60.requests模块

【一】爬虫初识

1）概念

• 爬虫是一种自动化获取互联网数据的技术，通过模拟浏览器行为，向目标网站发送请求并获取响应，然后解析响应中的数据

2）工作原理

• 发送HTTP请求，模拟浏览器行为，获取网站的响应，并解析响应中的数据

3）分类

• 通用爬虫：对整个互联网进行爬取
• 定向爬虫：只针对特定的网站进行爬取
• 基于规则的爬虫基于人工事先定义的规则提取数据
• 基于机器学习的爬虫通过机器学习算法自动提取数据
• 单机爬虫在单个计算机上运行
• 分布式爬虫通过多台计算机协同工作

4）爬虫常用库

• requests库

  • 用于发送HTTP请求，方便地发送GET、POST等请求，并获取响应

• BeautifulSoup库

  • 用于解析HTML和XML文档，方便地提取其中的数据

• Scrapy框架

  • 提供了一套完整的爬虫开发流程，包括发送请求、获取响应、解析响应、存储数据等步骤

• Selenium库

  • 用于模拟浏览器行为，模拟用户在浏览器中的操作，如点击、输入等

5）爬虫流程

• 发送请求

• 获取响应

• 解析响应

• 存储数据

6）反爬措施

• 频率限制
• 封IP和封账号
• 请求头中带加密信息
• 响应回来的数据是加密
• 验证码反扒
• JS加密
• 手机设备唯一ID号

【二】requests模块 初识

1）概念

• Requests 是⽤Python语⾔编写，基于urllib，采⽤Apache2 Licensed开源协议的 HTTP 库
• 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
• 是一个功能强大、简洁易用的第三方Python库，用于发送HTTP请求

2）使用

1.安装

pip install requests

2.示例

import requests

# 确认网址
target_url = 'https://www.baidu.com/'
# 发起简单的get请求,并获取响应
response = requests.get(url=target_url)
# 解码（utf-8 / gbk）
response.encoding = 'utf-8'
# 获取数据
print(response.text)

【三】requests模块之get请求

1）发送get请求

import requests

target_url = 'https://www.bilibili.com/'
response = requests.get(url=target_url)
# 判断请求是否成功
if response.status_code == 200:
    response.encoding = 'utf-8'
    print(response.text)
else:
    print(f"当前请求数据失败!错误码: {response.status_code}")

2）携带请求体

target_url = 'https://www.baidu.com/s?wd=B%E7%AB%99'

1.浏览器标识UA

• 网络

User-Agent:
Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/126.0.0.0 Safari/537.36 Edg/126.0.0.0

• 示例

  import requests
  
  target_url = 'https://www.baidu.com/s?wd=B%E7%AB%99'
  headers = {
      'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/126.0.0.0 Safari/537.36 Edg/126.0.0.0'}
  response = requests.get(url=target_url, headers=headers)
  if response.status_code == 200:
      response.encoding = 'utf-8'
      page = response.text
      print(page)
  else:
      print(f"当前请求数据失败!错误码: {response.status_code}")
  

2.随机UA模块

# 安装
pip install fake-useragent

# 使用
from fake_useragent import UserAgent

headers = {'User-Agent': UserAgent().random}

• 示例

  import requests
  from fake_useragent import UserAgent
  
  target_url = 'https://www.baidu.com/s?wd=B%E7%AB%99'
  headers = {'User-Agent': UserAgent().random}
  response = requests.get(url=target_url, headers=headers)
  if response.status_code == 200:
      response.encoding = 'utf-8'
      page = response.text
      print(page)
  else:
      print(f"当前请求数据失败!错误码：{response.status_code}")
  

3）携带 请求体参数params

# 使用urlencode对参数进行编码
from urllib.parse import urlencode

keyword={'wd':'B站'}
params = urlencode(keyword, encoding="utf8")
target_url = "https://www.baidu.com/s?"+ params

# 使用requests模块内置的方法
params={'wd':'B站'}
response = requests.get(
    url=target_url, 
    params=params,
    headers=headers)

• 示例

  from fake_useragent import UserAgent
  
  params = {'wd': 'B站'}
  target_url = 'https://www.baidu.com/s'
  headers = {'User-Agent': UserAgent().random}
  response = requests.get(url=target_url, params=params, headers=headers)
  if response.status_code == 200:
      response.encoding = 'utf-8'
      page = response.text
      print(page)
  else:
      print(f"当前请求数据失败!错误码: {response.status_code}")
  

