我想去猜演唱會門票的購買URL, 使用 requests 來判斷 url 是否存在,遇到 server side 會使用 http code 302 來 redirect. 變成結論都是存在的網頁。但我想測試是不是404。
解法:可以看一下 history 裡有沒有資料。
requests 使用方法:
https://requests.readthedocs.io/en/master/
The response.history
attribute is a list of responses that led to the final URL, which can be found in response.url
.
import requests
response = requests.get(someurl)
if response.history:
print("Request was redirected")
for resp in response.history:
print resp.status_code, resp.url
print("Final destination:",response.status_code, response.url)
else:
print("Request was not redirected")
print(response.content)
Demo:
>>> import requests
>>> response = requests.get('http://httpbin.org/redirect/3')
>>> response.history
(<Response [302]>, <Response [302]>, <Response [302]>)
>>> for resp in response.history:
... print resp.status_code, resp.url
...
302 http://httpbin.org/redirect/3
302 http://httpbin.org/redirect/2
302 http://httpbin.org/redirect/1
>>> print response.status_code, response.url
200 http://httpbin.org/get
requests
模組可以使用 pip
來安裝:
# 安裝 Python 2 的 requests 模組 pip install requests # 安裝 Python 3 的 requests 模組 pip3 install requests2
自訂請求表頭
在進階的網路爬蟲程式中,自訂請求表頭也是一個很常被使用的技術,以下是一個簡單的範例:
# 自訂表頭 my_headers = {'user-agent': 'my-app/0.0.1'} # 將自訂表頭加入 GET 請求中 r = requests.get('http://httpbin.org/get', headers = my_headers)
帳號密碼登入
若遇到需要帳號與密碼登入後才能看的網頁(HTTP 基本認證),可以使用 auth
參數指定帳號與密碼:
# 需要帳號登入的網頁 r = requests.get('https://api.github.com/user', auth=('user', 'pass'))
POST
請求
POST
請求也是很常用的 HTTP 請求,只要是網頁中有讓使用者填入資料的表單,大部分都會需要用 POST
請求來處理,以下是一個簡單的範例:
# 資料 my_data = {'key1': 'value1', 'key2': 'value2'} # 將資料加入 POST 請求中 r = requests.post('http://httpbin.org/post', data = my_data)
若有遇到重複鍵值(key)的 HTML 表單欄位,可以這樣處理:
# 具有重複鍵值的資料 my_data = (('key1', 'value1'), ('key1', 'value2')) # 將資料加入 POST 請求中 r = requests.post('http://httpbin.org/post', data = my_data)
伺服器回傳值
使用 r.content 取得傳回的資料,直接印出 r 只能拿到 header
r = requests.get("http://www.google.com")
print(r.content)
上傳檔案
若要上傳檔案,也可以使用 POST
請求來處理,這是一個上傳 Word 文件的範例:
# 要上傳的檔案 my_files = {'my_filename': open('my_file.docx', 'rb')} # 將檔案加入 POST 請求中 r = requests.post('http://httpbin.org/post', files = my_files)
Cookie
如果伺服器傳回的網頁資料中含有 cookies,requests
也可以輕鬆取出 cookies 的資料:
# 含有 cookie 的內容 r = requests.get("http://my.server.com/has/cookies") # 取出 cookie print(r.cookies['my_cookie_name'])
若要將自己設定的 cookies 放進 GET
請求中送給伺服器,可以這樣寫:
# 設定 cookie my_cookies = dict(my_cookie_name='G. T. Wang') # 將 cookie 加入 GET 請求 r = requests.get("http://httpbin.org/cookies", cookies = my_cookies)
常見問題
這裡列出一些實務上常見的問題與解決方式。
等待逾時
requests
預設會一直等待直到伺服器完成回應為止,如果想改變等待逾時設定,可以用 timeout
設定(單位為秒):
# 等待 3 秒無回應則放棄 requests.get('http://github.com/', timeout = 3)
等待逾時設定是指伺服器無回應的狀態下所等待的時間,更精確的說就是完全沒有收到任何資料的狀況下,可等待的最常時間。
自簽(不合格)憑證
當我們在自架網頁伺服器進行測試時,HTTPS 時常會有憑證不合格的問題,當 requests
遇到這種伺服器就容易會出現 requests.exceptions.SSLError
這樣的錯誤,解決的方式就是加上 verify=False
,關閉 requests
的憑證檢查功能:
# 關閉憑證檢查 import warnings from requests.packages.urllib3.exceptions import InsecureRequestWarning warnings.simplefilter('ignore',InsecureRequestWarning) r = requests.get('https://my.server.com/', verify = False)
參考資料:
requests 使用方法:
https://requests.readthedocs.io/en/master/
>>> r = requests.get('https://api.github.com/user', auth=('user', 'pass')) >>> r.status_code 200 >>> r.headers['content-type'] 'application/json; charset=utf8' >>> r.encoding 'utf-8' >>> r.text u'{"type":"User"...' >>> r.json() {u'private_gists': 419, u'total_private_repos': 77, ...}