Python3網絡爬蟲實戰(zhàn)-25、requests：高級用法

在前面一節(jié)我們了解了 Requests 的基本用法，如基本的 GET、POST 請求以及 Response 對象的用法，本節(jié)我們再來了解下 Requests 的一些高級用法，如文件上傳，代理設置，Cookies 設置等等。

1. 文件上傳

我們知道 Reqeuests 可以模擬提交一些數據，假如有的網站需要我們上傳文件，我們同樣可以利用它來上傳，實現非常簡單，實例如下：

import requests

files = {'file': open('favicon.ico', 'rb')}
r = requests.post('http://httpbin.org/post', files=files)
print(r.text)

在上面一節(jié)中我們下載保存了一個文件叫做 favicon.ico，這次我們用它為例來模擬文件上傳的過程。需要注意的是，favicon.ico 這個文件需要和當前腳本在同一目錄下。如果有其它文件，當然也可以使用其它文件來上傳，更改下名稱即可。
運行結果如下：

{
? "args": {}, 
? "data": "", 
? "files": {
??? "file": "data:application/octet-stream;base64,AAAAAA...="
? }, 
? "form": {}, 
? "headers": {
??? "Accept": "*/*", 
??? "Accept-Encoding": "gzip, deflate", 
??? "Content-Length": "6665", 
??? "Content-Type": "multipart/form-data; boundary=809f80b1a2974132b133ade1a8e8e058", 
??? "Host": "httpbin.org", 
??? "User-Agent": "python-requests/2.10.0"
? }, 
? "json": null, 
? "origin": "60.207.237.16", 
? "url": "http://httpbin.org/post"
}
Python資源分享qun 784758214 ,內有安裝包，PDF，學習視頻，這里是Python學習者的聚集地，零基礎，進階，都歡迎

以上部分內容省略，這個網站會返回一個 Response，里面包含 files 這個字段，而 form 是空的，這證明文件上傳部分會單獨有一個 files 字段來標識。

2. Cookies

在前面我們使用了 Urllib 處理過 Cookies，寫法比較復雜，而有了 Requests，獲取和設置 Cookies 只需要一步即可完成。
我們先用一個實例感受一下獲取 Cookies 的過程：

import requests

r = requests.get('https://www.baidu.com')
print(r.cookies)
for key, value in r.cookies.items():
??? print(key + '=' + value)

運行結果如下：
‘’‘
<RequestsCookieJar[<Cookie BDORZ=27315 for .baidu.com/>]>
BDORZ=27315
’‘’
首先我們調用了 cookies 屬性即可成功得到了 Cookies，可以發(fā)現它是一個 RequestCookieJar 類型，然后我們用 items() 方法將其轉化為元組組成的列表，遍歷輸出每一個 Cookie 的名和值，實現 Cookies 的遍歷解析。
當然，我們也可以直接用 Cookies 來維持登錄狀態(tài)。
比如我們以知乎為例，直接利用 Cookies 來維持登錄狀態(tài)。
首先登錄知乎，將 Headers 中的 Cookies 復制下來，如圖 3-6 所示：

圖 3-6 Cookies
這里可以替換成你自己的 Cookies，將其設置到 Headers 里面，發(fā)送 Request，示例如下：

import requests

headers = {
??? 'Cookie': 'q_c1=31653b264a074fc9a57816d1ea93ed8b|1474273938000|1474273938000; d_c0="AGDAs254kAqPTr6NW1U3XTLFzKhMPQ6H_nc=|1474273938"; __utmv=51854390.100-1|2=registration_date=20130902=1^3=entry_date=20130902=1;a_t="2.0AACAfbwdAAAXAAAAso0QWAAAgH28HQAAAGDAs254kAoXAAAAYQJVTQ4FCVgA360us8BAklzLYNEHUd6kmHtRQX5a6hiZxKCynnycerLQ3gIkoJLOCQ==";z_c0=Mi4wQUFDQWZid2RBQUFBWU1DemJuaVFDaGNBQUFCaEFsVk5EZ1VKV0FEZnJTNnp3RUNTWE10ZzBRZFIzcVNZZTFGQmZn|1474887858|64b4d4234a21de774c42c837fe0b672fdb5763b0',
??? 'Host': 'www.zhihu.com',
??? 'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_11_4) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/53.0.2785.116 Safari/537.36',
}
r = requests.get('https://www.zhihu.com', headers=headers)
print(r.text)

