PythonSpider - Python爬虫--基础和requests模块

Python

一. Python 爬虫

代码部分访问GitHub

1. 爬虫概述

模拟浏览器，发送请求，获取响应

网络爬虫（又被称为网页蜘蛛，网络机器人）就是模拟客户端(主要指浏览器)发送网络请求，接收请求响应，一种按照一定的规则，自动地抓取互联网信息的程序。

原则上,只要是客户端(浏览器)能做的事情，爬虫都能够做
爬虫也只能获取客户端(浏览器)所展示出来的数据

2. 爬虫的作用

爬虫在互联网世界中有很多的作用

3. 爬虫的分类

3.1. 根据被爬取网站的数量不同，可以分为

通用爬虫，如搜索引擎
聚焦爬虫，如12306抢票，或专门抓取某一个（某一类）网站数据

3.2. 根据是否以获取数据为目的，可以分为

功能性爬虫，给你喜欢的明星投票、点赞
数据增量爬虫，比如招聘信息

3.3. 根据url地址和对应的页面内容是否改变，数据增量爬虫可以分为

基于url地址变化、内容也随之变化的数据增量爬虫
url地址不变、内容变化的数据增量爬虫

4. 爬虫的流程

获取一个url
向url发送请求，并获取响应（需要http协议）
如果从响应中提取url，则继续发送请求获取响应
如果从响应中提取数据，则将数据进行保存

二. 爬虫基础

1. HTTP协议

一提起http协议，大家都会想起它是一个应用层协议，那么http协议跟爬虫有什么关系呢？请看下图

1.1. http以及https的概念和区别

HTTPS比HTTP更安全，但是性能更低

HTTP：超文本传输协议，默认端口号是80
- 超文本：是指超过文本，不仅限于文本；还包括图片、音频、视频等文件
- 传输协议：是指使用共用约定的固定格式来传递转换成字符串的超文本内容
HTTPS：HTTP + SSL(安全套接字层)，即带有安全套接字层的超本文传输协，默认端口号：443
- SSL对传输的内容（超文本，也就是请求体或响应体）进行加密

可以打开浏览器访问一个url，右键检查，点击net work，点选一个url，查看http协议的形式

2. 爬虫特别关注的请求头和响应头

2.1. 特别关注的请求头字段

http请求的形式如上图所示，爬虫特别关注以下几个请求头字段

Content-Type
Host (主机和端口号)
Connection (链接类型)
Upgrade-Insecure-Requests (升级为HTTPS请求)
User-Agent (浏览器名称)
Referer (页面跳转处)
Cookie (Cookie)
Authorization(用于表示HTTP协议中需要认证资源的认证信息，如前边web课程中用于jwt认证)

加粗的请求头为常用请求头，在服务器被用来进行爬虫识别的频率最高，相较于其余的请求头更为重要，但是这里需要注意的是并不意味这其余的不重要，因为有的网站的运维或者开发人员可能剑走偏锋，会使用一些比较不常见的请求头来进行爬虫的甄别

2.2. 特别关注的响应头字段

http响应的形式如上图所示，爬虫只关注一个响应头字段

Set-Cookie （对方服务器设置cookie到用户浏览器的缓存）

3. 常见的响应状态码

200：成功
302：跳转，新的url在响应的Location头中给出
303：浏览器对于POST的响应进行重定向至新的url
307：浏览器对于GET的响应重定向至新的url
403：资源不可用；服务器理解客户的请求，但拒绝处理它（没有权限）
404：找不到该页面
500：服务器内部错误
503：服务器由于维护或者负载过重未能应答，在响应中可能可能会携带Retry-After响应头；有可能是因为爬虫频繁访问url，使服务器忽视爬虫的请求，最终返回503响应状态码

我们在学习web知识的时候就已经学过了状态码的相关知识，我们知道这是服务器给我的相关反馈，我们在学习的时候就被教育说应该将真实情况反馈给客户端，但是在爬虫中，可能该站点的开发人员或者运维人员为了阻止数据被爬虫轻易获取，可能在状态码上做手脚，也就是说返回的状态码并不一定就是真实情况，比如:服务器已经识别出你是爬虫，但是为了让你疏忽大意，所以照样返回状态码200，但是响应体重并没有数据

