requests是python的一个HTTP客户端库,跟urllib,urllib2类似,那为什么要用requests而不用urllib2呢?官方文档中是这样说明的:
python的标准库urllib2提供了大部分需要的HTTP功能,但是API太逆天了,一个简单的功能就需要一大堆代码。
我也看了下requests的文档,确实很简单,适合我这种懒人。下面就是一些简单指南。
插播个好消息!刚看到requests有了中文翻译版,建议英文不好的看看,内容也比我的博客好多了,具体链接是:http://cn.python-requests.org/en/latest/(不过是v1.1.0版,另抱歉,之前贴错链接了)。
1. 安装
安装很简单,我是win系统,就在这里下载了安装包(网页中download the zipball处链接),然后$ python setup.py install就装好了。
当然,有easy_install或pip的朋友可以直接使用:easy_install requests或者pip install requests来安装。
至于linux用户,这个页面还有其他安装方法。
测试:在IDLE中输入import requests,如果没提示错误,那说明已经安装成功了!
2. 小试牛刀
1
2
3
4
5
6
7
8
9
10
11
|
>>> import requests >>> r = requests.get( 'http://www.zhidaow.com' ) # 发送请求 >>> r.status_code # 返回码 200 >>> r.headers[ 'content-type' ] # 返回头部信息 'text/html; charset=utf8' >>> r.encoding # 编码信息 'utf-8' >>> r.text #内容部分(PS,由于编码问题,建议这里使用r.content) u '<!DOCTYPE html>\n<html xmlns="http://www.w3.org/1999/xhtml"...' ... |
是不是很简单?比urllib2和urllib简单直观的多?!那请接着看快速指南吧。
3. 快速指南
3.1 发送请求
发送请求很简单的,首先要导入requests模块:
1
|
>>> import requests |
接下来让我们获取一个网页,例如我个人博客的首页:
1
|
>>>r = requests.get( 'http://www.zhidaow.com' ) |
接下来,我们就可以使用这个r的各种方法和函数了。
另外,HTTP请求还有很多类型,比如POST,PUT,DELETE,HEAD,OPTIONS。也都可以用同样的方式实现:
1
2
3
4
5
|
>>> r = requests.post( "http://httpbin.org/post" ) >>> r = requests.put( "http://httpbin.org/put" ) >>> r = requests.delete( "http://httpbin.org/delete" ) >>> r = requests.head( "http://httpbin.org/get" ) >>> r = requests.options(<a href = "http://httpbin.org/get" >http: / / httpbin.org / get< / a>) |
因为目前我还没用到这些,所以没有深入研究。
3.2 在URLs中传递参数
有时候我们需要在URL中传递参数,比如在采集百度搜索结果时,我们wd参数(搜索词)和rn参数(搜素结果数量),你可以手工组成URL,requests也提供了一种看起来很NB的方法:
1
2
3
4
|
>>> payload = { 'wd' : '张亚楠' , 'rn' : '100' } >>> r = requests.get( "http://www.baidu.com/s" , params = payload) >>> print r.url u 'http://www.baidu.com/s?rn=100&wd=%E5%BC%A0%E4%BA%9A%E6%A5%A0' |
上面wd=的乱码就是“张亚楠”的转码形式。(好像参数按照首字母进行了排序。)
3.3 获取响应内容
可以通过r.text来获取网页的内容。
1
2
3
|
>>> r = requests.get( 'https://www.zhidaow.com' ) >>> r.text u '<!DOCTYPE html>\n<html xmlns="http://www.w3.org/1999/xhtml"...' |
文档里说,requests会自动将内容转码。大多数unicode字体都会无缝转码。但我在cygwin下使用时老是出现UnicodeEncodeError错误,郁闷。倒是在python的IDLE中完全正常。
另外,还可以通过r.content来获取页面内容。
1
2
3
|
>>> r = requests.get( 'https://www.zhidaow.com' ) >>> r.content b '<!DOCTYPE html>\n<html xmlns="http://www.w3.org/1999/xhtml"...' |
文档中说r.content是以字节的方式去显示,所以在IDLE中以b开头。但我在cygwin中用起来并没有,下载网页正好。所以就替代了urllib2的urllib2.urlopen(url).read()功能。(基本上是我用的最多的一个功能。)
3.4 获取网页编码
可以使用r.encoding来获取网页编码。
1
2
3
|
>>> r = requests.get( 'http://www.zhidaow.com' ) >>> r.encoding 'utf-8' |
当你发送请求时,requests会根据HTTP头部来猜测网页编码,当你使用r.text时,requests就会使用这个编码。当然你还可以修改requests的编码形式。
1
2
3
4
|
>> r = requests.get( 'http://www.zhidaow.com' ) >>> r.encoding 'utf-8' >>>r.encoding = 'ISO-8859-1' |
像上面的例子,对encoding修改后就直接会用修改后的编码去获取网页内容。
3.5 json
像urllib和urllib2,如果用到json,就要引入新模块,如json和simplejson,但在requests中已经有了内置的函数,r.json()。就拿查询IP的API来说:
1
2
3
|
>>>r = requests.get( 'http://ip.taobao.com/service/getIpInfo.php?ip=122.88.60.28' ) >>>r.json()[ 'data' ][ 'country' ] '中国' |
3.6 网页状态码
我们可以用r.status_code来检查网页的状态码。
1
2
3
4
5
6
7
8
