[网络协议]Python爬虫篇：HTTP库requests

一：简介

• requests是一种第三方HTTP library，因url3的提供的API不好用，requests是对url3的一种封装，类似于Java中的HttpClient。
• 支持常见的请求方式GET，POST， PUT，DELETE，PATCH，OPTIONS，HEAD等。
• GitHub https://github.com/psf/requests
• 官方文档 https://requests.readthedocs.io/en/latest/
• http://httpbin.org/ httpbin是一个用于测试HTTP请求的网站，可以向该网站发送请求进行测试。
• pip安装：pip install requests

1.1 预请求 PreparedRequest

1.2 响应 Response

二：基础案例

2.1 get | post | put | delete | head | options

import requests
res = requests.request('get', 'https://api.github.com/events')
# 打印对象的帮助文档
help(res)
# 查看对象的所有属性和方法
print(dir(res))
print(res.text)


res = requests.get('https://api.github.com/events')
res = requests.post('http://httpbin.org/post', data={'key': 'value'})
requests.put('http://httpbin.org/put', data = {'key':'value'})
requests.delete('http://httpbin.org/delete')
requests.head('http://httpbin.org/get')
requests.options('http://httpbin.org/get')

2.2 乱码

• 如果乱码时设置encoding。
• 如果header中不存在charset字段，默认编码为ISO-8859-1，此时的编码输出text中的中文将是乱码。
• apparent_encoding:会根据HTTP网页的内容分析出应该使用的编码。

import requests

# 请求头中如果包含了User-Agent，对方可能就认为该请求是从浏览器中发出的，将自己伪装成浏览器
headers = {
    'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_15_7) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/106.0.0.0 Safari/537.36'
}
res = requests.get('http://www.baidu.com', headers=headers)
# ISO-8859-1
print(res.encoding)
# utf-8
print(res.apparent_encoding)
# '百度一下，你就知道' 如果不设置encoding，res.text中的中文会乱码
res.encoding = res.apparent_encoding
print(res.text)

# res.text是requests模块按照chardet模块推测出的编码字符集进行解码的结果
# 网络传输的字符串都是bytes类型的，所以res.text = res.content.decode('推测出的字符集编码')
# 我们可以在网页源码中搜索charset, 尝试参考编码字符串，注意存在不准确的情况
# decode(charset) 接收一个字符编码集的参数，默认是'utf-8'
content = res.content.decode('utf-8')

三：get

# 参数也可以直接放到url后面，如 https://www.baidu.com/s?wd=python
# timeout在指定时间内没有响应会报连接错误 ConnectTimeout
payload = {'key1': 'value1', 'key2': 'value2', 'key3': None}
res = requests.get("http://httpbin.org/get", params=payload, timeout=3)
res.encoding=res.apparent_encoding


print(res.url)
print(res.status_code, requests.codes.ok)
print(res.headers)
print(res.headers['Content-Type'])
print(res.request.headers)
print(res.text)
print(content)
print(res.json())

请求头

注意：爬虫一般都必须要携带User-Agent头。

import requests

headers = {
	'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,image/avif,image/webp,image/apng,*/*;q=0.8,application/signed-exchange;v=b3;q=0.9',
	'Accept-Encoding': 'gzip, deflate',
	'Accept-Language': 'zh-CN,zh;q=0.9,en;q=0.8',
	'Cache-Control': 'no-cache',
	'Connection': 'keep-alive',
	'Host': 'httpbin.org',
	'Pragma': 'no-cache',
	'Upgrade-Insecure-Requests': '1',
	'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_15_7) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/106.0.0.0 Safari/537.36',
}

res = requests.get('http://httpbin.org/get', headers=headers)
print(res.text)

通常我们会粘贴浏览器中的Request Headers，但是粘贴过来的有两个问题，一个问题是没有缩进，另一个问题是Key和Value没有被字符串单引号包括住，可以使用PyCharm的正则表达式替换。首先选中要操作的字符串，然后选择匹配模式为正则表达式模式，输入查找的字符串和替换的字符串，然后Replace all。

• . 表示单个任意字符。
• * 表示匹配任意次。
• ? 表示匹配0次或多次。
• () 表示正则表达式为一个整体。
• $数字：表示匹配到的结果，数字从1开始。
  