所有的状态码都不可信，一切以是否从抓包得到的响应中获取到数据为准

4. 浏览器的运行过程

在回顾完http协议后，我们来了解以下浏览器发送http请求的过程

4.1. http请求的过程

浏览器在拿到域名对应的ip后，先向地址栏中的url发起请求，并获取响应
在返回的响应内容（html）中，会带有css、js、图片等url地址，以及ajax代码，浏览器按照响应内容中的顺序依次发送其他的请求，并获取相应的响应
浏览器每获取一个响应就对展示出的结果进行添加（加载），js，css等内容会修改页面的内容，js也可以重新发送请求，获取响应
从获取第一个响应并在浏览器中展示，直到最终获取全部响应，并在展示的结果中添加内容或修改————这个过程叫做浏览器的渲染

注意:

在爬虫中，爬虫只会请求url地址，对应的拿到url地址对应的响应（该响应的内容可以是html，css，js，图片等)

浏览器渲染出来的页面和爬虫请求的页面很多时候并不一样，是因为爬虫不具备渲染的能力

浏览器最终展示的结果是由多个url地址分别发送的多次请求对应的多次响应共同渲染的结果
在爬虫中，需要以发送请求的一个url地址对应的响应为准来进行数据的提取

三. Request模块

1. requests模块介绍

requests文档https://requests.readthedocs.io/projects/cn/zh_CN/latest

1.1. requests模块的作用

发送http请求，获取响应数据

1.2. requests模块的使用

requests模块是一个第三方模块，需要在你的python(虚拟)环境中额外安装

 pip install requests

1.3. requests模块简单的get请求

需求：通过requests向百度首页发送请求，获取该页面的源码运行下面的代码，观察打印输出的结果

 # coding: utf8
 """
 @File: part_001.py
 @Author: Austin(From Chengdu.China)
 @HomePage: <https://github.com/AustinFairyland>
 @CreatedTime: 2022/10/17 2:25
 """
 
 import os, sys
 
 """初识requests模块和简单的response对象"""
 
 # 导入requests模块
 import requests
 
 # 目标url
 url = '<https://www.baidu.com>'
 # 向目标url发送get请求
 response = requests.get(url)
 # 打印响应内容
 print(response.text)

2. response响应对象

观察上边代码运行结果发现，有好多乱码；这是因为编解码使用的字符集不同早造成的；我们尝试使用下边的办法来解决中文乱码问题

  # coding: utf8
  """
  @File: part_001.py
  @Author: Austin(From Chengdu.China)
  @HomePage: <https://github.com/AustinFairyland>
  @CreatedTime: 2022/10/17 2:25
  """
  
  import os, sys
  
  """初识requests模块和简单的response对象"""
  
  # 导入requests模块
  import requests
  
  # 目标url
  url = '<https://www.baidu.com>'
  # 向目标url发送get请求
  response = requests.get(url)
  # 打印响应内容
  # print(response.text)
  print(response.content.decode())  # 注意这里

response.text是requests模块按照chardet模块推测出的编码字符集进行解码的结果
网络传输的字符串都是bytes类型的,所以response.text=response.content.decode('推测出的编码字符集')
我们可以在网页源码中搜索charset,尝试参考该编码字符集，注意存在不准确的情况

2.1. response.text和response.content的区别

response.text
- type: str
- decode: requests模块自动根据HTTP头部对响应的编码作出有根据的推测，推测的文本编码
response.content
- type: bytes
- decode: None

2.2. 通过对response.content使用decode()方法, 来解决中文乱码

  # coding: utf8
  """
  @File: part_001.py
  @Author: Austin(From Chengdu.China)
  @HomePage: <https://github.com/AustinFairyland>
  @CreatedTime: 2022/10/17 2:25
  """
  
  import os, sys
  
  """初识requests模块和简单的response对象"""
  
  import requests
  
  url = '<https://baidu.com>'
  response = requests.get(url=url)
  # print(response.text)
  # print(response.content.decode('utf-8'))
  print(response.content.decode())  # 默认是utf-8

