自動(dòng)評(píng)論何須學(xué)完爬蟲(chóng)，只需要掌握Requests庫(kù)即可
網(wǎng)絡(luò)庫(kù)requests
其實(shí)，我們有專(zhuān)門(mén)的網(wǎng)絡(luò)庫(kù)進(jìn)行直接的網(wǎng)絡(luò)請(qǐng)求與處理，它就是requests庫(kù)。在我們開(kāi)始講解與使用之前，需要通過(guò)如下命令進(jìn)行安裝：
- pip install requests
首先，我們先來(lái)看看requests庫(kù)可以進(jìn)行哪些操作：
1.發(fā)送HTTP請(qǐng)求2.上傳文件3.處理Cookie4.支持Session會(huì)話(huà)5.使用代理6.身份驗(yàn)證7.打包請(qǐng)求8.SSL證書(shū)驗(yàn)證
下面，我們來(lái)一一介紹這些操作具體是如何實(shí)現(xiàn)的。
發(fā)送HTTP請(qǐng)求
與urllib與urllib3一樣，HTTP請(qǐng)求常用的是GET請(qǐng)求與POST請(qǐng)求。
GET請(qǐng)求
其中，GET請(qǐng)求使用的方式是requests.get()。它可以設(shè)置參數(shù)params，也可以設(shè)置超時(shí)timeout，同時(shí)也可以設(shè)置請(qǐng)求頭headers。
示例如下：
- import requests
- url = "https://www.csdn.net/"
- headers = {
- 'user-agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/91.0.4472.124 Safari/537.36'
- }
- result = requests.get(url=url, timeout=1, headers=headers)
- #打印網(wǎng)頁(yè)源代碼
- print(result.text)
- #打印響應(yīng)狀態(tài)碼
- print(result.status_code)
- #打印Cookie
- print(result.cookies)
- #打印result類(lèi)型
- print(type(result))
運(yùn)行之后，輸出如下：
POST請(qǐng)求
接著，我們來(lái)介紹POST請(qǐng)求。這里，我們同樣使用測(cè)試網(wǎng)站http://httpbin.org/post，向它發(fā)送一些數(shù)據(jù)。示例如下：
- import requests
- url = "http://httpbin.org/post"
- data = {
- "name": "liyuanjing",
- "age": "29"
- }
- headers = {
- 'user-agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/91.0.4472.124 Safari/537.36'
- }
- result = requests.post(url=url, timeout=1, headers=headers, data=data)
- # 打印網(wǎng)頁(yè)源代碼
- print(result.text)
- # 將其轉(zhuǎn)換為json
- print(result.json())
運(yùn)行之后，效果如下：
抓取二進(jìn)制圖片
對(duì)于文本文件的獲取，我們很簡(jiǎn)單地通過(guò)text進(jìn)行處理分析。但是假如我們是獲取的一張圖片顯然text是無(wú)法還原真實(shí)內(nèi)容。
不僅如此，圖片的text是亂碼。所以，我們需要將獲取到的圖片二進(jìn)制數(shù)據(jù)通過(guò)相應(yīng)的API保存為文件。示例代碼如下：
- import requests
- url = "https://img1.baidu.com/it/u=954496120,1621506021&fm=26&fmt=auto&gp=0.jpg"
- headers = {
- 'user-agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/91.0.4472.124 Safari/537.36'
- }
- result = requests.get(url=url, timeout=1, headers=headers)
- with open('requests.png', 'wb') as f:
- f.write(result.content)
運(yùn)行之后，就會(huì)在程序目錄的統(tǒng)計(jì)目錄下生成一張圖片，當(dāng)然圖片鏈接讀者可以自己去找。這里的鏈接暫時(shí)有效。
需要注意的是，response.text是Unicode編碼，而response.content是原始二進(jìn)制字節(jié)流，這一點(diǎn)要額外注意，如果網(wǎng)頁(yè)出現(xiàn)亂碼，可以使用response.encoding=”gbk”進(jìn)行設(shè)置解析。
上傳文件
與講解urllib3一樣，我們這里上傳文件的服務(wù)器端口，由flask編寫(xiě)。我們先來(lái)看看服務(wù)器端的代碼：
- import flask
- import os
- UPLOAD_FILE = 'uploads'
- app = flask.Flask(__name__)
- @app.route('/', methods=['POST'])
- def upload_file():
- file = flask.request.files['file']
- if file:
- file.save(os.path.join(UPLOAD_FILE, os.path.basename(file.filename)))
