TFnetwork.cn

TFnetwork.cn

python模块介绍

Python Requests模块介绍

服务器技术 2021-09-03 13:49:14 32

导读

1.requests模块介绍requests文档：http://docs.python-requests.org/zh_CN/latest/index.html1.1requests模块的作用：发送http(s)请求，获取响应数据1.2requests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/pip3installrequests1.3requests模块发送get请……

1. requests模块介绍

requests文档：http://docs.python-requests.org/zh_CN/latest/index.html

1.1 requests模块的作用：

  • 发送http(s)请求，获取响应数据

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，获取该页面的源码

  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 = 'https://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)

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 = 'https://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(s) 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

2.2 利用decode函数对requests.content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

2.3 response响应对象的其它常用属性或方法

response = requests.get(url)中response是发送请求获取的响应对象；response响应对象中除了text、content获取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 = 'https://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

3. requests模块发送请求

3.1 发送带header的请求

我们先写一个获取百度首页的代码

import requests url = 'https://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？

    • 右键-查看网页源代码 或

    • 右键-检查

    • 查看网页源码的方法：

  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，获取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 = 'https://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)

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GET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 = 'https://www.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 = 'https://www.baidu.com/s?wd=python' # 最后有没有问号结果都一样 url = 'https://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，获取响应 response = requests.get(url, headers=headers, params=kw) print(response.content)

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获取正确内容的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

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 = 'https://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，获取登陆后才能访问的页面

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，一旦过期需要重新获取

import requests url = 'https://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获取的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

Python Requests模块介绍

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": "http://12.34.56.79:9527", "https": "https://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）：

  • 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self signed certificate字样的异常

import requests url = "https://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 = "https://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

4. requests模块发送post请求

思考：哪些地方我们会用到POST请求？

  1. 登录注册（ 在web工程师看来POST 比 GET 更安全，url地址中不会暴露用户的账号密码等信息）

  2. 需要传输大文本内容的时候（ POST 请求对数据长度没有要求）

所以同样的，我们的爬虫也需要在这两个地方回去模拟浏览器发送post请求

4.1 requests发送post请求的方法

  • response = requests.post(url, data)

  • data参数接收一个字典

  • requests模块发送post请求函数的其它参数和发送get请求的参数完全一致

4.2 POST请求练习

下面面我们通过金山翻译的例子看看post请求如何使用：

  1. 地址：fy.iciba.com/ 思路分析

    1. 抓包确定请求的url地址 Python Requests模块介绍

    2. 确定请求的参数 Python Requests模块介绍

    3. 确定返回数据的位置 Python Requests模块介绍

    4. 模拟浏览器获取数据

4.2.3 抓包分析的结论

  1. url地址：http://fy.iciba.com/

  2. 请求方法：POST

  3. 请求所需参数：data = { 'f': 'auto', # 表示被翻译的语言是自动识别 't': 'auto', # 表示翻译后的语言是自动识别 'w': '人生苦短' # 要翻译的中文字符串 }

  4. pc端User-Agent: Mozilla/5.0 (Macintosh; Intel Mac OS X 10_12_6) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/71.0.3578.98 Safari/537.36

4.2.4 代码实现

了解requests模块发送post请求的方法，以及分析过移动端的百度翻译之后，我们来完成代码

import requests import json class King(object):     def __init__(self, word):         self.url = "http://fy.iciba.com/ajax.php?a=fy"         self.word = word         self.headers = {             "User-Agent": "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_12_6) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/71.0.3578.98 Safari/537.36"         }         self.post_data = {             "f": "auto",             "t": "auto",             "w": self.word         }     def get_data(self):         response = requests.post(self.url, headers=self.headers, data=self.post_data)         # 默认返回bytes类型，除非确定外部调用使用str才进行解码操作         return response.content     def parse_data(self, data):         # 将json数据转换成python字典         dict_data = json.loads(data)         # 从字典中抽取翻译结果         try:             print(dict_data['content']['out'])         except:             print(dict_data['content']['word_mean'][0])     def run(self):         # url         # headers         # post——data         # 发送请求         data = self.get_data()         # 解析         self.parse_data(data) if __name__ == '__main__':     # king = King("人生苦短，及时行乐")     king = King("China")     king.run()     # python标准库有很多有用的方法，每天看一个标准库的使用
知识点：掌握 requests模块发送post请求
5. 利用requests.session进行状态保持

requests模块中的Session类能够自动处理发送请求获取响应过程中产生的cookie，进而达到状态保持的目的。接下来我们就来学习它

5.1 requests.session的作用以及应用场景

  • requests.session的作用

    • 自动处理cookie，即 下一次请求会带上前一次的cookie

  • requests.session的应用场景

    • 自动处理连续的多次请求过程中产生的cookie

5.2 requests.session使用方法

session实例在请求了一个网站后，对方服务器设置在本地的cookie会保存在session中，下一次再使用session请求对方服务器的时候，会带上前一次的cookie

session = requests.session() # 实例化session对象 response = session.get(url, headers, ...) response = session.post(url, data, ...)

  • session对象发送get或post请求的参数，与requests模块发送请求的参数完全一致

5.3 课堂测试

使用requests.session来完成github登陆，并获取需要登陆后才能访问的页面

5.3.1 提示

  1. 对github登陆以及访问登陆后才能访问的页面的整个完成过程进行抓包

  2. 确定登陆请求的url地址、请求方法和所需的请求参数

    • 部分请求参数在别的url对应的响应内容中，可以使用re模块获取

  3. 确定登陆后才能访问的页面的的url地址和请求方法

  4. 利用requests.session完成代码

5.3.2 参考代码

import requests import re # 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', } # 实例化session对象 session = requests.session() # 访问登陆页获取登陆请求所需参数 response = session.get('https://github.com/login', headers=headers) authenticity_token = re.search('name="authenticity_token" value="(.*?)" />', response.text).group(1) # 使用正则获取登陆请求所需参数 # 构造登陆请求参数字典 data = {     'commit': 'Sign in', # 固定值     'utf8': '✓', # 固定值     'authenticity_token': authenticity_token, # 该参数在登陆页的响应内容中     'login': input('输入github账号：'),     'password': input('输入github账号：') } # 发送登陆请求（无需关注本次请求的响应） session.post('https://github.com/session', headers=headers, data=data) # 打印需要登陆后才能访问的页面 response = session.get('https://github.com/1596930226', headers=headers) print(response.text)


猜你喜欢
redis专属链表ziplist的使用

redis专属链表ziplist的使用
docker打包Python环境的过程详解

docker打包Python环境的过程详解
Win10环境下Atom安装和运行Python的方法

Win10环境下Atom安装和运行Python的方法
爬虫python能做什么？

爬虫python能做什么？
python如何实现网络爬虫

python如何实现网络爬虫
python如何对指定字符串逆序

python如何对指定字符串逆序
最新文章
热门投稿赚钱
1253067 TFnetwork_cn