常见的编码字符集
- utf-8
- gbk
- gb2312
- ascii
- iso-8859-1

2.3. response响应对象的其它常用属性或方法

response = requests.get(url) response是发送请求获取的响应对象

response.url 响应的url, 有时候响应的url和请求的url并不一致
response.status_code 响应状态码
response.request.headers 响应对应的请求头
response.headers 响应头
response.request._cookies 响应对应请求的cookie, 返回RequestsCookieJar对象类型
response.cookies 响应的cookie, 经过了set-cookie动作, 返回RequestsCookieJar对象类型
response.json 自动将json字符串类型的响应内容转换为python对象 -> dict or list

 # coding: utf8
 """
 @File: part_001.py
 @Author: Austin(From Chengdu.China)
 @HomePage: <https://github.com/AustinFairyland>
 @CreatedTime: 2022/10/17 2:25
 """
 
 import os, sys
 
 """初识requests模块和简单的response对象"""
 
 import requests
 
 url = '<https://baidu.com>'
 response = requests.get(url=url)
 # print(response.text)
 print(response.content.decode('utf-8'))
 # 响应的url
 print('响应的url', response.url)
 # 响应的状态码
 print('响应的状态码', response.status_code)
 # 响应对象的请求头
 print('响应对象的请求头', response.request.headers)
 # 响应头
 print('响应头', response.headers)
 # 请求携带的cookies(私有属性)
 print('请求携带的cookies', response.request._cookies)
 # 响应中携带的cookies
 print('响应中携带的cookies', response.cookies)

3. requests模块发送GET请求

3.1. 发送带header的请求

我们先写一个获取百度首页的代码

 # coding: utf8
 """
 @File: part_002.py
 @Author: Austin(From Chengdu.China)
 @HomePage: <https://github.com/AustinFairyland>
 @CreatedTime: 2022/10/17 15:26
 """
 
 import os, sys
 
 """requests发送请求"""
 
 import requests
 
 url = '<https://baidu.com>'
 response = requests.get(url=url)
 # print(response.content.decode())
 # 打印响应对应请求的请求头信息
 print(response.request.headers)

返回的请求头

3.1.1. 思考

对比浏览器上百度首页的网页源码和代码中的百度首页的源码, 有什么不同?
- 查看网页源码的方法:右键>查看网页源代码
代码中的百度首页的源码非常少,为什么?
- 需要我们带上请求头信息
  模拟浏览器,欺骗服务器,获取和浏览器一致的内容
- 请求头中有很多字段,其中User-Agent字段必不可少,表示客户端的操作系统以及浏览器的信息

3.1.2. 携带请求头发送请求的方法

requests.get(url=url, headers=headers)

headers参数接收字典形式的请求头
请求头字段名作为key,字段对应的值作为value

3.1.3. 完成代码实现

从浏览器中复制User-Agent,构造headers字典;完成下面的代码后,运行代码查看结果

 # coding: utf8
 """
 @File: part_002.py
 @Author: Austin(From Chengdu.China)
 @HomePage: <https://github.com/AustinFairyland>
 @CreatedTime: 2022/10/17 15:26
 """
 
 import os, sys
 
 """requests发送请求"""
 
 import requests
 
 url = '<https://baidu.com>'
 response = requests.get(url=url)
 # print(response.content.decode())
 # 打印响应对应请求的请求头信息
 print(response.request.headers)
 
 """发送带headers的请求"""
 
 # 定义请求头
 headers = {
     'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/109.0.0.0 Safari/537.36'
 }
 
 # 在请求头中带上User-Agent, 模拟浏览器发送请求
 response = requests.get(url=url, headers=headers)
 # 打印请求头
 print(response.request.headers)