- return '文件上傳成功'
- else:
- return '文件上傳失敗'
- if __name__ == '__main__':
- app.run()
運(yùn)行此段代碼，默認(rèn)會(huì)一直運(yùn)行等待下去。
而使用requests進(jìn)行文件的上傳，也非常的簡(jiǎn)單，因?yàn)槲募蟼魇荘ost請(qǐng)求，我們只需要設(shè)置file參數(shù)。示例如下：
- import requests
- url = "http://127.0.0.1:5000"
- headers = {
- 'user-agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/91.0.4472.124 Safari/537.36'
- }
- files = {
- "file": open('123.png', 'rb')
- }
- result = requests.post(url=url, files=files)
- print(result.text)
運(yùn)行之后，會(huì)在項(xiàng)目文件uploads文件夾下多一個(gè)123.png圖片，當(dāng)然123上傳時(shí)的文件必須存在。同時(shí)也要事先創(chuàng)建uploads文件夾。
處理Cookie
一般來(lái)說(shuō)，爬蟲(chóng)分為2個(gè)部分：首先是登錄，然后才是爬取。而在登錄時(shí)，我們一般使用selenium，進(jìn)行cookie的返回。
接著使用requests進(jìn)行爬取網(wǎng)頁(yè)的源代碼，因?yàn)閟elenium是一個(gè)專(zhuān)門(mén)的庫(kù)，后面我們會(huì)介紹，這里我們先假設(shè)我們獲取到了cookie。
直接將Cookie設(shè)置到請(qǐng)求頭
為了更有意思，我們?cè)赾hrome按F12之后，用瀏覽器評(píng)論一個(gè)CSDN帖子，會(huì)捕捉到如下圖所示的請(qǐng)求數(shù)據(jù)：
這里，我們可以復(fù)制cookie數(shù)據(jù)到我們的headers之中。
同時(shí)下面有一個(gè)提交表單，其中，content是我們?cè)u(píng)論CSDN的內(nèi)容，articleId是我們?cè)u(píng)論CSDN的帖子，讀者可以自己看看CSDN帖子是否有一串?dāng)?shù)字。
通過(guò)請(qǐng)求頭，評(píng)論CSDN
那么，我們可以仿照這個(gè)請(qǐng)求連接，通過(guò)requests完成CSDN的評(píng)論操作，示例代碼如下所示：
- import requests
- url = "https://blog.csdn.net/phoenix/web/v1/comment/submit"
- headers = {
- 'user-agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/91.0.4472.124 Safari/537.36',
- 'cookie': 'CSDN登錄后返回的cookie',
- }
- data = {
- "commentId": "",
- "content": "最近正在學(xué)習(xí)剛好能用上",
- "articleId": "118750834",
- }
- result = requests.post(url=url, data=data, headers=headers)
- print(result.status_code)
運(yùn)行之后，控制臺(tái)會(huì)輸出200，同時(shí)評(píng)論帖子下面會(huì)多出一條評(píng)論數(shù)據(jù)，如下圖所示：
RequestsCookieJar()
除了通過(guò)請(qǐng)求頭設(shè)置Cookie進(jìn)行訪(fǎng)問(wèn)之外，其實(shí)我們的post()方法還有一個(gè)專(zhuān)門(mén)的cookies參數(shù)，它用于接收RequestsCookieJar對(duì)象。
示例如下：
- import requests
- url = "https://blog.csdn.net/phoenix/web/v1/comment/submit"
- headers = {
- 'user-agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/91.0.4472.124 Safari/537.36',
- }
- cookieStr = 'CSDN登錄后返回的cookie'
- data = {
- "commentId": "",
- "content": "最近正在學(xué)習(xí)剛好能用上",
- "articleId": "118517922",
- }
- jar = requests.cookies.RequestsCookieJar()
- for cookie in cookieStr.split(";"):
- key, value = cookie.split('=', 1)
- jar.set(key, value)
- result = requests.post(url=url, data=data, headers=headers, cookies=jar)
- print(result.status_code)
這段代碼與前文運(yùn)行效果一樣，這里不再輸出運(yùn)行結(jié)果，僅僅只是cookie使用方式的不同形式。
Session會(huì)話(huà)
cookie數(shù)據(jù)保存在客戶(hù)端，session數(shù)據(jù)保存在服務(wù)器端，一個(gè)Session代表一個(gè)特定的客戶(hù)端。那么如何在特定的客戶(hù)端與服務(wù)器端的Session對(duì)象之間建立聯(lián)系呢?
