requests

爬取网页的通用代码框架

def getHTMLText(url):
try:
r=requests.get(url,timeout30)
r.raise_for_status  #如果状态不是200，引发HTTPError异常
r.encoding = r.apparent_encoding    # 将编码格式转换为响应内容的编码格式
return r.text
ecxept:
return #产生异常

import requests
from requests.exceptions import  RequestException
def page_state(rep):
    url = "  "
    try:
      rep = requests.get(url)
      if rep.status_code == 200:  # 如果状态码正常，则返回url的内容
        return rep.text
      return None
    except:
      return None

解释

requests是python实现的简单易用的HTTP库，使用起来比urllib简洁很多
requests.get()用于请求目标网站，类型是一个HTTPresponse类型

基本操作

import requests

response = requests.get('http://www.baidu.com')
print(response.status_code)  # 打印状态码
print(response.url)          # 打印请求url
print(response.headers)      # 打印头信息
print(response.cookies)      # 打印cookie信息
print(response.text)  #以文本形式打印网页源码
print(response.content) #以字节流形式打印

GET请求相关内容

传入参数

第一种直接将参数放在url内

import requests
#url/get?参数&参数
response = requests.get(http://httpbin.org/get?name=gemey&age=22)
print(response.text)

第二种先将参数填写在dict中，发起请求时params参数指定为dict

import requests

data = {
    'name': 'Jedieal',
    'age': 18
}

response = requests.get('http://httpbin.org/get', params=data)
print(response.text)

案例百度搜索

1
2
3

import requests
kv = {'wd':'python'}
r = requests.get("http://www.baidu.com/s",params=kv)

请求添加头信息

import requests
heads = {}
heads['User-Agent'] = 'Mozilla/5.0 ' \
                          '(Macintosh; U; Intel Mac OS X 10_6_8; en-us) AppleWebKit/534.50 ' \
                          '(KHTML, like Gecko) Version/5.1 Safari/534.50'
 response = requests.get('http://www.baidu.com',headers=headers)

#####访问响应头字段

r.headers['Content-Type]

'application/json'

r.headers.get('content-type')

'application/json'

使用代理

同添加headers方法，代理参数也要是一个dict
: 这里使用requests库爬取了IP代理网站的IP与端口和类型
因为是免费的，使用的代理地址很快就失效了。

import requests
import re

def get_html(url):
    proxy = {
        'http': '120.25.253.234:812',
        'https': '163.125.222.244:8123'
    }
    heads = {}
    heads['User-Agent'] = 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/49.0.2623.221 Safari/537.36 SE 2.X MetaSr 1.0'
    req = requests.get(url, headers=heads,proxies=proxy)
    html = req.text
    return html

#利用正则匹配IP
def get_ipport(html):
    regex = r'<td data-title="IP">(.+)</td>'
    iplist = re.findall(regex, html)
    regex2 = '<td data-title="PORT">(.+)</td>'
    portlist = re.findall(regex2, html)
    regex3 = r'<td data-title="类型">(.+)</td>'
    typelist = re.findall(regex3, html)
    sumray = []
    for i in iplist:
        for p in portlist:
            for t in typelist:
                pass
            pass
        a = t+','+i + ':' + p
        sumray.append(a)
    print('高匿代理')
    print(sumray)


if __name__ == '__main__':
    url = 'http://www.kuaidaili.com/free/'
    get_ipport(get_html(url))

获取cookie

import requests

response = requests.get('http://www.baidu.com')
print(response.cookies)
print(type(response.cookies))
#字典形式，利用items()遍历
for k,v in response.cookies.items():
   print(k+':'+v)

解析json

import requests

response = requests.get('http://httpbin.org/get')
print(response.text)
#response.json()方法同json.loads(response.text)
print(response.json())
print(type(response.json()))

保存一个二进制文件

二进制内容为response.content

import requests

response = requests.get('http://img.ivsky.com/img/tupian/pre/201708/30/kekeersitao-002.jpg')
b = response.content
with open('F://fengjing.jpg','wb') as f:
    f.write(b)

超时异常捕获

import requests
from requests.exceptions import ReadTimeout

try:
    res = requests.get('http://httpbin.org', timeout=0.1)
    print(res.status_code)
except ReadTimeout:
    print('timeout')

异常处理

使用try…except来捕获异常

Exceptions:

import requests
from requests.exceptions import ReadTimeout,HTTPError,RequestException

try:
    response = requests.get('http://www.baidu.com',timeout=0.5)
    print(response.status_code)
except ReadTimeout:
    print('timeout')
except HTTPError:
    print('httperror')
except RequestException:
    print('reqerror')

POST 请求

通常，你想要发送一些编码为表单形式的数据——非常像一个 HTML 表单。要实现这个，只需简单地传递一个字典给 data 参数。你的数据字典在发出请求时会自动编码为表单形式：
1
2
3
4
payload = {'key1': 'value1', 'key2': 'value2'}

r = requests.post("http://httpbin.org/post", data=payload)
print(r.text)

可以为 data 参数传入一个元组列表。在表单中多个元素使用同一 key 的时候，这种方式尤其有效：
1
2
3
4
5
6
7
8
9
payload = (('key1', 'value1'), ('key1', 'value2'))
r = requests.post('http://httpbin.org/post', data=payload)
print(r.text)
>>>"form": {
    "key1": [
      "value1",
      "value2"
    ]
  }

很多时候你想要发送的数据并非编码为表单形式的。如果你传递一个 string 而不是一个dict，那么数据会被直接发布出去。
可以使用 json 参数直接传递，然后它就会被自动编码。这是 2.4.2 版的新加功能：
1
2
3
url = 'https://api.github.com/some/endpoint'
payload = {'some': 'data'}
r = requests.post(url, json=payload)