3.2. requests模块发送带参数的请求

我们在使用百度搜索的时候经常发现url地址中会有一个?,那么该问号后边的就是请求参数,又叫做查询字符串

3.2.1. 在url携带参数

直接对含有参数的url发起请求

 # coding: utf8
 """
 @File: part_002.py
 @Author: Austin(From Chengdu.China)
 @HomePage: <https://github.com/AustinFairyland>
 @CreatedTime: 2022/10/17 15:26
 """
 
 import os, sys
 
 """requests发送请求"""
 
 import requests
 
 url = '<https://baidu.com>'
 response = requests.get(url=url)
 # print(response.content.decode())
 # 打印响应对应请求的请求头信息
 print(response.request.headers)
 print(f'没有自定义headers返回的响应头大小: {len(response.content.decode())}')
 
 """发送带headers的请求"""
 
 # 定义请求头
 headers = {
     'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/109.0.0.0 Safari/537.36'
 }
 
 # 在请求头中带上User-Agent, 模拟浏览器发送请求
 response = requests.get(url=url, headers=headers)
 # 打印请求头
 print(response.request.headers)
 print(f'自定义headers返回的响应头大小: {len(response.content.decode())}')
 
 """发送带参数的请求"""
 
 url = '<https://baidu.com/s?wd=python>'
 response = requests.get(url=url, headers=headers)

3.2.2. 通过params携带参数字典

构建请求参数字典
向接口发送请求的时候带上参数字典,参数字典设置给params

# coding: utf8
"""
@File: part_002.py
@Author: Austin(From Chengdu.China)
@HomePage: <https://github.com/AustinFairyland>
@CreatedTime: 2022/10/17 15:26
"""

import os, sys

"""requests发送请求"""

import requests

url = '<https://baidu.com>'
response = requests.get(url=url)
# print(response.content.decode())
# 打印响应对应请求的请求头信息
print(response.request.headers)
print(f'没有自定义headers返回的响应头大小: {len(response.content.decode())}')

"""发送带headers的请求"""

# 定义请求头
headers = {
    'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/109.0.0.0 Safari/537.36'
}

# 在请求头中带上User-Agent, 模拟浏览器发送请求
response = requests.get(url=url, headers=headers)
# 打印请求头
print(response.request.headers)
print(f'自定义headers返回的响应头大小: {len(response.content.decode())}')

"""发送带参数的请求"""

url = '<https://baidu.com/s>'
# url = '<https://baidu.com/s?wd=python>'
# response = requests.get(url=url, headers=headers)

# 请求参数是一个字典 即wd=python
params = {
    'wd': 'python'
}
# 带上请求参数发起请求,获取响应
response = requests.get(url=url, headers=headers, params=params)

3.3. 在headers参数中携带cookie

网站经常利用请求头中的Cookie字段来做用户访问状态的保持,那么我们可以在headers参数中添加Cookie,模拟普通用户的请求,我以github登陆为例

3.3.1. github登陆抓包分析

打开浏览器,右键>检查,点击Network,勾选Preserve log
访问github登陆的url地址https://github.com/login
输入账号密码点击登陆后,访问一个需要登陆后才能获取正确内容的url;访问https://github.com/{USERNAME}
确定url之后, 再确定发送该请求所需要的请求头信息中的User-Agent和Cookie

3.3.2. 代码完成

从浏览器中复制User-Agent和Cookie
浏览器中的请求头字段和值与headers参数中必须一致
headers请求参数字典中的Cookie键对应的值是字符串

# coding: utf8
"""
@File: part_003.py
@Author: Austin(From Chengdu.China)
@HomePage: <https://github.com/AustinFairyland>
@CreatedTime: 2022/10/17 16:10
"""

import os, sys

"""在headers参数中携带cookie"""

"""github示例"""

import requests

url = '<https://github.com/AustinFairyland>'
# url = '<https://github.com/{USERNAME}>'

# 构造请求头字典
headers = {
    # 从浏览器中复制过来的User-Agent
    'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/109.0.0.0 Safari/537.36',
    # 从浏览器中复制过来的Cookie
    'Cookie': 'cookie字符串'
}