通常就是不斷在客戶(hù)端與服務(wù)器端之間來(lái)回傳遞一個(gè)ID，通過(guò)這個(gè)ID，客戶(hù)端就能在服務(wù)器端找到對(duì)應(yīng)的Session對(duì)象。
在實(shí)際的爬蟲(chóng)項(xiàng)目中，有時(shí)候需要使用同一個(gè)客戶(hù)端來(lái)多次抓取頁(yè)面，就可以用到Session。示例代碼如下：
- result = requests.post(url=url, data=data, headers=headers, cookies=jar)
- session = requests.Session()
- r2 = session.post(url=url, data=data, headers=headers, cookies=jar)
- print(r2.status_code)
這里，我們將上面的Cookie代碼改一改即可。
使用代理
對(duì)于requests庫(kù)來(lái)說(shuō)，使用代理非常簡(jiǎn)單，因?yàn)間et與post函數(shù)都有一個(gè)proxies參數(shù)，用于設(shè)置代理即可。示例如下：
- import requests
- url = "https://www.csdn.net/"
- headers = {
- 'user-agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/91.0.4472.124 Safari/537.36',
- }
- proxies = {
- 'http': 'http://183.47.138.80:8888',
- 'http': 'http://125.78.226.217:8888'
- }
- result = requests.post(url=url, proxies=proxies)
需要注意的是，這里的代理IP博主測(cè)試的時(shí)候是有效的，但讀者可能讀到的時(shí)候已經(jīng)失效，讀者可以自己去網(wǎng)絡(luò)搜尋免費(fèi)的代理測(cè)試。
除了基本的HTTP代理，Request還支持SOCKS協(xié)議的代理。這是一個(gè)可選的功能，若要使用，需要使用下面的命令安裝第三方庫(kù)。
- pip install requests[socks]
安裝完成之后，替換proxies即可。
- proxies = {
- 'http': 'socks5://user:pass@host:port',
- 'https': 'socks5://user:pass@host:port'
- }
身份驗(yàn)證
requests庫(kù)還提供了身份驗(yàn)證功能，其中，get與post方法有一個(gè)auth參數(shù)專(zhuān)門(mén)用于身份驗(yàn)證，傳入的參數(shù)是HTTPBasicAuth，示例代碼如下：
- import requests
- from requests.auth import HTTPBasicAuth
- url = "https://www.csdn.net/"
- headers = {
- 'user-agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/91.0.4472.124 Safari/537.36',
- }
- result = requests.post(url=url, auth=HTTPBasicAuth('name', 'password'))
- print(result.status_code)
這里，只是給讀者展示如何通過(guò)代碼進(jìn)行身份驗(yàn)證，如果你自己編寫(xiě)服務(wù)器，可以通過(guò)如上代碼進(jìn)行操作，這里就不編寫(xiě)了。
打包請(qǐng)求
不管是上面的get請(qǐng)求還是post請(qǐng)求，我們都是通過(guò)requests.get或者requests.post進(jìn)行操作的，但其實(shí)我們可以將請(qǐng)求參數(shù)單獨(dú)列出來(lái)打包。
也就是，俗稱(chēng)的封裝。示例代碼如下所示：
- import requests
- url = "https://www.csdn.net/"
- headers = {
- 'user-agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/91.0.4472.124 Safari/537.36',
- }
- req = requests.Request('get', url=url, headers=headers)
- session = requests.Session()
- prepared = session.prepare_request(req)
- result = session.send(prepared)
- print(result.text)
這里，通過(guò)Request進(jìn)行封裝請(qǐng)求數(shù)據(jù)，然后調(diào)用Session的prepare_request方法處理Request對(duì)象，并返回一個(gè)requests.models.Response對(duì)象。
最后，通過(guò)Session.send方法發(fā)送Response對(duì)象。
SLL證書(shū)驗(yàn)證
在requests請(qǐng)求中，有一個(gè)verify的參數(shù)。訪(fǎng)問(wèn)HTTPS時(shí)，如果需要驗(yàn)證SSL證書(shū)，可以不設(shè)置該數(shù)據(jù)，它默認(rèn)為T(mén)rue表示驗(yàn)證證書(shū)。
如果不需要驗(yàn)證證書(shū)，可以設(shè)置verify等于False，那么就不會(huì)進(jìn)行驗(yàn)證。驗(yàn)證的代碼很簡(jiǎn)單，就是什么也不用做即可，代碼如下：
- import requests
- try:
- url = "https://www.csdn.net/"
- result = requests.get(url)
- print(result.status_code)
- except requests.exceptions.SSLError as e:
- print(e.args[0])
如果你的網(wǎng)站沒(méi)有SLL證書(shū)，或者證書(shū)未經(jīng)過(guò)權(quán)威機(jī)構(gòu)認(rèn)證，則會(huì)拋出SSLError異常。
如果你的網(wǎng)站有SLL證書(shū)，且經(jīng)過(guò)了權(quán)威的認(rèn)證，那么就不會(huì)拋出異常。
而如果你不想驗(yàn)證證書(shū)的話(huà)，可以將代碼修改為如下代碼：
- import requests
- try:
- urllib3.disable_warnings()
- url = "https://www.csdn.net/"
- result = requests.get(url, verify=False)
- print(result.status_code)
- except requests.exceptions.SSLError as e:
- print(e.args[0])
不過(guò)，它會(huì)報(bào)InsecureRequestWarning警告信息，如果需要禁止輸出警告信息，可以使用urllib3.disable_warnings()進(jìn)行屏蔽。
