【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-摩杜云开发者社区

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

需求：通过requests向百度首页发送请求，该页面的源码

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)

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

requests模块

知识点：

1. requests模块介绍

1.1 requests模块的作用：

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

1.3 requests模块发送get请求

知识点：掌握 requests模块发送get请求

2. response响应对象

2.1 response.text 和response.content的区别：

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

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

1.2.3-response其它常用属性

目标url

向目标url发送get请求

打印响应内容

print(response.text)

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

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

3.1.1 思考

3.1.2 携带请求头发送请求的方法

3.1.3 完成代码实现

知识点：掌握 headers参数的使用

3.2 发送带参数的请求

3.2.1 在url携带参数

3.2.2 通过params携带参数字典

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

3.3.1 github登陆抓包分析

3.3.2 完成代码

构造请求头字典

请求头参数字典中携带cookie字符串

3.3.3 运行代码验证结果

知识点：掌握 headers中携带cookie

3.4 cookies参数的使用

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

知识点：掌握 cookieJar的转换方法

3.6 超时参数timeout的使用

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

3.7.1 理解使用代理的过程

3.7.2 正向代理和反向代理的区别

3.7.3 代理ip（代理服务器）的分类

3.7.4 proxies代理参数的使用

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

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

3.8.2 解决方案

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

完整版笔记直接地址：请移步这里

知识点：掌握利用decode函数对requests.content解决中文乱码

知识点：掌握超时参数timeout的使用

知识点：掌握代理ip参数proxies的使用

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