# 请求头参数字典中携带cookie字符串
response = requests.get(url, headers=headers, proxies={'http': '<http://127.0.0.1:56789>'})
print(response.content.decode())

3.3.3. 运行代码验证结果

在打印的输出结果中搜索title,html中的标题文本内容如果是你的github账号,则成功利用headers参数携带cookie,获取登陆后才能访问的页面

3.4. cookies参数的使用

上一小节我们在headers参数中携带cookie,也可以使用专门的cookies参数

4.1. cookies参数的形式

dict cookies={'name'='value'}

该字典对应请求头中Cookie字符串,以分号,空格分割每一对字典键值对
等号左边的是一个cookie的name,对应cookies字典的key
等号右边对应cookies字典的value

4.2. cookies参数的使用方法

response = requests.get(url, cookies)

4.3. 将cookie字符串转换为cookies参数所需的字典

cookies_dict = {cookie.split('=')[0]:cookie.split('=')[1] for cookie in cookies_str.split('; ')}

注意: cookie一般是有过期时间的,一旦过期需要重新获取

# coding: utf8
"""
@File: part_003.py
@Author: Austin(From Chengdu.China)
@HomePage: <https://github.com/AustinFairyland>
@CreatedTime: 2022/10/17 16:10
"""

import os, sys

"""在headers参数中携带cookie"""

import requests

"""github示例"""

url = '<https://github.com/AustinFairyland>'
# url = '<https://github.com/{USERNAME}>'

# 构造请求头字典
headers = {
    # 从浏览器中复制过来的User-Agent
    'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/109.0.0.0 Safari/537.36',
    # 从浏览器中复制过来的Cookie
    # 'Cookie': 'cookie字符串'
}

# 请求头参数字典中携带cookie字符串
# response = requests.get(url, headers=headers, proxies={'http': '<http://127.0.0.1:56789>'})
# print(response.content.decode())

"""cookies参数的使用"""

# 构建cookie字典 -> 字典推导式
cookie_temp = 'cookie字符串(cookies values)'

# 普通方法
# cookie_temp_list = cookie_temp.split('; ')
# cookies = {}
# for cookie in cookie_temp_list:
#     cookies[cookie.split('=')[0]]=cookie.split('=')[1]
# 字典推导式
cookies = {cookie.split('=')[0]: cookie.split('=')[1] for cookie in cookie_temp.split('; ')}
response = requests.get(url=url, headers=headers, cookies=cookies, proxies={'http': '<http://127.0.0.1:56789>', 'https': '<http://127.0.0.1:56789>'})
with open(file='./github_with.html', mode='wb') as files:
    files.write(response.content)
files.close()

3.5. RequestCookieJar对象转换为cookies字典的方法

使用requests获取的resposne对象,具有cookies属性.该属性值是一个RequestCookieJar类型,包含了对方服务器设置在本地的cookie.我们如何将其转换为cookies字典呢?

5.1. 转换方法

cookies_dict = requests.utils.dict_from_cookiejar(response.cookies)

其中response.cookies返回的就是cookieJar类型的对象

requests.utils.dict_from_cookiejar 方法返回cookies字典

import requests
from requests import utils

"""RequestCookieJar对象转换为cookies字典的方法"""

url_baidu = '<https://baidu.com>'
response = requests.get(url=url)
print(requests.utils.dict_from_cookiejar(response.cookies))

3.6. 超时参数timeout的使用

在平时网上冲浪的过程中,我们经常会遇到网络波动,这个时候,一个请求等了很久可能任然没有结果.
在爬虫中,一个请求很久没有结果,就会让整个项目的效率变得非常低,这个时候我们就需要对请求进行强制要求,让他必须在特定的时间内返回结果,否则就报错.