请求图片

import requests
from io import BytesIO
from PIL import Image

res = requests.get('https://profile-avatar.csdnimg.cn/8b6439a0bcb34188953be722a564c8cc_vbirdbest.jpg')
img = Image.open(BytesIO(res.content))
print(img)

Cookie

• Cookie可以放入到请求头headers中。
• Cookie也可以作为某个请求的参数 cookies。
• Cookie常用于保存用户的登录状态。

# 方式一
headers = {
    'Cookie': 'key1=value1;key2=value2'
}
res = requests.get('http://httpbin.org/cookies', headers=headers)
res = requests.get('http://httpbin.org/cookies', cookies=dict(key1='value1', key2='value2'))
print(res.text)

import requests

cookies = requests.cookies.RequestsCookieJar()
cookies.set('cookie1', 'value1', domain='httpbin.org', path='/cookies')
cookies.set('cookie2', 'value2', domain='httpbin.org', path='/cookies')

session = requests.Session()
res = session.get('http://httpbin.org/cookies', cookies=cookies)
print(res.text)

res = requests.get('http://www.baidu.com')
print(res.text)
# 不包含域名
# dict -> cookiejar
cookiejar = requests.utils.dict_from_cookiejar(res.cookies)
# cookiejar -> dict
cookiedict = requests.utils.cookiejar_from_dict(cookiejar)

重定向

res = requests.get('http://github.com', allow_redirects=True)
# 302 表示重定向
print(res.status_code)
print(res.text)

钩子函数

def print_url(r, *args, **kwargs):
    print(r.url)
hooks=dict(response=print_url)

res = requests.get('http://httpbin.org', hooks=dict(response=print_url))
print(res)

证书

访问一些网站时有时候会提示”您的连接不是私密连接“，很多证书都是官方颁布的而是自己颁布的，自己颁布的这些证书是可以关闭认证的（只是会提示一个警告）, 有些证书是绕不过去的还需要提供证书。

# 忽略证书验证
r = requests.get("https://sam.huat.edu.cn:8443/selfservice/", verify = False)
print(r.text)

requests.get('https://kennethreitz.org', cert=('/path/client.cert', '/path/client.key'))

import requests

session = requests.Session()
session.auth = ('user', 'pass')
# 全局header
session.headers.update({'token': '123456789'})
# 针对当前请求
res = session.get('http://httpbin.org/headers', headers={'sign': 'xxx'})
print(res.text)

代理

根据方向来分类

• 正向代理: 知道服务器的地址。
• 反向代理：不知道服务器的地址，如nginx。

根据协议来分类

• HTTP代理。
• HTTPS代理。
• Socks隧道代理：在socket层设置的代理。

根据透明度来分类

• 透明代理（Transparent Proxy）：透明代理虽然可以直接”隐藏“你的IP地址，但是还是可以查到你是谁。

  REMOTE_ADDR = Proxy IP
  HTTP_VIA = Proxy IP
  HTTP_X_FORWARDED_FOR = Your IP
  

• 匿名代理（Anonymous Proxy）：匿名代理只能知道你用了代理，不知道你是谁。

  REMOTE_ADDR = Proxy IP
  HTTP_VIA = Proxy IP
  HTTP_X_FORWARDED_FOR = Proxy IP
  

• 高匿代理（High Anonymous Proxy）：高级代理别人根本不知道你是不是在使用代理，所以是最好的选择。

  REMOTE_ADDR = Proxy IP
  HTTP_VIA = not determined
  HTTP_X_FORWARDED_FOR = not determined
  

免费代理网站：一般能够代理http的也能代理https

• freeproxylists
• 快代理免费 https://www.kuaidaili.com/free/

# HTTP Basic Auth 可以在url中指定用户名和密码 http://user:pass@123.171.1.78:8089
# 免费代理经常不可用
proxies = {
    'http': '223.96.90.216:8085'
}
res = requests.get('https://www.baidu.com/', proxies=proxies)
print(res.text)

四：post

请求值的一般来源：

• 固定值：参数值是固定不变的
• 输入值：一般是输入参数。
• 预设值-隐藏在静态文件中：需要从html中通过正则获取
• 预设值-发送请求：如获取token
• 在客户端生成的：如签名sign，可能会随着时间戳ts(timestamp)、岩(salt)等和其它参数拼接成一个字符串来生成的。

