python常用request庫與lxml庫操作方法整理總結(jié)

requests 庫最常見的操作

請求參數(shù)以及請求方法

導(dǎo)入 requests 庫之后，基本都在圍繞 requests.get 做文章，這里重點要回顧的是 get 方法的參數(shù)，其中包含如下內(nèi)容，下述內(nèi)容在官方手冊沒有呈現(xiàn)清單，通過最新版源碼分析。

除 url 參數(shù)外，其余都為可選參數(shù)，即非必選。

• url：請求地址；
• params：要發(fā)送的查詢字符串，可以為字典，列表，元組，字節(jié)；
• data：body 對象中要傳遞的參數(shù)，可以為字段，列表，元組，字節(jié)或者文件對象；
• json：JSON 序列化對象；
• headers：請求頭，字典格式；
• cookies：傳遞 cookie，字段或 CookieJar 類型；
• files：最復(fù)雜的一個參數(shù)，一般出現(xiàn)在 POST 請求中，格式舉例 "name":文件對象 或者 {'name':文件對象}，還可以在一個請求中發(fā)送多個文件，不過一般爬蟲場景不會用到；
• auth：指定身份驗證機制；
• timeout：服務(wù)器等待響應(yīng)時間，在源碼中檢索到可以為元組類型，這個之前沒有使用過，即 (connect timeout, read timeout)；
• allow_redirects：是否允許重定向；
• proxies：代理；
• verify：SSL 驗證；
• stream：流式請求，主要對接流式 API；
• cert：證書。

以上內(nèi)容就是 GET 請求中可以配置的參數(shù)，除了 GET 請求外，requests 還內(nèi)置了其他的服務(wù)器請求方式，如下所示，這些方法需要的參數(shù)與上述清單一致。

GET, OPTIONS, HEAD, POST, PUT, PATCH, or DELETE

在 Python 爬蟲的實戰(zhàn)當(dāng)中，主要以 GET 與 POST 為主，常用的參數(shù)為：

url，params，data，headers，cookies，timeout，proxies，verify。

響應(yīng)對象的屬性與方法

使用 requests 庫請求之后，會得到一個 Response 對象，該對象最重要的內(nèi)容就是屬性與方法，通過 dir 函數(shù)可以獲取 Response 對象的屬性和方法。

    help(res)
    print(dir(res))

獲取到的內(nèi)容如下所示，其中有我們之前案例中常見的一些內(nèi)容。

['__attrs__', '__bool__', '__class__', '__delattr__', '__dict__', '__dir__', '__doc__',
'__enter__', '__eq__', '__exit__', '__format__', '__ge__', '__getattribute__', '__getstate__',
'__gt__', '__hash__', '__init__', '__init_subclass__', '__iter__', '__le__', '__lt__',
'__module__', '__ne__', '__new__', '__nonzero__', '__reduce__', '__reduce_ex__', '__repr__',
'__setattr__', '__setstate__', '__sizeof__', '__str__', '__subclasshook__', '__weakref__',
'_content', '_content_consumed', '_next', 'apparent_encoding', 'close', 'connection',
'content', 'cookies', 'elapsed', 'encoding', 'headers', 'history', 'is_permanent_redirect',
'is_redirect', 'iter_content', 'iter_lines', 'json', 'links', 'next', 'ok', 'raise_for_status',
'raw', 'reason', 'request', 'status_code', 'text', 'url']

如果只將 requests 庫應(yīng)用在爬蟲采集領(lǐng)域，那上述屬性與方法中，比較常用的有：

屬性 property

• ok：只要狀態(tài)碼 status_code 小于 400，都會返回 True；
• is_redirect：重定向?qū)傩裕?/li>
• content：響應(yīng)內(nèi)容，字節(jié)類型；
• text：響應(yīng)內(nèi)容，Unicode 類型；
• status_code：響應(yīng)狀態(tài)碼；
• url：響應(yīng)的最終 URL 位置；
• encoding：當(dāng)訪問 r.text 時的編碼；

