2022 年最新 Python3 网络爬虫教程
大家好,我是崔庆才,由于爬虫技术不断迭代升级,一些旧的教程已经过时、案例已经过期,最前沿的爬虫技术比如异步、JavaScript 逆向、安卓逆向、智能解析、WebAssembly、大规模分布式、Kubernetes 等技术层出不穷,我最近新出了一套最新最全面的 Python3 网络爬虫系列教程。
博主自荐:截止 2022 年,可以将最前沿最全面的爬虫技术都涵盖的教程,如异步、JavaScript 逆向、安卓逆向、智能解析、WebAssembly、大规模分布式、Kubernetes 等,市面上目前就这一套了。
最新教程对旧的爬虫技术内容进行了全面更新,搭建了全新的案例平台进行全面讲解,保证案例稳定有效不过期。
教程请移步:
如下为原文。
前言
之前我们用了 urllib 库,这个作为入门的工具还是不错的,对了解一些爬虫的基本理念,掌握爬虫爬取的流程有所帮助。入门之后,我们就需要学习一些更加高级的内容和工具来方便我们的爬取。那么这一节来简单介绍一下 requests 库的基本用法。 注:Python 版本依然基于 2.7
官方文档
以下内容大多来自于官方文档,本文进行了一些修改和总结。要了解更多可以参考 官方文档
安装
利用 pip 安装
1 |
$ pip install requests |
或者利用 easy_install
1 |
$ easy_install requests |
通过以上两种方法均可以完成安装。
引入
首先我们引入一个小例子来感受一下
1 |
import requests |
以上代码我们请求了本站点的网址,然后打印出了返回结果的类型,状态码,编码方式,Cookies等内容。 运行结果如下
1 |
<class 'requests.models.Response'> |
怎样,是不是很方便。别急,更方便的在后面呢。
基本请求
requests库提供了http所有的基本请求方式。例如
1 |
r = requests.post("http://httpbin.org/post") |
嗯,一句话搞定。
基本GET请求
最基本的GET请求可以直接用get方法
1 |
r = requests.get("http://httpbin.org/get") |
如果想要加参数,可以利用 params 参数
1 |
import requests |
运行结果
1 |
http://httpbin /get?key2=value2&key1=value1 |
如果想请求JSON文件,可以利用 json() 方法解析 例如自己写一个JSON文件命名为a.json,内容如下
1 |
["foo", "bar", { |
利用如下程序请求并解析
1 |
import requests |
运行结果如下,其中一个是直接输出内容,另外一个方法是利用 json() 方法解析,感受下它们的不同
1 |
["foo", "bar", { |
如果想获取来自服务器的原始套接字响应,可以取得 r.raw 。 不过需要在初始请求中设置 stream=True 。
1 |
r = requests.get('https://github.com/timeline.json', stream=True) |
这样就获取了网页原始套接字内容。 如果想添加 headers,可以传 headers 参数
1 |
import requests |
通过headers参数可以增加请求头中的headers信息
基本POST请求
对于 POST 请求来说,我们一般需要为它增加一些参数。那么最基本的传参方法可以利用 data 这个参数。
1 |
import requests |
运行结果
1 |
{ |
可以看到参数传成功了,然后服务器返回了我们传的数据。 有时候我们需要传送的信息不是表单形式的,需要我们传JSON格式的数据过去,所以我们可以用 json.dumps() 方法把表单数据序列化。
1 |
import json |
运行结果
1 |
{ |
通过上述方法,我们可以POST JSON格式的数据 如果想要上传文件,那么直接用 file 参数即可 新建一个 a.txt 的文件,内容写上 Hello World!
1 |
import requests |
可以看到运行结果如下
1 |
{ |
这样我们便成功完成了一个文件的上传。 requests 是支持流式上传的,这允许你发送大的数据流或文件而无需先把它们读入内存。要使用流式上传,仅需为你的请求体提供一个类文件对象即可
1 |
with open('massive-body') as f: |
这是一个非常实用方便的功能。
Cookies
如果一个响应中包含了cookie,那么我们可以利用 cookies 变量来拿到
1 |
import requests |
以上程序仅是样例,可以用 cookies 变量来得到站点的 cookies 另外可以利用 cookies 变量来向服务器发送 cookies 信息
1 |
import requests |
运行结果
1 |
'{"cookies": {"cookies_are": "working"}}' |
可以已经成功向服务器发送了 cookies
超时配置
可以利用 timeout 变量来配置最大请求时间
1 |
requests.get('http://github.com', timeout=0.001) |
注:timeout 仅对连接过程有效,与响应体的下载无关。 也就是说,这个时间只限制请求的时间。即使返回的 response 包含很大内容,下载需要一定时间,然而这并没有什么卵用。
会话对象
在以上的请求中,每次请求其实都相当于发起了一个新的请求。也就是相当于我们每个请求都用了不同的浏览器单独打开的效果。也就是它并不是指的一个会话,即使请求的是同一个网址。比如
1 |
import requests |
结果是
1 |
{ |
很明显,这不在一个会话中,无法获取 cookies,那么在一些站点中,我们需要保持一个持久的会话怎么办呢?就像用一个浏览器逛淘宝一样,在不同的选项卡之间跳转,这样其实就是建立了一个长久会话。 解决方案如下
1 |
import requests |
在这里我们请求了两次,一次是设置 cookies,一次是获得 cookies 运行结果
1 |
{ |
发现可以成功获取到 cookies 了,这就是建立一个会话到作用。体会一下。 那么既然会话是一个全局的变量,那么我们肯定可以用来全局的配置了。
1 |
import requests |
通过 s.headers.update 方法设置了 headers 的变量。然后我们又在请求中设置了一个 headers,那么会出现什么结果? 很简单,两个变量都传送过去了。 运行结果
1 |
{ |
如果get方法传的headers 同样也是 x-test 呢?
1 |
r = s.get('http://httpbin.org/headers', headers={'x-test': 'true'}) |
嗯,它会覆盖掉全局的配置
1 |
{ |
那如果不想要全局配置中的一个变量了呢?很简单,设置为 None 即可
1 |
r = s.get('http://httpbin.org/headers', headers={'x-test': None}) |
运行结果
1 |
{ |
嗯,以上就是 session 会话的基本用法
SSL证书验证
现在随处可见 https 开头的网站,Requests可以为HTTPS请求验证SSL证书,就像web浏览器一样。要想检查某个主机的SSL证书,你可以使用 verify 参数 现在 12306 证书不是无效的嘛,来测试一下
1 |
import requests |
结果
1 |
requests.exceptions.SSLError: [SSL: CERTIFICATE_VERIFY_FAILED] certificate verify failed (_ssl.c:590) |
果真如此 来试下 github 的
1 |
import requests |
嗯,正常请求,内容我就不输出了。 如果我们想跳过刚才 12306 的证书验证,把 verify 设置为 False 即可
1 |
import requests |
发现就可以正常请求了。在默认情况下 verify 是 True,所以如果需要的话,需要手动设置下这个变量。
代理
如果需要使用代理,你可以通过为任意请求方法提供 proxies 参数来配置单个请求
1 |
import requests |
也可以通过环境变量 HTTP_PROXY 和 HTTPS_PROXY 来配置代理
1 |
export HTTP_PROXY="http://10.10.1.10:3128" |
通过以上方式,可以方便地设置代理。
API
以上讲解了 requests 中最常用的参数,如果需要用到更多,请参考官方文档 API API
结语
以上总结了一下 requests 的基本用法,如果你对爬虫有了一定的基础,那么肯定可以很快上手,在此就不多赘述了。 练习才是王道,大家尽快投注于实践中吧。