本文主要学习一下关于爬虫的相关前置知识和一些理论性的知识，通过本文我们能够知道什么是爬虫，都有那些分类，爬虫能干什么等，同时还会站在爬虫的角度复习一下http协议。

完整版笔记直接地址： 请移步这里

共 8 章，37 子模块，总计 56668 字

requests模块

本阶段本文主要学习requests这个http模块，该模块主要用于发送请求响应，该模块有很多的替代模块，比如说urllib模块，但是在工作中用的最多的还是requests模块，requests的代码简洁易懂，相对于臃肿的urllib模块，使用requests编写的爬虫代码将会更少，而且实现某一功能将会简单。因此建议大家掌握该模块的使用

requests模块

知识点：

• 掌握 headers参数的使用

• 掌握 发送带参数的请求

• 掌握 headers中携带cookie

• 掌握 cookies参数的使用

• 掌握 cookieJar的转换方法

• 掌握 超时参数timeout的使用

• 掌握 代理ip参数proxies的使用

• 掌握 使用verify参数忽略CA证书

• 掌握 requests模块发送post请求

• 掌握 利用requests.session进行状态保持

前面我们了解了爬虫的基础知识，接下来我们来学习如何在代码中实现我们的爬虫

1. requests模块介绍

1.1 requests模块的作用：

• 发送http请求，响应数据

1.2 requests模块是一个第三方模块，需要在你的python(虚拟)环境中额外安装

• pip/pip3 install requests

1.3 requests模块发送get请求

1. 需求：通过requests向百度首页发送请求，该页面的源码

2. 运行下面的代码，观察打印输出的结果

# 1.2.1-简单的代码实现

import requests 

# 目标url

url = 'htt://www.baidu.com' 

# 向目标url发送get请求

response = requests.get(url)

# 打印响应内容

print(response.text)

知识点：掌握 requests模块发送get请求

2. response响应对象

观察上边代码运行结果发现，有好多乱码；这是因为编解码使用的字符集不同早造成的；我们尝试使用下边的办法来解决中文乱码问题

# 1.2.2-response.content

import requests 

# 目标url

url = 'htt://www.baidu.com' 

# 向目标url发送get请求

response = requests.get(url)

# 打印响应内容

# print(response.text)

print(response.content.decode()) # 注意这里！

1. response.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

2. 网络传输的字符串都是bytes类型的，所以response.text = response.content.decode('推测出的编码字符集')

3. 我们可以在网页源码中搜索charset，尝试参考该编码字符集，注意存在不准确的情况

2.1 response.text 和response.content的区别：

• response.text

  • 类型：str

  • 解码类型： requests模块自动根据HTTP 头部对响应的编码作出有根据的推测，推测的文本编码

• response.content

  • 类型：bytes

  • 解码类型： 没有指定

知识点：掌握 response.text和response.content的区别

2.2 通过对response.content进行decode，来解决中文乱码

• response.content.decode() 默认utf-8

• response.content.decode("GBK")

• 常见的编码字符集

  • utf-8

  • gbk

  • gb2312

  • ascii （读音：阿斯克码）

  • iso-8859-1

知识点：掌握 利用decode函数对requests.content解决中文乱码

2.3 response响应对象的其它常用属性或方法

response = requests.get(url)中response是发送请求的响应对象；response响应对象中除了text、content响应内容以外还有其它常用的属性或方法：

• response.url响应的url；有时候响应的url和请求的url并不一致

• response.status_code 响应状态码

• response.request.headers 响应对应的请求头

• response.headers 响应头

• response.request._cookies 响应对应请求的cookie；返回cookieJar类型

• response.cookies 响应的cookie（经过了set-cookie动作；返回cookieJar类型

• response.json()自动将json字符串类型的响应内容转换为python对象（dict or list）

  
  

# 1.2.3-response其它常用属性

import requests

# 目标url

url = 'htt://www.baidu.com'

# 向目标url发送get请求

response = requests.get(url)

# 打印响应内容

# print(response.text)

# print(response.content.decode())             # 注意这里！

print(response.url)                            # 打印响应的url
print(response.status_code)                    # 打印响应的状态码
print(response.request.headers)                # 打印响应对象的请求头
print(response.headers)                        # 打印响应头
print(response.request._cookies)            # 打印请求携带的cookies
print(response.cookies)                        # 打印响应中携带的cookies

知识点：掌握 response响应对象的其它常用属性

3. requests模块发送请求

3.1 发送带header的请求

我们先写一个百度首页的代码

import requests
​
url = 'htt://www.baidu.com'
​
response = requests.get(url)
​
print(response.content.decode())

# 打印响应对应请求的请求头信息

print(response.request.headers)

3.1.1 思考

1. 对比浏览器上百度首页的网页源码和代码中的百度首页的源码，有什么不同？

* 查看网页源码的方法：
  * 右键-查看网页源代码 或
  * 右键-检查

1. 对比对应url的响应内容和代码中的百度首页的源码，有什么不同？

* 查看对应url的响应内容的方法：
  1. 右键-检查
  2. 点击 `Net work`
  3. 勾选 `Preserve log`
  4. 刷新页面
  5. 查看`Name`一栏下和浏览器地址栏相同的url的`Response`