6.1. 超时参数timeout的使用方法

response = requests.get(url, timeout=3)

timeout=3表示:发送请求后,3秒钟内返回响应,否则就抛出异常

# coding: utf8
"""
@File: part_004.py
@Author: Austin(From Chengdu.China)
@HomePage: <https://github.com/AustinFairyland>
@CreatedTime: 2022/10/18 2:47
"""

import os, sys

"""超时timeout参数和proxies的使用"""

import requests

url = '<https://twitter.com>'

try:
    response = requests.get(url=url, timeout=3)
    print('第一次请求', response.status_code)
except Exception as error:
    print('第一次请求', error)
finally:
    proxy = {
        'http': '<http://127.0.0.1:56789>',
        'https': '<http://127.0.0.1:56789>',
    }
    try:
        response = requests.get(url=url, timeout=3, proxies=proxy)
        print('第二次请求', response.status_code)
    except Exception as error:
        print('第二次请求', error)

3.7. 了解代理以及proxy代理参数的使用

proxy代理参数通过指定代理ip,让代理ip对应的正向代理服务器转发我们发送的请求,那么我们首先来了解一下代理ip以及代理服务器

7.1. 理解使用代理的过程

代理ip是一个ip,指向的是一个代理服务器
代理服务器能够帮我们向目标服务器转发请求

7.2. 正向代理和反向代理的区别

前边提到proxy参数指定的代理ip指向的是正向的代理服务器,那么相应的就有反向服务器;现在来了解一下正向代理服务器和反向代理服务器的区别

从发送请求的一方的角度,来区分正向或反向代理
为浏览器或客户端(发送请求的一方)转发请求的,叫做正向代理
- 浏览器知道最终处理请求的服务器的真实ip地址,例如VPN
不为浏览器或客户端(发送请求的一方)转发请求,而是为最终处理请求的服务器转发请求的,叫做反向代理
- 浏览器不知道服务器的真实地址,例如nginx

7.3. 代理ip(代理服务器)的分类

根据代理ip的匿名程度,代理IP可以分为下面三类
1. 透明代理(Transparent Proxy):透明代理虽然可以直接“隐藏”你的IP地址,但是还是可以查到你是谁.目标服务器接收到的请求头如下
```
REMOTE_ADDR = Proxy IP
HTTP_VIA = Proxy IP
HTTP_X_FORWARDED_FOR = Your IP
```
2. 匿名代理(Anonymous Proxy):使用匿名代理,别人只能知道你用了代理,无法知道你是谁.目标服务器接收到的请求头如下
```
REMOTE_ADDR = proxy IP
HTTP_VIA = proxy IP
HTTP_X_FORWARDED_FOR = proxy IP
```
3. 高匿代理(Elite proxy或High Anonymity Proxy):高匿代理让别人根本无法发现你是在用代理,所以是最好的选择.毫无疑问使用高匿代理效果最好.目标服务器接收到的请求头如下
```
REMOTE_ADDR = Proxy IP
HTTP_VIA = not determined
HTTP_X_FORWARDED_FOR = not determined
```
根据网站所使用的协议不同,需要使用相应协议的代理服务.从代理服务请求使用的协议可以分为
- http代理:目标url为http协议
- https代理:目标url为https协议
- socks隧道代理(例如socks5代理)等
  - socks代理只是简单地传递数据包,不关心是何种应用协议(FTP,HTTP和HTTPS等).
  - socks代理比http,https代理耗时少.
  - socks代理可以转发http和https的请求

7.4. proxies代理参数的使用

为了让服务器以为不是同一个客户端在请求;为了防止频繁向一个域名发送请求被封ip,所以我们需要使用代理ip

proxies代理参数的用法

response = requests.get(url, proxies=proxies)

proxies的形式:字典

e.g.

proxies = {
    "http": "<http://127.0.0.1:56789>",
    "https": "<http://127.0.0.1:56789>",
}

注意:如果proxies字典中包含有多个键值对,发送请求时将按照url地址的协议来选择使用相应的代理ip

# coding: utf8
"""
@File: part_004.py
@Author: Austin(From Chengdu.China)
@HomePage: <https://github.com/AustinFairyland>
@CreatedTime: 2022/10/18 2:47
"""

import os, sys

"""超时timeout参数和proxies的使用"""

import requests

url = '<https://twitter.com>'

try:
    response = requests.get(url=url, timeout=3)
    print('第一次请求', response.status_code)
except Exception as error:
    print('第一次请求', error)
finally:
    proxy = {
        'http': '<http://127.0.0.1:56789>',
        'https': '<http://127.0.0.1:56789>',
    }
    try:
        response = requests.get(url=url, timeout=3, proxies=proxy)
        print('第二次请求', response.status_code)
    except Exception as error:
        print('第二次请求', error)

