从零开始写Python爬虫 --- 1.1 requests库的安装与使用

从零开始写Python爬虫 --- 1.1 requests库的安装与使用

先来说说爬虫的原理：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。

• requests库的安装
  

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

他安装的方式非常简单：我们用pip工具在命令行里进行安装

$ pip install requests`

接着我们看一下是否成功安装了bs4库

$ pip list

看一下安装结果

• requests库的基本使用：
  

#首先我们先导入requests这个包import requests#我们来吧百度的index页面的html源码抓取到本地，并用r变量保存#注意这里，网页前面的 http://一定要写出来，它并不能像真正的浏览器一样帮我们补全http协议r = requests.get("http://www.baidu.com")#将下载到的内容打印一下：print(r.text)

可以看到，百度的首页源码文件我们已经把他抓取到本地了。

上面的抓取过程中，我们用到了requests库的get方法，

这个方法是requests库中最常用的方法之一。

他接受一个参数（url）并返回一个HTTP response对象。

与get方法相同的，requests库还有许多其他常用方法：

• 下面我们来详细了解一下 requests.get 这个方法：
  

#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

• 我们来着重讲一下 **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

常用的两个控制访问参数：

1. 假设我们需要在GET请求里自定义一个header头文件：

import requestshd = {'User-agent':'123'}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'}'''

2. 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)

• 详细了解Response对象
  

import requestsr = requests.get("http://www.baidu.com")'''Response(self)The :class:Response <Response> object, which contains a server's response to an HTTP request.'''#HTTP请求的返回状态，比如，200表示成功，404表示失败print (r.status_code)#HTTP请求中的headersprint (r.headers)#从header中猜测的响应的内容编码方式 print (r.encoding)#从内容中分析的编码方式（慢）print (r.apparent_encoding)#响应内容的二进制形式print (r.content)'''status_code:200 headers:{'Server': 'bfe/1.0.8.18', 'Date': 'Tue, 02 May 2017 12:01:47 GMT', 'Content-Type': 'text/html', 'Last-Modified': 'Mon, 23 Jan 2017 13:28:27 GMT', 'Transfer-Encoding': 'chunked', 'Connection': 'Keep-Alive', 'Cache-Control': 'private, no-cache, no-store, proxy-revalidate, no-transform', 'Pragma': 'no-cache', 'Set-Cookie': 'BDORZ=27315; max-age=86400; domain=.baidu.com; path=/', 'Content-Encoding':'gzip'}encoding: ISO-8859-1apparent_encoding:utf-8'''

• requests抓取网页的通用框架
  

import requestsdef 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!"

好了关于requests库我们今天就写到这，这是一个非常强大的库，

更多的功能大家可以去看一下官方的文档：快速上手 - Requests 2.10.0 文档

每天的学习记录都会 同步更新到：

微信公众号： findyourownway

知乎专栏：从零开始写Python爬虫 - 知乎专栏

blog ： Ehco Blog