爬蟲入門系列（二）：優雅的HTTP庫requests
爬蟲入門系列目錄：
urllib、urllib2、urllib3、httplib、httplib2 都是和 HTTP 相關的 Python 模組，看名字就覺得很反人類，更糟糕的是這些模組在 Python2 與 Python3 中有很大的差異，如果業務程式碼要同時相容 2 和 3，寫起來會讓人崩潰。
好在，還有一個非常驚豔的 HTTP 庫叫 requests，它是 GitHUb 關注數最多的 Python 專案之一，requests 的作者是 Kenneth Reitz 大神。
requests 實現了 HTTP 協議中絕大部分功能，它提供的功能包括 Keep-Alive、連線池、Cookie持久化、內容自動解壓、HTTP代理、SSL認證、連線超時、Session等很多特性，最重要的是它同時相容 python2 和 python3。requests 的安裝可以直接使用 pip 方法：pip install requests
傳送請求
>>> import requests # GET 請求 >>> response = requests.get("https://foofish.net")
響應內容
請求返回的值是一個Response 物件，Response 物件是對 HTTP 協議中服務端返回給瀏覽器的響應資料的封裝，響應的中的主要元素包括：狀態碼、原因短語、響應首部、響應體等等，這些屬性都封裝在Response 物件中。
# 狀態碼 >>> response.status_code 200 # 原因短語 >>> response.reason'OK' # 響應首部 >>> for name,value in response.headers.items(): ... print("%s:%s" % (name, value)) ... Content-Encoding:gzip Server:nginx/1.10.2 Date:Thu, 06 Apr 2017 16:28:01 GMT # 響應內容 >>> response.content '<html><body>此處省略一萬字...</body></html>
requests 除了支援 GET 請求外，還支援 HTTP 規範中的其它所有方法，包括 POST、PUT、DELTET、HEADT、OPTIONS方法。
>>> r = requests.post('http://httpbin.org/post', data = {'key':'value'}) >>> r = requests.put('http://httpbin.org/put', data = {'key':'value'}) >>> r = requests.delete('http://httpbin.org/delete') >>> r = requests.head('http://httpbin.org/get') >>> r = requests.options('http://httpbin.org/get')
查詢引數
很多URL都帶有很長一串引數，我們稱這些引數為URL的查詢引數，用"?"附加在URL連結後面，多個引數之間用"&"隔開，比如：http://fav.foofish.net/?p=4&s=20 ，現在你可以用字典來構建查詢引數：
>>> args = {"p": 4, "s": 20} >>> response = requests.get("http://fav.foofish.net", params = args) >>> response.url 'http://fav.foofish.net/?p=4&s=2'
請求首部
requests 可以很簡單地指定請求首部欄位 Headers，比如有時要指定 User-Agent 偽裝成瀏覽器傳送請求，以此來矇騙伺服器。直接傳遞一個字典物件給引數 headers 即可。
>>> r = requests.get(url, headers={'user-agent': 'Mozilla/5.0'})
請求體
requests 可以非常靈活地構建 POST 請求需要的資料，如果伺服器要求傳送的資料是表單資料，則可以指定關鍵字引數 data，如果要求傳遞 json 格式字串引數，則可以使用json關鍵字引數，引數的值都可以字典的形式傳過去。
作為表單資料傳輸給伺服器
>>> payload = {'key1': 'value1', 'key2': 'value2'} >>> r = requests.post("http://httpbin.org/post", data=payload)
作為 json 格式的字串格式傳輸給伺服器
>>> import json >>> url = 'http://httpbin.org/post' >>> payload = {'some': 'data'} >>> r = requests.post(url, json=payload)
響應內容
HTTP返回的響應訊息中很重要的一部分內容是響應體，響應體在 requests 中處理非常靈活，與響應體相關的屬性有：content、text、json()。
content 是 byte 型別，適合直接將內容儲存到檔案系統或者傳輸到網路中
>>> r = requests.get("https://pic1.zhimg.com/v2-2e92ebadb4a967829dcd7d05908ccab0_b.jpg") >>> type(r.content) <class 'bytes'> # 另存為 test.jpg >>> with open("test.jpg", "wb") as f: ... f.write(r.content)
text 是 str 型別，比如一個普通的 HTML 頁面，需要對文字進一步分析時，使用 text。
>>> r = requests.get("https://foofish.net/understand-http.html") >>> type(r.text) <class 'str'> >>> re.compile('xxx').findall(r.text)
如果使用第三方開放平臺或者API介面爬取資料時，返回的內容是json格式的資料時，那麼可以直接使用json()方法返回一個經過json.loads()處理後的物件。
>>> r = requests.get('https://www.v2ex.com/api/topics/hot.json') >>> r.json() [{'id': 352833, 'title': '在長沙，父母同住...
代理設定
當爬蟲頻繁地對伺服器進行抓取內容時，很容易被伺服器遮蔽掉，因此要想繼續順利的進行爬取資料，使用代理是明智的選擇。如果你想爬取牆外的資料，同樣設定代理可以解決問題，requests 完美支援代理。這裡我用的是本地 ShadowSocks 的代理，（socks協議的代理要這樣安裝 pip install requests[socks]）
import requests proxies = { 'http': 'socks5://127.0.0.1:1080', 'https': 'socks5://127.0.0.1:1080', } requests.get('https://foofish.net', proxies=proxies, timeout=5)
超時設定
requests 傳送請求時，預設請求下執行緒一直阻塞，直到有響應返回才處理後面的邏輯。如果遇到伺服器沒有響應的情況時，問題就變得很嚴重了，它將導致整個應用程式一直處於阻塞狀態而沒法處理其他請求。
>>> import requests >>> r = requests.get("http://www.google.coma") ...一直阻塞中
正確的方式的是給每個請求顯示地指定一個超時時間。
>>> r = requests.get("http://www.google.coma", timeout=5) 5秒後報錯 Traceback (most recent call last): socket.timeout: timed out
Session
在爬蟲入門系列（一）：快速理解HTTP協議中介紹過HTTP協議是一中無狀態的協議，為了維持客戶端與伺服器之間的通訊狀態，使用 Cookie 技術使之保持雙方的通訊狀態。
有些網頁是需要登入才能進行爬蟲操作的，而登入的原理就是瀏覽器首次通過使用者名稱密碼登入之後，伺服器給客戶端傳送一個隨機的Cookie，下次瀏覽器請求其它頁面時，就把剛才的 cookie 隨著請求一起傳送給伺服器，這樣伺服器就知道該使用者已經是登入使用者。
import requests # 構建會話 session = requests.Session() # 登入url session.post(login_url, data={username, password}) # 登入後才能訪問的url r = session.get(home_url) session.close()
構建一個session會話之後，客戶端第一次發起請求登入賬戶，伺服器自動把cookie資訊儲存在session物件中，發起第二次請求時requests 自動把session中的cookie資訊傳送給伺服器，使之保持通訊狀態。
專案實戰
最後是一個實戰專案，如何用 requests 實現知乎自動登入並給使用者發私信，我會在下一篇文章中進行講解，關注公眾號 ‘Python之禪’。
延伸閱讀：
關注公眾號「Python之禪」（id：vttalk）獲取最新文章
