requests
爬取网页的通用代码框架
1 | def getHTMLText(url): |
1 | import requests |
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
1 | import requests |
GET请求相关内容
传入参数
第一种直接将参数放在url内
1
2
3
4import 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
1
2
3
4
5
6
7
8
9import 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
3import requests
kv = {'wd':'python'}
r = requests.get("http://www.baidu.com/s",params=kv)
请求添加头信息
1 | import requests |
#####访问响应头字段1
2
3
4
5
6
7r.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。1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37import 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
1 | import requests |
解析json
1 | import requests |
保存一个二进制文件
二进制内容为response.content
1
2
3
4
5
6 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
1 | import requests |
异常处理
使用try…except来捕获异常
Exceptions:1
2
3
4
5
6
7
8
9
10
11
12import 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)