爬虫时一般要发送大于1次请求（如发送2次请求），然后比较两次请求哪些参数是变化的，哪些参数是不变的。

# data可以是dict或tuple
# data是"Content-Type": "application/x-www-form-urlencoded",
res = requests.post('http://httpbin.org/post', data={'key': 'value'})

payload = (('key1', 'value1'), ('key1', 'value2'))
res = requests.post('http://httpbin.org/post', data=payload)


# json参数使用的是"Content-Type": "application/json"
res = requests.post('http://httpbin.org/post', json={'key': 'value'})
print(res.text)

# data也可以传入json
import json
url = 'https://api.github.com/some/endpoint'
payload = {'some': 'data'}
requests.post(url, data=payload)
requests.post(url, data=json.dumps(payload))

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

文件

url = 'http://httpbin.org/post'
files = {'file': open('report.xls', 'rb')}
# 设置文件的名字，文件乐西，请求头
files = {'file': ('report.xls', open('report.xls', 'rb'), 'application/vnd.ms-excel', {'Expires': '0'})}
r = requests.post(url, files=files)
print(r.text)

多个文件

<input type="file" name="images" multiple="true" required="true"/>

multiple_files = [
        ('images', ('foo.png', open('foo.png', 'rb'), 'image/png')),
        ('images', ('bar.png', open('bar.png', 'rb'), 'image/png'))]

五：Session

• 使用Session连续发送多个请求性能更好：底层的 TCP 连接将会被重用。

• Session用于保持登录会话，下一次请求会携带上一次Response的Cookie。实际使用时只需要调用一次登录接口获取返回的Cookie（如JSESSIONID等），后面再发其它请求就会自动携带登录返回的Cookie，这样后面的接口就可以调通了。无论以什么样的方式发送请求方法最终会调动session.get() -> request() -> prepare_request(req) -> cookies处理。
  

• Session会默认添加4个请求头，并对请求头进行按字母排序。

• 注意：注意：注意：有些接口在请求时对Headers的顺序是有严格的要求的（可能是为了防止爬虫吧），如果顺序不对结果就不对，浏览器默认会按照字母进行排序。所以我们在发送请求时一定要点击 【View source】 来获取浏览器没有排过续的请求头，以后要养成习惯。

session = requests.Session()

# 清空默认的排序后的请求头
session.headers.clear()
# 按照顺序设置自己的请求头
session.headers.update(headers)
# 设置Basic Auth：http://httpbin.org/basic-auth
# session.auth = ('user', 'passwd')
res = session.get('https://www.baidu.com/')
# {
#     'User-Agent': 'python-requests/2.28.1',
#     'Accept-Encoding': 'gzip, deflate',
#     'Accept': '*/*',
#     'Connection': 'keep-alive'
# }
print(res.request.headers)
session.close()

# with代码块结束销毁session
with requests.Session() as s:
    s.get('http://httpbin.org/cookies/set/sessioncookie/123456789')

六：GitHub登录

注意：一定要先退出自己的账号，如果账号应已经在网页中登录了则login接口会一直没有响应。

import re
import requests

headers = {
    'user-agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_15_7) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/106.0.0.0 Safari/537.36'
}

session = requests.Session()
# 1.获取token(注意：一定要先退出自己的账号，如果账号应登录则请求会一直没有响应)
content_login = session.get('https://github.com/login').content.decode()
# <input type="hidden" name="authenticity_token" value="MPoH_UoMCducxg_iNdl7b2r9cGxGwsunkrYBN-XCUJC_dzW78zc2U-OLQ5d2I5pPv92FErXziG_yT-uRdg_QQA" />
authenticity_token = re.findall('name="authenticity_token" value="(.*?)" />', content_login)[0]
print(authenticity_token)

# 2.登录
data = {
    'commit': 'Sign in',
    'authenticity_token': authenticity_token,
    'login': '账号',
    'password': '密码',
    'webauthn-support': 'supported'
}
session.post('https://github.com/session', data=data)

# 3.profile 获取用户信息
profile = session.get('https://github.com/账号').content
with open('github.com', 'wb') as f:
    f.write(profile)