Python爬蟲之requests庫的使用

requests庫

雖然Python的標准庫中 urllib模塊已經包含了平常我們使用的大多數功能，但是它的 API 使用起來讓人感覺不太好，而 Requests宣傳是 “HTTP for Humans”，說明使用更簡潔方便。

安裝和文檔地址：

利用pip可以非常方便的安裝：

pip install requests

中文文檔：http://docs.python-requests.org/zh_CN/latest/index.html
github地址：https://github.com/requests/requests

發送GET請求：

1. 最簡單的發送get請求就是通過requests.get來調用：

   response = requests.get("http://www.baidu.com/") 

2. 添加headers和查詢參數：
   如果想添加 headers，可以傳入headers參數來增加請求頭中的headers信息。如果要將參數放在url中傳遞，可以利用 params 參數。相關示例代碼如下：

    import requests kw = {'wd':'中國'} headers = {"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/54.0.2840.99 Safari/537.36"} # params 接收一個字典或者字符串的查詢參數，字典類型自動轉換為url編碼，不需要urlencode() response = requests.get("http://www.baidu.com/s", params = kw, headers = headers) # 查看響應內容，response.text 返回的是Unicode格式的數據 print(response.text) # 查看響應內容，response.content返回的字節流數據 print(response.content) # 查看完整url地址 print(response.url) # 查看響應頭部字符編碼 print(response.encoding) # 查看響應碼 print(response.status_code) 

發送POST請求：

1. 最基本的POST請求可以使用post方法：

   response = requests.post("http://www.baidu.com/",data=data) 

2. 傳入data數據：
   這時候就不要再使用urlencode進行編碼了，直接傳入一個字典進去就可以了。比如請求拉勾網的數據的代碼：

    import requests url = "https://www.lagou.com/jobs/positionAjax.json?city=%E6%B7%B1%E5%9C%B3&needAddtionalResult=false&isSchoolJob=0" headers = { 'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/62.0.3202.94 Safari/537.36', 'Referer': 'https://www.lagou.com/jobs/list_python?labelWords=&fromSearch=true&suginput=' } data = { 'first': 'true', 'pn': 1, 'kd': 'python' } resp = requests.post(url,headers=headers,data=data) # 如果是json數據，直接可以調用json方法 print(resp.json()) 

使用代理：

使用requests添加代理也非常簡單，只要在請求的方法中（比如get或者post）傳遞proxies參數就可以了。示例代碼如下：

import requests url = "http://httpbin.org/get" headers = { 'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/62.0.3202.94 Safari/537.36', } proxy = { 'http': '171.14.209.180:27829' } resp = requests.get(url,headers=headers,proxies=proxy) with open('xx.html','w',encoding='utf-8') as fp: fp.write(resp.text) 

cookie：

如果在一個響應中包含了cookie，那么可以利用cookies屬性拿到這個返回的cookie值：

import requests url = "http://www.renren.com/PLogin.do" data = {"email":"[e-mail]",'password':"pythonspider"} resp = requests.get('http://www.baidu.com/') print(resp.cookies) print(resp.cookies.get_dict()) 

session：

之前使用urllib庫，是可以使用opener發送多個請求，多個請求之間是可以共享cookie的。那么如果使用requests，也要達到共享cookie的目的，那么可以使用requests庫給我們提供的session對象。注意，這里的session不是web開發中的那個session，這個地方只是一個會話的對象而已。還是以登錄人人網為例，使用requests來實現。示例代碼如下：

import requests url = "http://www.renren.com/PLogin.do" data = {"email":"[e-mail]",'password':"pythonspider"} headers = { 'User-Agent': "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/62.0.3202.94 Safari/537.36" } # 登錄 session = requests.session() session.post(url,data=data,headers=headers) # 訪問大鵬個人中心 resp = session.get('http://www.renren.com/880151247/profile') print(resp.text) 

處理不信任的SSL證書：

對於那些已經被信任的SSL整數的網站，比如https://www.baidu.com/，那么使用requests直接就可以正常的返回響應。示例代碼如下：

resp = requests.get('http://www.12306.cn/mormhweb/',verify=False) print(resp.content.decode('utf-8'))

編寫Scrapy-Redis分布式爬蟲：

要將一個Scrapy項目變成一個Scrapy-redis項目只需修改以下三點就可以了：

1. 將爬蟲的類從scrapy.Spider變成scrapy_redis.spiders.RedisSpider；或者是從scrapy.CrawlSpider變成scrapy_redis.spiders.RedisCrawlSpider。
2. 將爬蟲中的start_urls刪掉。增加一個redis_key="xxx"。這個redis_key是為了以后在redis中控制爬蟲啟動的。爬蟲的第一個url，就是在redis中通過這個發送出去的。
3. 在配置文件中增加如下配置：

    # Scrapy-Redis相關配置 # 確保request存儲到redis中 SCHEDULER = "scrapy_redis.scheduler.Scheduler" # 確保所有爬蟲共享相同的去重指紋 DUPEFILTER_CLASS = "scrapy_redis.dupefilter.RFPDupeFilter" # 設置redis為item pipeline ITEM_PIPELINES = { 'scrapy_redis.pipelines.RedisPipeline': 300 } # 在redis中保持scrapy-redis用到的隊列，不會清理redis中的隊列，從而可以實現暫停和恢復的功能。 SCHEDULER_PERSIST = True # 設置連接redis信息 REDIS_HOST = '127.0.0.1' REDIS_PORT = 6379 

1. 運行爬蟲：
   1. 在爬蟲服務器上。進入爬蟲文件所在的路徑，然后輸入命令：scrapy runspider [爬蟲名字]。
   2. 在Redis服務器上，推入一個開始的url鏈接：redis-cli> lpush [redis_key] start_url開始爬取。