化的量，例如人们的年龄，存款等，都会因为某些因素而发生改变变量的定义、原理与使用：变量的定义由三部分组成：变量名("相当于一个名称")、赋值号("用=来表示，作用是将=右边的东西赋值给左边")和值("用来记录事物的状态")name="pslsy......
  • python实现打砖块小游戏
    importpygameimportsysimportrandom#初始化pygamepygame.init()#设置屏幕大小screen_width=800screen_height=600screen=pygame.display.set_mode((screen_width,screen_height))#设置颜色white=(255,255,255)black=(0,0,0)#设置球和砖块的......
  • celery学习md笔记：从0基础到系统性掌握用法 第（2）篇：celery的配置
    Celery是一个功能完备即插即用的任务队列。它使得我们不需要考虑复杂的问题，使用非常简单。celery看起来似乎很庞大，本文我们先对其进行简单的了解，然后再去学习其他一些高级特性。完整版笔记直接地址：请移步这里共4章，12子模块，总计5628字本章节我们需要快速了解celery一......
  • Python selenium Chrome下载文件并设置下载路径
    PythonseleniumChrome下载文件并设置下载路径具体代码如下：importosimporttimefromtimeimportsleepfromseleniumimportwebdriverfromselenium.webdriver.common.byimportBydown_path="D:\\Temp"chrome_options=webdriver.ChromeOptions()diy_prefs={......
  • Python：报错——ModuleNotFoundError: No module named 'encodings'
    运行Python报错：FatalPythonerror:Py_Initialize:unabletoloadthefilesystemcodecModuleNotFoundError:Nomodulenamed'encodings' 处理步骤：1.Files>>>Setting>>>Project>>>PythonInterpreter >>>AddInterpret......
  • CEEMDAN+PE自适应噪声完备集合经验模态分解+排列熵重构分量 程序语言为matlab
    ✅作者简介：热爱科研的Matlab仿真开发者，修心和技术同步精进，代码获取、论文复现及科研仿真合作可私信。......
  • 在简单的python程序中直接使用sqlalchemy
    database.pyfromsqlalchemyimportInteger,String,Columnfromsqlalchemy.ext.declarativeimportdeclarative_baseBase=declarative_base()classUsers(Base):__tablename__="users"id=Column(Integer,primary_key=True)name=......
  • 创建一个Web服务器并保持其运行，可以使用Python的Flask库。以下是一个基本的示例： ```p
    创建一个Web服务器并保持其运行，可以使用Python的Flask库。以下是一个基本的示例：```pythonfromflaskimportFlask,requestimportosapp=Flask(__name__)@app.route('/webhook',methods=['POST'])defwebhook():  data=request.get_json()  #在这里添加你的......
  • Python使用selenium的Chrome下载文件报错解决
    Python使用selenium的Chrome下载文件报错：失败下载错误。网络不稳定也会引发该错误。咱们这里是因为路径多个反斜杠造成的。 下图是报错内容运行日志：路径代码：base_url="https://www.2ppt.com/"#采集的网址ASP.NET电子商务源码save_path="E:\\Spider\\PPT\\"去掉SaveP......

赞助商

阅读排行

网站主页关于我们联系我们网站地图

本网站内容转载自其他媒体，侵权联系[admin##ips99.com]。

Copyright © 2020-2023 IPS99 版权所有 IPS99