requests基础

爬虫的基本原理：爬虫本质上是模拟人浏览信息的过程，只不过他通过计算机来达到快速抓取筛选信息的目的。所以我们想要写一个爬虫，最基本的就是要将我们需要抓取信息的网页原原本本的抓取下来。这个时候就要用到requests库了。

1、requests的安装

requests库本质上就是模拟了我们用浏览器打开一个网页，发起请求是的动作。它能够迅速的把请求的html源文件保存到本地。

requests安装比较简单，pip install requests

2、requests的使用

开始要导入 Requests 模块：

 import requests

然后，尝试获取某个网页。

 r = requests.get('https://douban.com')

现在，有一个名为 r 的Response 对象。可以从这个对象中获取所有我们想要的信息。

Requests 简便的 API 意味着所有 HTTP 请求类型都是显而易见的。例如，你可以这样发送一个 HTTP POST 请求：

 r = requests.post("http://httpbin.org/post")

其他 HTTP 请求类型：PUT，DELETE，HEAD 以及 OPTIONS

 r = requests.put("http://httpbin.org/put")
 r = requests.delete("http://httpbin.org/delete")
 r = requests.head("http://httpbin.org/get")
 r = requests.options("http://httpbin.org/get")

传递 URL 参数

requests.get(url,params=None,**kwargs)方法

 #这个方法可以接收三个参数，其中第二个默认为None 第三个可选
 def get(url, params=None, **kwargs)
 #作用是模拟发起GET请求
 Sends a GET request.
 #模拟获取页面的url链接
 :param url: URL for the new :class:Request object.
 #额外参数 字典或字节流格式，可选
 :param params: (optional) Dictionary or bytes to be sent in the query string for the :class:Request.
 # 十二个控制访问参数，比如可以自定义header
 :param **kwargs: Optional arguments that request takes.
 # 返回一个Response对象
 :return: :class:Response <Response> object
 :type: requests.Response

下面着重讲一下 **kwargs 这个参数

kwargs: 控制访问的参数，均为可选项

params : 字典或字节序列，作为参数增加到url中

data : 字典、字节序列或文件对象，作为Request的内容 json : JSON格式的数据，作为Request的内容

headers : 字典，HTTP定制头

cookies : 字典或CookieJar，Request中的cookie

auth : 元组，支持HTTP认证功能

files : 字典类型，传输文件

timeout : 设定超时时间，秒为单位

proxies : 字典类型，设定访问代理服务器，可以增加登录认证

allow_redirects : True/False，默认为True，重定向开关

stream : True/False，默认为True，获取内容立即下载开关

verify : True/False，默认为True，认证SSL证书开关

cert : 本地SSL证书路径

url: 拟更新页面的url链接

data: 字典、字节序列或文件，Request的内容

json: JSON格式的数据，Request的内容

例如：

 payload = {'key1': 'value1', 'key2': 'value2'}
 r = requests.get("http://httpbin.org/get", params=payload)

 #结果
 print(r.url)
 http://httpbin.org/get?key2=value2&key1=value1

注意字典里值为 None 的键都不会被添加到 URL 的查询字符串里。

还可以将一个列表作为值传入：

 payload = {'key1': 'value1', 'key2': ['value2', 'value3']}

 r = requests.get('http://httpbin.org/get', params=payload)
 print(r.url)
 http://httpbin.org/get?key1=value1&key2=value2&key2=value3

响应内容：

我们能读取服务器响应的内容。

requests.Response

• status_code状态码
• headers应答的http头
• json应答的json数据
• text应答的Unicode编码的文本
• content应答的字节流数据
• cookies应答的cookies.自动处理。

常用的两个控制访问参数：

a. 假设我们需要在GET请求里自定义一个header头文件：

 import requests

 hd = {'User-agent':''}
 r = requests.get('http://www.baidu.com', headers=hd)
 print(r.request.headers)
 '''
 OUT:
 {'User-agent': '123', 'Accept-Encoding': 'gzip, deflate', 'Accept': '*/*', 'Connection': 'keep-alive
 '}
 '''

b. 假设我们要自定义一个代理池

 pxs = { 'http': 'http://user:pass@10.10.10.1:1234',
         'https': 'https://10.10.10.1:4321' }
 r = requests.get('http://www.baidu.com', proxies=pxs)

3、requests抓取网页的通用框架

 import requests

 def getHtmlText(url):
     try:
         r = requests.get(url, timeout=30)
         # 如果状态码不是200 则应发HTTOError异常
         r.raise_for_status()
         # 设置正确的编码方式
         r.encoding = r.apparent_encoding
         return r.text
     except:
         return "Something Wrong!"