發(fā)現結果中包含了登錄后的結果，如圖 3-7 所示：

圖 3-7 運行結果
證明登錄成功。
當然也可以通過 cookies 參數來設置，不過這樣就需要構造 RequestsCookieJar 對象，而且需要分割一下 Cookies ，相對繁瑣，不過效果是相同的，實例如下：

import requests

cookies = 'q_c1=31653b264a074fc9a57816d1ea93ed8b|1474273938000|1474273938000; d_c0="AGDAs254kAqPTr6NW1U3XTLFzKhMPQ6H_nc=|1474273938"; __utmv=51854390.100-1|2=registration_date=20130902=1^3=entry_date=20130902=1;a_t="2.0AACAfbwdAAAXAAAAso0QWAAAgH28HQAAAGDAs254kAoXAAAAYQJVTQ4FCVgA360us8BAklzLYNEHUd6kmHtRQX5a6hiZxKCynnycerLQ3gIkoJLOCQ==";z_c0=Mi4wQUFDQWZid2RBQUFBWU1DemJuaVFDaGNBQUFCaEFsVk5EZ1VKV0FEZnJTNnp3RUNTWE10ZzBRZFIzcVNZZTFGQmZn|1474887858|64b4d4234a21de774c42c837fe0b672fdb5763b0'
jar = requests.cookies.RequestsCookieJar()
headers = {
??? 'Host': 'www.zhihu.com',
??? 'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_11_4) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/53.0.2785.116 Safari/537.36'
}
for cookie in cookies.split(';'):
??? key, value = cookie.split('=', 1)
??? jar.set(key, value)
r = requests.get('http://www.zhihu.com', cookies=jar, headers=headers)
print(r.text)

上面我們首先新建了一個 RequestCookieJar 對象，然后將復制下來的 Cookies 利用 split() 方法分割，利用 set() 方法設置好每一個 Cookie 的 key 和 value，然后通過調用 Requests 的 get() 方法并傳遞給 cookies 參數即可，當然由于知乎本身的限制， headers 參數也不能少，只不過不需要在原來的 headers 參數里面設置 Cookie 字段了。
測試后，發(fā)現同樣可以正常登錄知乎。

3. 會話維持

在 Requests 中，我們如果直接利用 get() 或 post() 等方法的確可以做到模擬網頁的請求。但是這實際上是相當于不同的會話，即不同的 Session，也就是說相當于你用了兩個瀏覽器打開了不同的頁面。
設想這樣一個場景，我們第一個請求利用了 post() 方法登錄了某個網站，第二次想獲取成功登錄后的自己的個人信息，你又用了一次 get() 方法去請求個人信息頁面。實際上，這相當于打開了兩個瀏覽器，是兩個完全不相關的會話，能成功獲取個人信息嗎？那當然不能。
有小伙伴可能就說了，我在兩次請求的時候都設置好一樣的 Cookies 不就行了？可以，但這樣做起來還是顯得很繁瑣，我們還有更簡單的解決方法。
其實解決這個問題的主要方法就是維持同一個會話，也就是相當于打開一個新的瀏覽器選項卡而不是新開一個瀏覽器。但是我又不想每次設置 Cookies，那該怎么辦？這時候就有了新的利器 Session對象。
利用它，我們可以方便地維護一個會話，而且不用擔心 Cookies 的問題，它會幫我們自動處理好。
下面用一個實例來感受一下：

import requests

requests.get('http://httpbin.org/cookies/set/number/123456789')
r = requests.get('http://httpbin.org/cookies')
print(r.text)

在實例中我們請求了一個測試網址：http://httpbin.org/cookies/se...，請求這個網址我們可以設置一個 Cookie，名稱叫做 number，內容是 123456789，隨后又請求了http://httpbin.org/cookies，此網址可以獲取當前的 Cookies。
這樣能成功獲取到設置的 Cookies 嗎？試試看。
運行結果如下：

{
? "cookies": {}
}

并不行。我們再用 Session 試試看：

import requests

s = requests.Session()
s.get('http://httpbin.org/cookies/set/number/123456789')
r = s.get('http://httpbin.org/cookies')
print(r.text)
Python資源分享qun 784758214 ,內有安裝包，PDF，學習視頻，這里是Python學習者的聚集地，零基礎，進階，都歡迎

看下運行結果：

{
? "cookies": {
??? "number": "123456789"
? }
}

成功獲取！這下能體會到同一個會話和不同會話的區(qū)別了吧？
所以，利用 Session 我們可以做到模擬同一個會話，而且不用擔心 Cookies 的問題，通常用于模擬登錄成功之后再進行下一步的操作。
Session 在平常用到的非常廣泛，可以用于模擬在一個瀏覽器中打開同一站點的不同頁面，在后文會有專門的章節(jié)來講解這部分內容。

