【Python】【爬虫】Requests库详解
Requests是用Python语言编写的第三方库,使用前需要另外安装。它基于urllib，采用Apache2 Licensed开源协议的HTTP库。它比urllib更加方便，完全满足HTTP测试需求，可以节约我们很多的工作。
举三个Requests的实际应用：
- 如果你是店家，想对比自己店铺和同行店铺的差异，你可以用Requests库爬取同行店铺的评价，找到自己店铺的改进方向。
- 如果你是学生，想快速获取自己研究方向的资料，你可以用Requests库爬取所学领域的相关资料，进行数据提取分析。
- 如果你最近刚好想换电脑，不太确定想买哪一款，你可以用Requests库爬取相关网站的评论，给自己的决定做个参考。
一、Requests库的主要方法
Requests库中有7个主要方法
图1 Requests库中的7个主要方法
其中最常用的是get和post方法，get请求将提交的数据放置在HTTP请求协议头中，post提交的数据则放在实体数据中。下面详细阐述Requests库中六个方法：
import requests #导入requests模块
requests.get("http://www.baidu.com") #GET请求
requests.post('http://httpbin.org/post') #POST请求
requests.put('http://httpbin.org/put') #PUT请求
requests.delete('http://httpbin.org/delete') #DELETE请求
requests.head('http://httpbin.org/head') #HEAD请求
request.patch('http://httpbin.org/patch') #PATCH请求代码解析：
requests.get：请求指定的页面信息，并返回实体主体。
requests.post：请求服务器接受所指定的文档作为对所标识的URI的新的从属实体。
requests.put：从客户端向服务器传送数据，并取代指定的文档的内容。 requests.delete：请求服务器删除指定的页面。
requests.head：只请求页面的首部。
request.patch：请求局部修改。
二、Requests的重要对象
Requests库中有2个重要对象
图2 Requests库中的2个重要对象
其中Response对象包含服务器返回的所有信息，例如状态码、首部等。
由于爬取网页信息一般采用的是get方法，故下文中着重讲解get方法，post方法会在后续文章中进行阐述。
三、Requests.get使用方法
1 Requests.get基本语法
requests.get(url, params=None, **kwargs)代码解析：
url：待爬取网页的url链接，是通过http协议存取资源的一个路径，类似我们电脑中文件的存储路径；
params：url中的额外参数，字典或字节流格式，非必有项，默认值为None；
**kwargs：12个控制访问的参数。
注：当我们使用requests.get()时，返回的是response对象，该对象包含服务器返回的所有信息，也包含请求的request的信息。
2 requests.get使用实例
实例一：不带参数的GET请求
import requests #导入requests库
r = requests.get('https://www.sohu.com/a/378969781_100078132') #获取搜狐新闻中代码解析：
requests.get：构造一个向服务器请求资源的url对象,实例一选取的链接是搜狐新闻中一篇关于刘诗雯的报道，你可以根据自己的需要另换网址。
这时候返回的是一个包含服务器资源的Response对象,r中包含从服务器返回的所有相关资源。
实例二：带参数的GET请求
import requests
data = {
'name': 'tom',
'age': 20
}
r = requests.get('http://httpbin.org/get', params=data)注：相比实例一，本例只是增加了data参数。
实例三：带头部的GET请求
import requests,json
url = "https://club.jd.com/comment/productPageComments.action?callback=fetchJSON_comment98&productId=100004380824&score=0&sortType=5&page=0&pageSize=10&isShadowSku=0&fold=1"
headers = {'User-Agent':'User-Agent: Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/78.0.3904.108 Safari/537.36',
'Request Method':'Get',
'callback':'fetchJSON_comment98'
}
r = requests.get(url,timeout=30,headers=headers)注：有些网站访问时必须带有浏览器等信息，如果不传入headers就会报错，所以本例中加入了头部的一些信息。
3 Response对象的常用属性
Response对象中有6个常用属性
图3 Response中6个常用属性
用实例一的结果r，运行下面关于属性的代码，并查看返回的结果。
1.响应状态码status_code
r.status_code #响应状态码，200表示连接成功，404表示失败结果：
2002.响应头headers
r.headers #以字典对象存储服务器响应头，但是这个字典比较特殊，字典键不区分大小写，若键不存在则返回None结果：