4）携带 请求头中Cookie

• Cookie作用是保存登录

# 直接携带在请求头中
...
headers = {
    'Cookie':'......'
    'User-Agent': UserAgent().random
}
...

# 携带在请求参数中

# 对 cookies 参数进行切分成字典格式键值对
def split_cookies(cookies):
    first_data_start = cookies.split(";")
    return {key: value for key, value in [item.split("=") for item in first_data_start]}
...
response = requests.get(
    url=target_url, 
    headers=headers,
    cookies=cookie
)

【四】requests模块之post请求

# 目标网站
http://www.aa7a.cn/user.php
# 网络 -> user.php -> 负载
username: [email protected]
password: 123
captcha: 1
remember: 1
ref: http://www.aa7a.cn
act: act_login

• 示例

  from fake_useragent import UserAgent
  
  target_url = 'http://www.aa7a.cn/user.php'
  headers = {'User-Agent': UserAgent().random}
  data = {
      'username': '[email protected]',
      'password': '123',
      'captcha': '1',
      'remember': '1',
      'ref': 'http://www.aa7a.cn',
      'act': 'act_login',
  }
  response = requests.get(
      url=target_url, 
      headers=headers,
      # 两种方式
      data=data 或 json=data,
  )
  if response.status_code == 200:
      response.encoding = 'gbk'
      page = response.text
      print(page)
  else:
      print(f"当前请求数据失败!错误码: {response.status_code}")
  

• data=data

  • 默认情况下，requests.post方法将会将data参数以application/x-www-form-urlencoded格式进行编码。
  • 这种编码方式将字典数据转换成键值对的形式，并使用&符号进行连接。
  • 然后，将生成的字符串作为请求的主体数据发送到服务器。这种方式常用于处理表单提交的场景。

• json=data

  • 当使用requests.post方法时
  • 如果将data参数设置为一个字典，并同时将headers参数中的Content-Type设置为application/json，那么data字典将被自动序列化为JSON字符串，并作为请求的主体数据发送。
  • 这样的请求方式常用于与服务器交互时，需要使用JSON格式进行数据传输的情况。

【五】自动携带cookie 的session对象

# 使用 session 对象保持会话状态
# 生成 session 对象发起请求 Cookie 会自动加载到session对象中
# 下一次请求直接用 session

import requests
from fake_useragent import UserAgent


# 创建session对象
session = requests.Session()
# 定义请求头
headers = {'User-Agent': UserAgent().random}
target_url = 'https://xueqiu.com/'
response = session.get(target_url, headers=headers)
response.encoding = 'utf-8'

target_url = 'https://stock.xueqiu.com/v5/stock/batch/quote.json?symbol=SH000001,SZ399001,SZ399006,SH000688,SH000016,SH000300,BJ899050,HKHSI,HKHSCEI,HKHSTECH,.DJI,.IXIC,.INX'
response = session.get(
    url=target_url,
    headers=headers,
)
page_text = response.text
print(page_text)

【六】requests模块之响应体

1）相关参数

【七】ssl认证

1）介绍

• HTTPS请求中 HTTP + SSL 证书
• HTTP请求是不需要认真的直接就能访问 都会提示 此网站不安全

2）示例

# 认证证书
import requests
url = 'https://ssr2.scrape.center/'
response = requests.get(url)
print(response.status_code)
# certificate verify failed

# 不认证证书
import requests
url = 'https://ssr2.scrape.center/'
response = requests.get(url,verify=False)
print(response.status_code)

# 自定义证书路径
import requests
url = 'https://ssr2.scrape.center/'
cert_file = "/path/to/my_certificate.pem"
response = requests.get(url,verify=cert_file)
print(response.status_code)

【八】代理

1）概念

• 在网络爬虫和数据抓取的过程中，我们经常需要发送HTTP请求来获取网页内容或与远程服务器进行通信
• 然而，在某些情况下，直接发送请求可能会受到限制或被阻止，这时就需要借助代理来完成任务
• 代理在网络通信中起到中间人的作用，它代表我们与目标服务器建立连接并传递请求和响应
• 通过使用代理，我们可以隐藏真实的IP地址、绕过访问限制，并增加请求的匿名性
• Python中的requests库提供了便捷且强大的功能来处理HTTP请求，并且支持代理的配置

一般网站都有屏蔽的限制策略，用自己的IP去爬，被封了那该网站就访问不了，这时候就得用代理IP来解决问题了。

封吧，反正封的不是本机IP，封的代理IP。