方法

• json：將響應(yīng)結(jié)果序列化為 JSON；

會話對象

在本專欄前面的文章中，存在一個被忽略的 requests 高級特性，即會話對象

該對象能夠在跨域請求的時候，保持住某些參數(shù)，尤其是 cookie

如果你想向同一主機發(fā)送多個請求，使用會話對象可以將底層的 TCP 連接進行重用，帶來顯著的性能提升。

• 會話對象使用非常簡單，在發(fā)起 requests 對象之前，增加如下所示代碼即可。

# 建立會話對象
s = requests.Session()
# 后續(xù)都使用會話對象進行進行，而不是直接使用 requests 對象
s.get('http://httpbin.org/cookies/set/sessioncookie/123456789')
r = s.get("http://httpbin.org/cookies")
print(r.text)

由于專欄前面并未涉及相關(guān)案例，故直接引入官方手冊案例說明。

• 下述代碼演示的是會話也可用來為請求方法提供缺省數(shù)據(jù)，顧名思義就是直接給會話對象增加的請求參數(shù)，在后續(xù)代碼中默認可用。

import requests
s = requests.Session()
s.auth = ('user', 'pass')
s.headers.update({'x-test': 'true'})
# both 'x-test' and 'x-test2' are sent
r = s.get('http://httpbin.org/headers', headers={'x-test2': 'true'})
print(r.text)

接下來官網(wǎng)案例還展示了 法級別的參數(shù)也不會被跨請求保持，即在 s.get() 方法中如果傳遞了 cookie，那不會被保持住，這兩個案例，從正面與反面為我們核心展示的就是，如何使用會話對象保持參數(shù)

• 通過會話對象的屬性設(shè)置的參數(shù)，能被保持，
• 而通過會話對象方法傳遞的參數(shù)，不能被保持。

SSL 證書驗證，客戶端證書，CA 證書

在爬蟲采集數(shù)據(jù)的過程中，碰到 https 的網(wǎng)站在正常不過，requests 庫使用過程中 SSL 驗證是默認開啟的，如果證書驗證失敗，即拋出 SSLError錯誤。

不過更多的時候，我們通過設(shè)置 verify = False ，忽略對 SSL 證書的驗證，除非及其特殊的情況，必須增加相關(guān)證書邏輯。

代理

有的網(wǎng)站在采集過程中，會針對 IP 進行限制，此時就需要使用代理進行跳過操作，設(shè)置 proxies 參數(shù)即可，本部分內(nèi)容比較簡單，后續(xù)很多案例還會復(fù)用到。

除了 HTTP 代理外， requests 2.10 版本之后，增加了 SOCKS 代理，如果你需要使用，需要通過 pip 安裝相應(yīng)庫。

pip install requests[socks]

安裝完畢，出現(xiàn)新的第三方庫 PySocks，使用方式與 HTTP 代理一致。

Cookie

爬蟲采集過程會大量的與 cookie 打交道，

獲取網(wǎng)站響應(yīng)的 cookie，使用 response 對象的 cookies 屬性即可。

• 如果希望向服務(wù)器傳遞 cookie，可以通過 cookies 參數(shù)，例如下述代碼：

url = 'http://httpbin.org/cookies'
cookies = dict(cookies_are='working')
r = requests.get(url, cookies=cookies)

•  如果你希望對 cookie 有更加細致的操作，重點研究 requests.cookies.RequestsCookieJar 對象即可，簡單的代碼使用如下所示：

jar = requests.cookies.RequestsCookieJar()
jar.set('tasty_cookie', 'yum', domain='httpbin.org', path='/cookies')
jar.set('gross_cookie', 'blech', domain='httpbin.org', path='/elsewhere')
url = 'http://httpbin.org/cookies'
r = requests.get(url, cookies=jar)
print(r.text)