1. 代码中的百度首页的源码非常少，为什么？

* 需要我们带上请求头信息

回顾爬虫的概念，模拟浏览器，欺骗服务器，和浏览器一致的内容

* 请求头中有很多字段，其中User-Agent字段必不可少，表示客户端的操作系统以及浏览器的信息

3.1.2 携带请求头发送请求的方法

requests.get(url, headers=headers)

• headers参数接收字典形式的请求头

• 请求头字段名作为key，字段对应的值作为value

3.1.3 完成代码实现

从浏览器中复制User-Agent，构造headers字典；完成下面的代码后，运行代码查看结果

import requests
​
url = 'htt://www.baidu.com'
​
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"}

# 在请求头中带上User-Agent，模拟浏览器发送请求

response = requests.get(url, headers=headers) 
​
print(response.content)

# 打印请求头信息

print(response.request.headers)

知识点：掌握 headers参数的使用

3.2 发送带参数的请求

我们在使用百度搜索的时候经常发现url地址中会有一个 ?，那么该问号后边的就是请求参数，又叫做查询字符串

3.2.1 在url携带参数

直接对含有参数的url发起请求

​ import requests ​ ​ 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"} ​ ​ url = 'htt://ww.baidu.com/s?wd=python' ​ response = requests.get(url, headers=headers)

3.2.2 通过params携带参数字典

1.构建请求参数字典

2.向接口发送请求的时候带上参数字典，参数字典设置给params

​ import requests ​ ​ 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"}

# 这是目标url

# url = 'htt://www.baidu.com/s?wd=python'

# 最后有没有问号结果都一样

url = 'htt://www.baidu.com/s?'

# 请求参数是一个字典 即wd=python

kw = {'wd': 'python'}

# 带上请求参数发起请求，响应

response = requests.get(url, headers=headers, params=kw)
​
print(response.content)

知识点：掌握发送带参数的请求的方法

3.3 在headers参数中携带cookie

网站经常利用请求头中的Cookie字段来做用户访问状态的保持，那么我们可以在headers参数中添加Cookie，模拟普通用户的请求。我们以github登陆为例：

3.3.1 github登陆抓包分析

1. 打开浏览器，右键-检查，点击Net work，勾选Preserve log

2. 访问github登陆的url地址 https://github.com/login

3. 输入账号密码点击登陆后，访问一个需要登陆后才能正确内容的url，比如点击右上角的Your profile访问https://github.com/USER_NAME

4. 确定url之后，再确定发送该请求所需要的请求头信息中的User-Agent和Cookie

3.3.2 完成代码

• 从浏览器中复制User-Agent和Cookie

• 浏览器中的请求头字段和值与headers参数中必须一致

• headers请求参数字典中的Cookie键对应的值是字符串

  
  

  import requests

  url = 'htt://github.com/USER_NAME'

# 构造请求头字典

headers = {

    # 从浏览器中复制过来的User-Agent

    'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/67.0.3396.87 Safari/537.36',

    # 从浏览器中复制过来的Cookie

    'Cookie': 'xxx这里是复制过来的cookie字符串'
}

# 请求头参数字典中携带cookie字符串

resp = requests.get(url, headers=headers)
​
print(resp.text)

3.3.3 运行代码验证结果

在打印的输出结果中搜索title，html中的标题文本内容如果是你的github账号，则成功利用headers参数携带cookie，登陆后才能访问的页面

知识点：掌握 headers中携带cookie

3.4 cookies参数的使用

上一小节我们在headers参数中携带cookie，也可以使用专门的cookies参数

1. cookies参数的形式：字典

cookies = {"cookie的name":"cookie的value"}

* 该字典对应请求头中Cookie字符串，以分号、空格分割每一对字典键值对
* 等号左边的是一个cookie的name，对应cookies字典的key
* 等号右边对应cookies字典的value

1. cookies参数的使用方法

response = requests.get(url, cookies)

1. 将cookie字符串转换为cookies参数所需的字典：

cookies_dict = {cookie.split('=')[0]:cookie.split('=')[-1] for cookie in cookies_str.split('; ')}

1. 注意： cookie 一般是有过期时间的，一旦过期需要重新

​ import requests ​ ​ url = 'htt://github.com/USER_NAME'

# 构造请求头字典

headers = {
    'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/67.0.3396.87 Safari/537.36'
}

# 构造cookies字典

cookies_str = '从浏览器中copy过来的cookies字符串'
​
cookies_dict = {cookie.split('=')[0]:cookie.split('=')[-1] for cookie in cookies_str.split('; ')}

# 请求头参数字典中携带cookie字符串

resp = requests.get(url, headers=headers, cookies=cookies_dict)
​
print(resp.text)

知识点：掌握 cookies参数的使用

3.5 cookieJar对象转换为cookies字典的方法

使用requests的resposne对象，具有cookies属性。该属性值是一个cookieJar类型，包含了对方服务器设置在本地的cookie。我们如何将其转换为cookies字典呢？