{'Content-Type': 'text/html;charset=UTF-8', 'Transfer-Encoding': 'chunked', 'Connection': 'keep-alive', 'Server': 'nginx', 'Date': 'Fri, 27 Mar 2020 12:21:58 GMT', 'Access-Control-Allow-Credentials': 'true', 'Vary': 'Origin,Access-Control-Request-Method,Access-Control-Request-Headers', 'Access-Control-Allow-Headers': 'Origin,Content-Type,authorization,Accept,token,X-Requested-With', 'Content-Encoding': 'gzip', 'X-Application-Context': 'pc-article:prod-yz:10030', 'Access-Control-Allow-Methods': 'POST,GET,OPTIONS,DELETE', 'Content-Language': 'en-US', 'Access-Control-Expose-Headers': 'Origin,Access-Control-Request-Method,Access-Control-Request-Headers,X-forwared-port,X-forwarded-host', 'Cache-Control': 'max-age=60', 'X-From-Sohu': 'X-SRC-Source', 'FSS-Cache': 'MISS from 8868025.16076995.9867815', 'FSS-Proxy': 'Powered by 2969695.4280425.3969395'}3.响应内容text
r.text #字符串方式的响应体，会自动根据响应头部的字符编码进行解码，返回url对应的页面内容
结果：
'<!DOCTYPE html>\n<html data-log-pv=\'{"mpc":17}\'>\n <head>\n <title>大爱无疆！刘诗雯的善举让人为之动容 球迷：娶妻，当娶刘诗雯_国乒</title>\n <meta http-equiv="Cache-Control" content="no-transform" /> \n<meta http-equiv="Cache-Control" content="no-siteapp" /> \n<meta name="copyright" content="Copyright © 2017 Sohu.com Inc. All Rights Reserved." />\n<meta name="mediaid" content="体育哲学"/>\n<meta property="og:type" content="news"/>\n<meta property="og:image" content="${mpNews.image}"/>\n<meta property="og:url" content="www.sohu.com/a/378969781_100078132"/>\n<meta property="og:release_date" content="2020-03-10 14:18"/></body>\n</html>'注：由于text中内容太多，本文只是截取了部分信息。
4.响应内容content
r.content #字节方式的响应体，会自动为你解码 gzip 和 deflate 压缩,是http响应内容的二进制形式结果：
b'<!DOCTYPE html>\n<html data-log-pv=\'{"mpc":17}\'>\n <head>\n <title>\xe5\xa4\xa7\xe7\x88\xb1\xe6\x97\xa0\xe7\x96\x86\xef\xbc\x81\xe5\x88\x98\xe8\xaf\x97\xe9\x9b\xaf\xe7\x9a\x84\xe5\x96\x84\xe4\xb8\xbe\xe8\xae\xa9\xe4\xba\xba\xe4\xb8\xba\xe4\xb9\x8b\xe5\x8a\xa8\xe5\xae\xb9 \xe7\x90\x83\xe8\xbf\xb7\xef\xbc\x9a\xe5\xa8\xb6\xe5\xa6\xbb\xef\xbc\x8c\xe5\xbd\x93\xe5\xa8\xb6\xe5\x88\x98\xe8\xaf\x97\xe9\x9b\xaf_\xe5\x9b\xbd\xe4\xb9\x92</title>\n <meta http-equiv="Cache-Control" content="no-transform" /> \n<meta http-equiv="Cache-Control" content="no-siteapp" /> \n<meta name="copyright" content="Copyright \xc2\xa9 2017 Sohu.com Inc. All Rights Reserved." />\n<meta name="mediaid" content="\xe4\xbd\x93\xe8\x82\xb2\xe5\x93\xb2\xe5\xad\xa6"/>\n<meta property="og:type" content="news"/>\n<meta property="og:image" content="${mpNews.image}"/>\n<meta property="og:url" content="www.sohu.com/a/378969781_100078132"/> </body>\n</html>'注：由于content中内容太多，本文只是截取了部分信息。
5.响应内容编码方式encoding
r.encoding #从http的header中猜测的响应内容编码方式结果：
'UTF-8'6.响应内容编码方式encoding
r.apparent_encoding #从内容中分析出响应的内容编码方式结果：
'UTF-8'注：响应内容text和content两者区别：
- 1.content中间存的是字节码，而text中存的是字符串(由Beautifulsoup根据猜测的编码方式将content内容编码而成)。
- 2.直接输出content，会发现前面存在b'这样的标志，这是字节字符串的标志，而text输出没有前面的b。
- 3.对于纯ascii码，两者输出一致，对于其他的文字，需要正确编码才能正常显示。
- 4.建议使用.text，因为输出显示的是汉字。如果显示乱码，可以用.content.decode('utf-8')手动选择文字编码方式中文常用utf-8、GBK、GB2312等。
简而言之，.text是现成的字符串，.content还要编码，但是.text不是所有时候都能正常显示，这时就需要用.content进行手动编码。
本文是本人对Request库的个人总结，如有问题，请指正。