4. SSL證書驗證

Requests 提供了證書驗證的功能，當發(fā)送 HTTP 請求的時候，它會檢查 SSL 證書，我們可以使用 verify 這個參數來控制是否檢查此證書，其實如果不加的話默認是 True，會自動驗證。
在前面我們提到過 12306 的證書實際上是不被官方認可的，會出現證書驗證錯誤的結果，我們現在訪問它都可以看到一個證書問題的頁面，如圖 3-8 所示：

圖 3-8 錯誤頁面
現在我們用 Requests 來測試一下：

import requests

response = requests.get('https://www.12306.cn')
print(response.status_code)

運行結果如下：

requests.exceptions.SSLError: ("bad?handshake:?Error([('SSL routines', 'tls_process_server_certificate', 'certificate verify failed')],)",)

提示一個錯誤，叫做 SSLError，證書驗證錯誤。所以如果我們請求一個 HTTPS 站點，但是證書驗證錯誤的頁面時，就會報這樣的錯誤，那么如何避免這個錯誤呢？很簡單，把 verify 這個參數設置為 False 即可。
改成如下代碼：

import requests

response = requests.get('https://www.12306.cn', verify=False)
print(response.status_code)

這樣，就會打印出請求成功的狀態(tài)碼。

/usr/local/lib/python3.6/site-packages/urllib3/connectionpool.py:852: InsecureRequestWarning: Unverified HTTPS request is being made. Adding certificate verification is strongly advised. See: https://urllib3.readthedocs.io/en/latest/advanced-usage.html#ssl-warnings
? InsecureRequestWarning)
200

不過發(fā)現報了一個警告，它提示建議讓我們給它指定證書。
我們可以通過設置忽略警告的方式來屏蔽這個警告：

import requests
from requests.packages import urllib3

urllib3.disable_warnings()
response = requests.get('https://www.12306.cn', verify=False)
print(response.status_code)

或者通過捕獲警告到日志的方式忽略警告：

import logging
import requests
logging.captureWarnings(True)
response = requests.get('https://www.12306.cn', verify=False)
print(response.status_code)

當然我們也可以指定一個本地證書用作客戶端證書，可以是單個文件（包含密鑰和證書）或一個包含兩個文件路徑的元組。

import requests

response = requests.get('https://www.12306.cn', cert=('/path/server.crt', '/path/key'))
print(response.status_code)

當然上面代碼是實例，我們需要有 crt 和 key 文件，指定它們的路徑。注意本地私有證書的 key 必須要是解密狀態(tài)，加密狀態(tài)的 key 是不支持的。

5. 代理設置

對于某些網站，在測試的時候請求幾次，能正常獲取內容。但是一旦開始大規(guī)模爬取，對于大規(guī)模且頻繁的請求，網站可能會直接登錄驗證，驗證碼，甚至直接把IP給封禁掉。
那么為了防止這種情況的發(fā)生，我們就需要設置代理來解決這個問題，在 Requests 中需要用到 proxies 這個參數。
可以用這樣的方式設置：

import requests

proxies = {
? 'http': 'http://10.10.1.10:3128',
? 'https': 'http://10.10.1.10:1080',
}

requests.get('https://www.taobao.com', proxies=proxies)

當然直接運行這個實例可能不行，因為這個代理可能是無效的，請換成自己的有效代理試驗一下。
若代理需要使用 HTTP Basic Auth，可以使用類似?http://user:password@host:port 這樣的語法來設置代理。
實例如下：

import requests

proxies = {
??? 'https': 'http://user:password@10.10.1.10:3128/',
}
requests.get('https://www.taobao.com', proxies=proxies)

除了基本的 HTTP 代理，Requests 還支持 SOCKS 協議的代理。
首先需要安裝 Socks 這個庫，命令如下：

pip3?install?"requests[socks]"

然后就可以使用 SOCKS 協議代理了，實例如下：

import requests

proxies = {
??? 'http': 'socks5://user:password@host:port',
??? 'https': 'socks5://user:password@host:port'
}
requests.get('https://www.taobao.com', proxies=proxies)

6. 超時設置

在本機網絡狀況不好或者服務器網絡響應太慢甚至無響應時，我們可能會等待特別久的時間才可能會收到一個響應，甚至到最后收不到響應而報錯。為了防止服務器不能及時響應，我們應該設置一個超時時間，即超過了這個時間還沒有得到響應，那就報錯。
設置超時時間需要用到 timeout 參數。這個時間的計算是發(fā)出 Request 到服務器返回 Response 的時間。
下面用一個實例來感受一下：

import requests

r = requests.get('https://www.taobao.com', timeout=1)
print(r.status_code)

