|
所謂爬蟲(chóng)就是模擬客戶端發(fā)送網(wǎng)絡(luò)請(qǐng)求，獲取網(wǎng)絡(luò)響應(yīng)，并按照一定的規(guī)則解析獲取的數(shù)據(jù)并保存的程序。要說(shuō) Python 的爬蟲(chóng)必然繞不過(guò) Requests 庫(kù)。
1 簡(jiǎn)介
對(duì)于 Requests 庫(kù)，官方文檔是這么說(shuō)的：
Requests 唯一的一個(gè)非轉(zhuǎn)基因的 Python HTTP 庫(kù)，人類可以安全享用。
警告：非專業(yè)使用其他 HTTP 庫(kù)會(huì)導(dǎo)致危險(xiǎn)的副作用，包括：安全缺陷癥、冗余代碼癥、重新發(fā)明輪子癥、啃文檔癥、抑郁、頭疼、甚至死亡。
這個(gè)介紹還是比較生動(dòng)形象的，便不再多說(shuō)。安裝使用終端命令 pip install requests 。
2 快速上手
2.1 發(fā)送請(qǐng)求
導(dǎo)入 Requests 模塊：
import requests
獲取網(wǎng)頁(yè)：
r = requests.get('http://')
此時(shí)，我們獲取了 Response 對(duì)象 r，我們可以通過(guò) r 獲取所需信息。Requests 簡(jiǎn)便的 API 意味著所有 HTTP 請(qǐng)求類型都是顯而易見(jiàn)的，我們來(lái)看一下使用常見(jiàn) HTTP 請(qǐng)求類型 get、post、put、delete 的示例：
r = requests.head('http:///get')
r = requests.post('http:///post', data = {'key':'value'})
r = requests.put('http:///put', data = {'key':'value'})
r = requests.delete('http:///delete')
通常我們會(huì)設(shè)置請(qǐng)求的超時(shí)時(shí)間，Requests 使用 timeout 參數(shù)來(lái)設(shè)置，單位是秒，示例如下：
r = requests.head('http:///get', timeout=1)
2.2 參數(shù)傳遞
在使用 get 方式發(fā)送請(qǐng)求時(shí)，我們會(huì)將鍵值對(duì)形式參數(shù)放在 URL 中問(wèn)號(hào)的后面，如：http:///get?key=val ，Requests 通過(guò) params 關(guān)鍵字，以一個(gè)字符串字典來(lái)提供這些參數(shù)。比如要傳 key1=val1 和 key2=val2 到 http:///get，示例如下：
pms= {'key1': 'val1', 'key2': 'val2'}
r = requests.get("http:///get", params=pms)
Requests 還允許將一個(gè)列表作為值傳入：
pms= {'key1': 'val1', 'key2': ['val2', 'val3']}
注：字典里值為 None 的鍵都不會(huì)被添加到 URL 的查詢字符串里。
2.3 響應(yīng)內(nèi)容
我們來(lái)獲取一下服務(wù)器的響應(yīng)內(nèi)容，這里地址 https://api.github.com 為例：
import requests
r = requests.get('https://api.github.com')
print(r.text)
# 輸出結(jié)果
# {"current_user_url":"https://api.github.com/user","current_user...
當(dāng)訪問(wèn) r.text 之時(shí)，Requests 會(huì)使用其推測(cè)的文本編碼，我們可以使用 r.encoding 查看其編碼，也可以修改編碼，如：r.encoding = 'GBK'，當(dāng)改變了編碼，再次訪問(wèn) r.text 時(shí)，Request 都將會(huì)使用 r.encoding 的新值。
1）二進(jìn)制響應(yīng)內(nèi)容
比如當(dāng)我們要獲取一張圖片的數(shù)據(jù)，會(huì)以二進(jìn)制的方式獲取響應(yīng)數(shù)據(jù)，示例如下：
from PIL import Image
from io import BytesIO
i = Image.open(BytesIO(r.content))
2）JSON響應(yīng)內(nèi)容
Requests 中已經(jīng)內(nèi)置了 JSON 解碼器，因此我們可以很容易的對(duì) JSON 數(shù)據(jù)進(jìn)行解析，示例如下：
import requests
r = requests.get('https://api.github.com')
r.json()
注:成功調(diào)用 r.json() 并不一定響應(yīng)成功，有的服務(wù)器會(huì)在失敗的響應(yīng)中包含一個(gè) JSON 對(duì)象（比如 HTTP 500 的錯(cuò)誤細(xì)節(jié)），這時(shí)我們就需要查看響應(yīng)的狀態(tài)碼了 r.status_code 或 r.raise_for_status()，成功調(diào)用時(shí) r.status_code 為 200，r.raise_for_status() 為 None。
2.4 自定義請(qǐng)求頭
當(dāng)我們要給請(qǐng)求添加 headers 時(shí)，只需給 headers 參數(shù)傳遞一個(gè)字典即可，示例如下：
url = 'http://'
hds= {'user-agent': 'xxx'}
r = requests.get(url, headers=hds)
注：自定義 headers 優(yōu)先級(jí)是低于一些特定的信息的，如：在 .netrc 中設(shè)置了用戶認(rèn)證信息，使用 headers 設(shè)置的授權(quán)就不會(huì)生效，而當(dāng)設(shè)置了 auth 參數(shù)，.netrc 的設(shè)置會(huì)無(wú)效。所有的 headers 值必須是 string、bytestring 或者 unicode，通常不建議使用 unicode。
2.5 重定向與歷史
默認(rèn)情況下，Requests 會(huì)自動(dòng)處理除了 HEAD 以外的所有重定向，可以使用響應(yīng)對(duì)象的 history 屬性來(lái)追蹤重定向，其返回為響應(yīng)對(duì)象列表，這個(gè)列表是按照請(qǐng)求由晚到早進(jìn)行排序的，看一下示例：
import requests
r = requests.get('http://github.com')
print(r.history)
# 輸出結(jié)果
# [<Response [301]>]
如果使用的是 get、post、put、delete、options、patch 可以使用 allow_redirects 參數(shù)禁用重定向。示例如下：
r = requests.get('http://', allow_redirects=False)
2.6 錯(cuò)誤與異常
當(dāng)遇到網(wǎng)絡(luò)問(wèn)題（如：DNS 查詢失敗、拒絕連接等）時(shí)，Requests 會(huì)拋出 ConnectionError 異常；在 HTTP 請(qǐng)求返回了不成功的狀態(tài)碼時(shí)， Response.raise_for_status() 會(huì)拋出 HTTPError 異常；請(qǐng)求超時(shí)，會(huì)拋出 Timeout 異常；請(qǐng)求超過(guò)了設(shè)定的最大重定向次數(shù)，會(huì)拋出 TooManyRedirects 異常。所有 Requests 顯式拋出的異常都繼承自 requests.exceptions.RequestException。
參考：
http://cn./zh_CN/latest/user/quickstart.html
歡迎關(guān)注文末公眾號(hào)，免費(fèi)領(lǐng)取海量學(xué)習(xí)資料！
|