9
10
11
|
>>>r = requests.get( 'http://www.mengtiankong.com' ) >>>r.status_code 200 >>>r = requests.get( 'http://www.mengtiankong.com/123123/' ) >>>r.status_code 404 >>>r = requests.get( 'http://www.baidu.com/link?url=QeTRFOS7TuUQRppa0wlTJJr6FfIYI1DJprJukx4Qy0XnsDO_s9baoO8u1wvjxgqN' ) >>>r.url u'http: / / www.zhidaow.com / >>>r.status_code 200 |
前两个例子很正常,能正常打开的返回200,不能正常打开的返回404。但第三个就有点奇怪了,那个是百度搜索结果中的302跳转地址,但状态码显示是200,接下来我用了一招让他原形毕露:
1
2
|
>>>r.history (<Response [ 302 ]>,) |
这里能看出他是使用了302跳转。也许有人认为这样可以通过判断和正则来获取跳转的状态码了,其实还有个更简单的方法:
1
2
3
|
>>>r = requests.get( 'http://www.baidu.com/link?url=QeTRFOS7TuUQRppa0wlTJJr6FfIYI1DJprJukx4Qy0XnsDO_s9baoO8u1wvjxgqN' , allow_redirects = False ) >>>r.status_code 302 |
只要加上一个参数allow_redirects,禁止了跳转,就直接出现跳转的状态码了,好用吧?我也利用这个在最后一掌做了个简单的获取网页状态码的小应用,原理就是这个。
3.7 响应头内容
可以通过r.headers来获取响应头内容。
1
2
3
4
5
6
7
8
|
>>>r = requests.get( 'http://www.zhidaow.com' ) >>> r.headers { 'content-encoding' : 'gzip' , 'transfer-encoding' : 'chunked' , 'content-type' : 'text/html; charset=utf-8' ; ... } |
可以看到是以字典的形式返回了全部内容,我们也可以访问部分内容。
1
2
3
4
|
>>> r.headers[ 'Content-Type' ] 'text/html; charset=utf-8' >>> r.headers.get( 'content-type' ) 'text/html; charset=utf-8' |
3.8 设置超时时间
我们可以通过timeout属性设置超时时间,一旦超过这个时间还没获得响应内容,就会提示错误。
1
2
3
4
|
>>> requests.get( 'http://github.com' , timeout = 0.001 ) Traceback (most recent call last): File "<stdin>" , line 1 , in <module> requests.exceptions.Timeout: HTTPConnectionPool(host = 'github.com' , port = 80 ): Request timed out. (timeout = 0.001 ) |
3.9 代理访问
采集时为避免被封IP,经常会使用代理。requests也有相应的proxies属性。
1
2
3
4
5
6
|
import requests proxies = { "http" : "http://10.10.1.10:3128" , "https" : "http://10.10.1.10:1080" , } requests.get( "http://www.zhidaow.com" , proxies = proxies) |
如果代理需要账户和密码,则需这样:
1
2
3
|
proxies = { "http" : "http://user:pass@10.10.1.10:3128/" , } |
3.10 请求头内容
请求头内容可以用r.request.headers来获取。
1
2
3
|
>>> r.request.headers { 'Accept-Encoding' : 'identity, deflate, compress, gzip' , 'Accept' : '*/*' , 'User-Agent' : 'python-requests/1.2.3 CPython/2.7.3 Windows/XP' } |
3.11 自定义请求头部
伪装请求头部是采集时经常用的,我们可以用这个方法来隐藏:
1
2
3
4
5
6
7
|
r = requests.get( 'http://www.zhidaow.com' ) print r.request.headers[ 'User-Agent' ] #python-requests/1.2.3 CPython/2.7.3 Windows/XP headers = { 'User-Agent' : 'alexkh' } r = requests.get( 'http://www.zhidaow.com' , headers = headers) print r.request.headers[ 'User-Agent' ] #alexkh |
3.12 持久连接keep-alive
requests的keep-alive是基于urllib3,同一会话内的持久连接完全是自动的。同一会话内的所有请求都会自动使用恰当的连接。
也就是说,你无需任何设置,requests会自动实现keep-alive。
4. 简单应用
4.1 获取网页返回码
1
2
3
4
5
6
7
8
9
10
11
12
13
|
def get_status(url): r = requests.get(url, allow_redirects = False ) return r.status_code print get_status( 'http://www.zhidaow.com' ) #200 print get_status( 'http://www.zhidaow.com/hi404/' ) #404 print get_status( 'http://mengtiankong.com' ) #301 print get_status( 'http://www.baidu.com/link?url=QeTRFOS7TuUQRppa0wlTJJr6FfIYI1DJprJukx4Qy0XnsDO_s9baoO8u1wvjxgqN' ) #302 print get_status( 'http://www.huiya56.com/com8.intre.asp?46981.html' ) #500 |
以上是针对Python Requests的安装与简单运用的介绍,希望对大家有所帮助!