1. 转换方法

cookies_dict = requests.utils.dict_from_cookiejar(response.cookies)

1. 其中response.cookies返回的就是cookieJar类型的对象

2. requests.utils.dict_from_cookiejar函数返回cookies字典

知识点：掌握 cookieJar的转换方法

3.6 超时参数timeout的使用

在平时网上冲浪的过程中，我们经常会遇到网络波动，这个时候，一个请求等了很久可能任然没有结果。

在爬虫中，一个请求很久没有结果，就会让整个项目的效率变得非常低，这个时候我们就需要对请求进行强制要求，让他必须在特定的时间内返回结果，否则就报错。

1. 超时参数timeout的使用方法

response = requests.get(url, timeout=3)

1. timeout=3表示：发送请求后，3秒钟内返回响应，否则就抛出异常

​ import requests

​ url = 'https://twitter.com' ​ response = requests.get(url, timeout=3) # 设置超时时间

知识点：掌握 超时参数timeout的使用

3.7 了解代理以及proxy代理参数的使用

proxy代理参数通过指定代理ip，让代理ip对应的正向代理服务器转发我们发送的请求，那么我们首先来了解一下代理ip以及代理服务器

3.7.1 理解使用代理的过程

1. 代理ip是一个ip，指向的是一个代理服务器

2. 代理服务器能够帮我们向目标服务器转发请求

3.7.2 正向代理和反向代理的区别

前边提到proxy参数指定的代理ip指向的是正向的代理服务器，那么相应的就有反向服务器；现在来了解一下正向代理服务器和反向代理服务器的区别

1. 从发送请求的一方的角度，来区分正向或反向代理

2. 为浏览器或客户端（发送请求的一方）转发请求的，叫做正向代理

* 浏览器知道最终处理请求的服务器的真实ip地址，例如VPN

1. 不为浏览器或客户端（发送请求的一方）转发请求、而是为最终处理请求的服务器转发请求的，叫做反向代理

* 浏览器不知道服务器的真实地址，例如nginx

3.7.3 代理ip（代理服务器）的分类

1. 根据代理ip的匿名程度，代理IP可以分为下面三类：

* 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。目标服务器接收到的请求头如下：
    
            REMOTE_ADDR = Proxy IP
    HTTP_VIA = Proxy IP
    HTTP_X_FORWARDED_FOR = Your IP

* 匿名代理(Anonymous Proxy)：使用匿名代理，别人只能知道你用了代理，无法知道你是谁。目标服务器接收到的请求头如下：
    
            REMOTE_ADDR = proxy IP
    HTTP_VIA = proxy IP
    HTTP_X_FORWARDED_FOR = proxy IP

* 高匿代理(Elite proxy或High Anonymity Proxy)：高匿代理让别人根本无法发现你是在用代理，所以是最好的选择。 **毫 无疑问使用高匿代理效果最好**。目标服务器接收到的请求头如下：
    
            REMOTE_ADDR = Proxy IP
    HTTP_VIA = not determined
    HTTP_X_FORWARDED_FOR = not determined

1. 根据网站所使用的协议不同，需要使用相应协议的代理服务。从代理服务请求使用的协议可以分为：

* http代理：目标url为http协议
* https代理：目标url为https协议
* socks隧道代理（例如socks5代理）等：
  1. socks 代理只是简单地传递数据包，不关心是何种应用协议（FTP、HTTP和HTTPS等）。
  2. socks 代理比http、https代理耗时少。
  3. socks 代理可以转发http和https的请求

3.7.4 proxies代理参数的使用

为了让服务器以为不是同一个客户端在请求；为了防止频繁向一个域名发送请求被封ip，所以我们需要使用代理ip；那么我们接下来要学习requests模块是如何使用代理ip的

• 用法：

  response = requests.get(url, proxies=proxies)

• proxies的形式：字典

• 例如：

  proxies = { "http": "htt://12.34.56.79:9527", "https": "htt://12.34.56.79:9527", }

• 注意：如果proxies字典中包含有多个键值对，发送请求时将按照url地址的协议来选择使用相应的代理ip

知识点：掌握 代理ip参数proxies的使用

3.8 使用verify参数忽略CA证书

在使用浏览器上网的时候，有时能够看到下面的提示（2018年10月之前的12306网站）：

• 原因：该网站的CA证书没有经过【受信任的根证书颁发机构】的认证

• 关于CA证书以及受信任的根证书颁发机构点击了解更多，课上我们不做展开

3.8.1 运行代码查看代码中向不安全的链接发起请求的效果

运行下面的代码将会抛出包含ssl.CertificateError ...字样的异常

import requests
url = "htt://sam.huat.edu.cn:8443/selfservice/"
response = requests.get(url)

3.8.2 解决方案

为了在代码中能够正常的请求，我们使用verify=False参数，此时requests模块发送请求将不做CA证书的验证：verify参数能够忽略CA证书的认证

import requests
url = "htt://sam.huat.edu.cn:8443/selfservice/" 
response = requests.get(url,verify=False)

知识点：掌握 使用verify参数忽略CA证书

未完待续 下一期下一章

完整笔记请看文章开头