RequestsCookieJar 對象具備更加豐富的接口，適合跨域名跨路徑使用，相關(guān)接口查詢：

https://docs.python-requests.org/zh_CN/latest/api.html#requests.cookies.RequestsCookieJar

requests 非常適合作為 Python 爬蟲入門階段第一選擇，其簡單的接口與代碼封裝

• 能大幅度降低網(wǎng)絡(luò)請求代碼編寫難度，讓你專注與目標(biāo)數(shù)據(jù)的提取，
• 更有基于高級請求的封裝作為提高部分，該庫完全可以貫穿你的整個爬蟲工程師生涯。

lxml 庫

lxml 庫是一款 Python 數(shù)據(jù)解析庫，參考重要文檔在 https://lxml.de/，項目開源地址在：https://github.com/lxml/lxml，在一頓檢索之后，發(fā)現(xiàn) lxml 沒有中文相關(guān)手冊，不過好在英文文檔閱讀難度不大，我們可以直接進行學(xué)習(xí)。

lxml.etree

縱覽之前的博客內(nèi)容，出場率最高的就是 lxml.etree ，其次就是 Element 對象，我們在解析數(shù)據(jù)的時候，大量的代碼都是基于 Element 對象的 API 實現(xiàn)。

• 在爬蟲代碼采集過程中，通過 etree.HTML 直接將字符串實例化為 element 對象。

import requests
from lxml import etree

res = requests.get("http://www.jsons.cn/zt/")

html = res.text

root_element = etree.HTML(html)

print(root_element)
print(root_element.tag)

上述代碼輸出內(nèi)容如下所示：

Element html at 0x3310508>
html

• 其中需要注意的是 Element 后面的 html，該字符串表示對象的標(biāo)簽名為 html，如果使用下述代碼：

print(root_element[1])

• 上述內(nèi)容得到的是 Element body at 0x356e248>，即 body 標(biāo)簽，同樣的操作可以使用子元素獲取。

print("*"*100)
for child in root_element:
    print(child.tag)

上述代碼輸出的內(nèi)容為：

head
body

該輸出表示在 html 標(biāo)簽中，只包含head 與 body 標(biāo)簽，實際情況也確實如此，為了驗證，你可以在 循環(huán)中繼續(xù)嵌套一層。

此時輸出的內(nèi)容就變得豐富了需求，如下圖所示：

你也可以通過 etree.tostring(element對象) 直接將該對象轉(zhuǎn)換為字符串進行輸出。

for child in root_element:
    for item in child:
        print(item.tag)
        print(etree.tostring(item))

XPath

lxml 庫可以配合其他的解析引擎進行工作，首次接觸的就是 XPath，關(guān)于 XPath 相關(guān)的知識，我們后續(xù)會細化學(xué)習(xí)，本節(jié)課依舊從 lxml 的角度出發(fā)，為你介紹。

在爬蟲代碼編寫中，直接使用 html.xpath("xpath表達式") 即可獲取目標(biāo)數(shù)據(jù)，例如獲取網(wǎng)頁 title。

print(root_element.xpath('//title'))

獲取網(wǎng)頁所有文本：

print(root_element.xpath('string()'))

獲取到 element 對象之后，可調(diào)用 text 屬性，獲取對應(yīng)文本，在使用的時候，需要注意使用 XPath 獲取到的 element 對象，都是列表。

title_element = root_element.xpath('//title')
print(title_element[0].text)

在 lxml 中，還內(nèi)置了一款 簡單的類似 XPath 的路徑語言，稱為 ElementPath，例如查詢 title，需要從 head 開始檢索，否則返回 None。

print(root_element[0].find("title"))

官方提供的方法如下：

• iterfind()： 返回查找到的數(shù)據(jù)，迭代器形式返回；
• findall()： 返回匹配到的列表；
• find()： 返回第一個匹配到的數(shù)據(jù)；
• findtext()： 返回匹配到的文本數(shù)據(jù)，第一個。

lxml 其他說明

lxml 除了可以配合 XPath 實現(xiàn)數(shù)據(jù)解析外，還可以與 cssselect ，BeautifulSoup，html5lib 配合使用，這部分在后續(xù)的案例中，將逐步進行展開。

lxml 在爬蟲領(lǐng)域，更多的是在提取數(shù)據(jù)，因此較于該庫本身，掌握 XPath 等解析表達式的寫法更加重要。

鑒于該庫手冊沒有被翻譯，后期可以嘗試將其翻譯為中文。

到此這篇關(guān)于總結(jié)python常用request庫與lxml庫常用操作的文章就介紹到這了,更多相關(guān)python中request庫與lxml庫內(nèi)容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！