3.8. 使用verify参数忽略CA证书

在使用浏览器上网的时候,有时能够看到下面的提示(2018年10月之前的12306网站)

原因:该网站的CA证书没有经过【受信任的根证书颁发机构】的认证

8.1. 向不安全的链接发起请求

如果代码抛出包含ssl.CertificateError...字样的异常

8.2. 解决方案

为了在代码中能够正常的请求,我们使用verify=False参数,此时requests模块发送请求将不做CA证书的验证:verify参数能够忽略CA证书的认证

import requests
url = "url"
response = requests.get(url,verify=False)

4. requests模块发送POST请求

思考:

哪些地方我们会用到POST请求?
登录注册( 在web工程师看来POST 比 GET 更安全,url地址中不会暴露用户的账号密码等信息)
需要传输大文本内容的时候( POST 请求对数据长度没有要求)
同样的,爬虫也需要在这两个地方回去模拟浏览器发送post请求

4.1. requests发送POST请求的方法

response = requests.post(url, data)

data参数接收一个字典

requests模块发送post请求函数的其它参数和发送get请求的参数完全一致

4.2. POST请求练习

我们通过百度翻译的例子看看post请求如何使用：

地址: https://fanyi.baidu.com/

思路分析

(1). 抓包确定请求的url地址

(2). 确定请求的参数

(3). 确定返回数据的位置

(4). 模拟浏览器获取数据

代码实现

# coding: utf8
"""
@File: part_005.py
@Author: Austin(From Chengdu.China)
@HomePage: <https://github.com/AustinFairyland>
@CreatedTime: 2022/10/18 14:08
"""
import json
import os, sys

import requests
import time

"""POST请求百度翻译"""

class Baidu(object):
    """百度翻译"""

    def __init__(self, kword: str):
        self.kword = kword
        self.url = '<https://fanyi.baidu.com/v2transapi?from=zh&to=en>'
        self.headers = {
            'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/109.0.0.0 Safari/537.36',
            'Accept-Encoding': 'gzip, deflate',
            'Accept': '*/*',
            'Connection': 'keep-alive',
            'Cookie': 'BIDUPSID=E93ED0C7F32AF1EC82E2162EB9A8A484; PSTM=1665947571; BAIDUID=E93ED0C7F32AF1EC3957D4B927CFF46A:FG=1; BDORZ=B490B5EBF6F3CD402E515D22BCDA1598; BAIDUID_BFESS=E93ED0C7F32AF1EC3957D4B927CFF46A:FG=1; BA_HECTOR=212g0k20a50k8h0l810k63ct1hkr2so1b; ZFY=svKmEb:BlY8:B18U0E2nf9ELBy0WnWLV89X0rAEKvMFO4:C; APPGUIDE_10_0_2=1; REALTIME_TRANS_SWITCH=1; FANYI_WORD_SWITCH=1; HISTORY_SWITCH=1; SOUND_SPD_SWITCH=1; SOUND_PREFER_SWITCH=1; ab_sr=1.0.1_ZmNjNmUxNzljZmUyMWYzZTY3YTgwYzNjZGI4MDYwOTQwNzJmYTdhZTFjNWExN2ZjNzI1ODhmNWVjMmQ5NjBkZjZkY2EwOTkwNWJhOWExNzI2MGE4YWI4MmI0ODllMTQyMTU2MDExNTM4MDhhZjlkZWIyOWM2ZmRjNGY1NzRjMjM3MTU5ODU1YzZjZmJkOGU5YWI2NTc4NzBmMDQxMzRiNw==',
            'Host': 'fanyi.baidu.com',
            'Origin': '<https://fanyi.baidu.com>',
            'Referer': '<https://fanyi.baidu.com/>',
            'Acs-Token': '1665990292453_1666076505721_SdxK64OeDt7XdvwgQHb8tl2Lgj5Rdd+OTX0k8lMmmo1GltC4tRA43Co/N5kkWIwcoRFAvIUYxu5gwbc5+0cnt6Tw4tFHkOSNOmaEDuuLLQC2JInbNzEnT7izSYCfLmZAFETPkDUedn/F1QrFGaYc9ixWyemyQJadHAFDaZX8OeuDw3HncZGEisrW/yKtZICi5BGBo0mJeTbDsUPLO0gnAzJMrC+LW2n1XAZYvlte558+DyWzgS6ZHhoYJAIhR3tquKu8IqyLQwxdeVAU5+Iq8I17RiBpWqRGtSppOUB9QgRWB6oUsoD0oUQFTEzDanqZSus7E3n1G5ahATeq7fJf2A==',
            'sec-ch-ua': '"Not_A Brand";v="99", "Google Chrome";v="109", "Chromium";v="109"'
        }
        self.data = {
            # 'query': self.kword
            'from': 'zh',
            'to': 'en',
            'query': self.kword,
            'transtype': 'translang',
            'simple_means_flag': 3,
            'sign': '275626.55195',
            'token': '92ac48f1353cd107310d87c02884e435',
            'domain': 'common'
        }