通過這樣的方式，我們可以將超時時間設置為 1 秒，如果 1 秒內沒有響應，那就拋出異常。
實際上請求分為兩個階段，即 connect（連接）和 read（讀取）。
上面的設置 timeout 值將會用作 connect 和 read 二者的 timeout 總和。
如果要分別指定，就可以傳入一個元組：

r?= requests.get('https://www.taobao.com', timeout=(5,?11))

如果想永久等待，那么我們可以直接將 timeout 設置為 None，或者不設置直接留空，因為默認是 None。這樣的話，如果服務器還在運行，但是響應特別慢，那就慢慢等吧，它永遠不會返回超時錯誤的。
用法如下：

r?= requests.get('https://www.taobao.com', timeout=None)

或直接不加參數：

r?= requests.get('https://www.taobao.com')

7. 身份認證

在訪問網站時，我們可能會遇到這樣的認證頁面，如圖 3-9 所示：

圖 3-9 認證頁面
如果遇到這樣的網站驗證，可以使用 Requests 自帶的身份認證功能，實例如下：

import requests
from requests.auth import HTTPBasicAuth

r = requests.get('http://localhost:5000', auth=HTTPBasicAuth('username', 'password'))
print(r.status_code)

如果用戶名和密碼正確的話，請求時就會自動認證成功，會返回 200 狀態(tài)碼，如果認證失敗，則會返回 401 狀態(tài)碼。
當然如果參數都傳一個 HTTPBasicAuth 類，就顯得有點繁瑣了，所以 Requests 提供了一個更簡單的寫法，可以直接傳一個元組，它會默認使用 HTTPBasicAuth 這個類來認證。
所以上面的代碼可以直接簡寫如下：

import requests

r = requests.get('http://localhost:5000', auth=('username', 'password'))
print(r.status_code)
Python資源分享qun 784758214 ,內有安裝包，PDF，學習視頻，這里是Python學習者的聚集地，零基礎，進階，都歡迎

運行效果和上面的是一樣的。
Requests 還提供了其他的認證方式，如 OAuth 認證，不過需要安裝 oauth 包，命令如下：

pip3?install?requests_oauthlib

使用 OAuth2 認證的方法如下：

import requests
from requests_oauthlib import OAuth2

url = 'https://api.twitter.com/1.1/account/verify_credentials.json'
auth = OAuth2('YOUR_APP_KEY', 'YOUR_APP_SECRET',
????????????? 'USER_OAUTH_TOKEN', 'USER_OAUTH_TOKEN_SECRET')
requests.get(url, auth=auth)

更多詳細的功能就可以參考 requests_oauthlib 的官方文檔：https://requests-oauthlib.rea...，在此就不再贅述了。

8. Prepared Request

在前面介紹 Urllib 時我們可以將 Request 表示為一個數據結構，Request 的各個參數都可以通過一個 Request 對象來表示，在 Requests 里面同樣可以做到，這個數據結構就叫 Prepared Request。
我們用一個實例感受一下：

from requests import Request, Session

url = 'http://httpbin.org/post'
data = {
??? 'name': 'germey'
}
headers = {
??? 'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_11_4) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/53.0.2785.116 Safari/537.36'
}
s = Session()
req = Request('POST', url, data=data, headers=headers)
prepped = s.prepare_request(req)
r = s.send(prepped)
print(r.text)

在這里我們引入了 Request，然后用 url、data、headers 參數構造了一個 Request 對象，這時我們需要再調用 Session 的 prepare_request() 方法將其轉換為一個 Prepared Request 對象，然后調用 send() 方法發(fā)送即可，運行結果如下：

{
? "args": {}, 
? "data": "", 
? "files": {}, 
? "form": {
??? "name": "germey"
? }, 
? "headers": {
??? "Accept": "*/*", 
??? "Accept-Encoding": "gzip, deflate", 
??? "Connection": "close", 
??? "Content-Length": "11", 
??? "Content-Type": "application/x-www-form-urlencoded", 
??? "Host": "httpbin.org", 
??? "User-Agent": "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_11_4) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/53.0.2785.116 Safari/537.36"
? }, 
? "json": null, 
? "origin": "182.32.203.166", 
? "url": "http://httpbin.org/post"
}
Python資源分享qun 784758214 ,內有安裝包，PDF，學習視頻，這里是Python學習者的聚集地，零基礎，進階，都歡迎

可以看到我們達到了同樣的 POST 請求效果。
有了 Request 這個對象，我們就可以將一個個請求當做一個獨立的對象來看待，這樣在進行隊列調度的時候會非常方便，后面我們會有一節(jié)使用它來構造一個 Request 隊列。

9. 結語

本節(jié)講解了 Requests 的一些高級用法，這些用法在后面實戰(zhàn)部分會經常用到，需要熟練掌握。
更多的用法可以參考 Requests 的官方文檔：http://docs.python-requests.org/。