    def get_method(self):
        pass

    def post_method(self):
        resonse = requests.post(
            url=self.url,
            headers=self.headers,
            data=self.data
        )
        response_dict = json.loads(resonse.content)
        print(response_dict['trans_result']['data'][0]['dst'])

if __name__ == '__main__':
    Baidu('学习').post_method()

5. 利用requests.session进行状态保持

requests模块中的Session类能够自动处理发送请求获取响应过程中产生的cookie,进而达到状态保持的目的。

5.1. requests.session的作用以及应用场景

requests.session的作用
自动处理cookie,即下一次请求会带上前一次的cookie
requests.session的应用场景
自动处理连续的多次请求过程中产生的cookie

5.2. requests.session使用方法

session实例在请求了一个网站后,对方服务器设置在本地的cookie会保存在session中,下一次再使用session请求对方服务器的时候,会带上前一次的cookie

session对象发送get或post请求的参数,与requests模块发送请求的参数完全一致

6. 案例: 模拟GitHub登录

参考代码:

# coding: utf8
""" 
@File: part_006.py
@Author: Austin(From Chengdu.China)
@HomePage: https://github.com/AustinFairyland
@CreatedTime: 2022/10/19 22:44
"""

import os, sys

"""模拟github登录返回个人主页"""

import requests
import re

def get_github_profile() -> None:
    """
    请求github
    :return: 
    """
    # 请求头
    headers = {
        'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/109.0.0.0 Safari/537.36',
    }
    # 实例化session
    session = requests.session()
    # 代理
    proxy = {
        'http': 'http://127.0.0.1:56789',
        'https': 'http://127.0.0.1:56789'
    }
    # 访问登陆页获取登陆请求所需参数
    response = session.get('https://github.com/login', headers=headers, proxies=proxy)
    authenticity_token = re.search('name="authenticity_token" value="(.*?)" />', response.text).group(1)  # 使用正则获取登陆请求所需参数

    # 构造登陆请求参数字典
    data = {
        'commit': 'Sign in',  # 固定值
        'utf8': '✓',  # 固定值
        'authenticity_token': authenticity_token,  # 该参数在登陆页的响应内容中
        'login': input('输入github用户名：'),
        'password': input('输入github账号：')
    }

    # 发送登陆请求（无需关注本次请求的响应）
    session.post('https://github.com/session', headers=headers, data=data, proxies=proxy)

    # 打印需要登陆后才能访问的页面
    response = session.get(f'https://github.com/{data.get("login")}', headers=headers, proxies=proxy)
    print(response.text)
    
if __name__ == '__main__':
    get_github_profile()

如果觉得文章对你有用，请随意赞赏

Python Spider