项目三：学会如何使用python爬虫请求库（小白入门级）

时间：2024-04-19 15:59:01

根据上一篇文章我们学会的如何使用请求库和编写请求函数，这一次我们来学习一下爬虫常用的小技巧。

自定义Headers

Headers是请求的一部分，包含了关于请求的元信息。我们可以在requests调用中传递一个字典来自定义Headers。代码如下

import requests
headers = {
     'User-Agent': 'My Custom User Agent',
    'Accept': 'application/json',
    'Authorization': 'Bearer YOUR_ACCESS_TOKEN',
    'Content-Type': 'application/json'
}
res = requests.get(url='https://www.baidu.com/', headers=headers)
print(res.headers)

输出结果

如果输出的代码看不懂，可以看下面代码对比图片读懂代码。

这些头部信息对于开发者和网络管理员来说非常重要，因为它们提供了关于服务器响应和行为的详细信息。理解这些头部可以帮助你更好地处理HTTP请求和响应，以及优化Web应用程序的性能和安全性。

{'Accept-Ranges': 'bytes', //指示服务器支持的请求范围类型
'Cache-Control': 'no-cache', //指定了响应的缓存策略
 'Connection': 'keep-alive',  //指示连接是否应该在请求完成后保持打开状态
 'Content-Length': '227',  //响应内容的字节长度
//定义了哪些内容可以被加载到页面上，以及页面可以与哪些外部资源交互。这个头部用于提高安全性，防止跨站脚本（XSS）攻击
 'Content-Security-Policy': "frame-ancestors 'self' https://chat.baidu.com http://mirror-chat.baidu.com https://fj-chat.baidu.com https://hba-chat.baidu.com https://hbe-chat.baidu.com https://njjs-chat.baidu.com https://nj-chat.baidu.com https://hna-chat.baidu.com https://hnb-chat.baidu.com http://debug.baidu-int.com;", 
 'Content-Type': 'text/html',  //响应内容的媒体类型
 'Date': 'Mon, 15 Apr 2024 09:46:00 GMT',  //响应生成的日期和时间
 'P3p': 'CP=" OTI DSP COR IVA OUR IND COM ", CP=" OTI DSP COR IVA OUR IND COM "',  //公共隐私政策项目（P3P）的头部，用于定义网站的隐私策略
 'Pragma': 'no-cache', //与Cache-Control类似，Pragma是一个HTTP/1.0的缓存指令，no-cache表示响应不应该被缓存。
 'Server': 'BWS/1.1',  //服务器软件的名称和版本
 'Set-Cookie': 'BD_NOT_HTTPS=1; path=/; Max-Age=300, BIDUPSID=F36C5CA8D21142BD74B5207C59287DBD; expires=Thu, 31-Dec-37 23:55:55 GMT; max-age=2147483647; path=/; domain=.baidu.com, PSTM=1713174360; expires=Thu, 31-Dec-37 23:55:55 GMT; max-age=2147483647; path=/; domain=.baidu.com, BAIDUID=F36C5CA8D21142BD2FFC0E76C39C86DD:FG=1; max-age=31536000; expires=Tue, 15-Apr-25 09:46:00 GMT; domain=.baidu.com; path=/; version=1; comment=bd', //设置一个或多个Cookie，用于维持用户会话、跟踪用户行为等
 'Traceid': '1713174360037795661812152107203751720698',  //服务器为请求生成的唯一追踪ID，用于调试和日志记录
 'X-Ua-Compatible': 'IE=Edge,chrome=1',  //指示服务器支持的浏览器兼容性
 'X-Xss-Protection': '1;mode=block'} //浏览器的安全头部，用于启用XSS保护机制
自定义Cookies

Cookies通常用于维持用户的会话状态。我们可以通过cookies参数在requests调用中传递一个RequestsCookieJar对象或者一个字典来自定义Cookies。代码如下

# 导入requests库
import requests
# 自定义cookies
cookies = {'cookies_are':'working'}
# 发起请求
res = requests.get(url='http://httpbin.org/cookies', cookies=cookies)
# 打印响应内容
print(res.text)

这个代码主要用来维持会话状态

输出结果

提示：自定义Cookies在爬虫中通常用于维持会话（如登录）、绕过防爬机制、跟踪用户行为、处理Cookies限制等。

重定向(allow_redirects)

在HTTP请求中，重定向是指服务器指示客户端去访问另一个URL的响应。重定向是一种常见的Web机制，用于URL变更、负载均衡、内容移动等场景。

HTTP状态码中，301（Moved Permanently）、302（Found）、303（See Other）、307（Temporary Redirect）和308（Permanent Redirect）都是表示重定向的响应码

在网络请求中，我们常常会遇到状态码是3开头的重定向问题，在Requests中是默认开启允许重定向的，即遇到重定向时，会自动继续访问，这个行为由llow_redirects参数来控制。

使用allow_redirects参数的场景包括：

  • 当你知道URL已经更新，并且想要直接访问新URL时，可以禁用重定向，以获取重定向响应中的新URL。
  • 当你需要分析重定向链时，可以通过禁用重定向并检查response.history来获取所有的重定向记录。
  • 当服务器返回的重定向可能包含敏感信息或不安全的内容时，禁用重定向可以防止客户端无意中访问这些URL。

通过灵活使用allow_redirects参数，可以更好地控制requests库的行为，以适应不同的网络请求场景。

重定向是一种服务器端行为，它通过将用户的请求从一个URL重定向到另一个URL来提供更好的用户体验和管理网站内容。重定向可以有以下作用：

  1. 网站更改：当网站管理员决定更改网站的URL结构或移动页面时，重定向可以确保现有的链接仍然有效，并将用户正确地引导到新的位置。

  2. 域名重定向：当网站有多个域名时，可以使用重定向将用户引导到主要域名，以确保所有流量都指向一个位置。

  3. 防止重复内容：重定向可以确保用户访问正确的标准化URL，从而避免搜索引擎索引多个相同内容的URL。

  4. 统一资源：对于移动设备和桌面设备，可以使用重定向将用户引导到适合其设备的不同版本的网站。

在网络编程中，允许重定向可以确保客户端能够跟随服务器发送的重定向指令，从而获得正确的资源。

简单代码如下

#导入requests模块
import requests
#发送请求 允许重定向
response = requests.get('http://example.com', allow_redirects=True)
#输出响应内容
print(response.url)

注意：重定向(False=关闭重定向，True=开启重定向

输出结果：

最后一行打印出了响应的URL，这对于检查是否发生了重定向是很有用的。

重定向有许多操作，这里选用一个简单的部分，能够让大家一眼看懂

禁止证书验证(verify)

在爬虫过程中，SSL证书是用于在客户端（爬虫）和服务器之间建立安全通信的重要工具。而需要SSL证书验证有以下原因：

  1. 数据加密： SSL证书确保了客户端和服务器之间的数据传输是加密的。这意味着即使数据在传输过程中被拦截，攻击者也无法轻易读取或修改数据内容。

  2. 身份验证： SSL证书还用于验证服务器的身份。当爬虫访问一个使用SSL证书的服务器时，它可以检查证书是否由受信任的证书颁发机构（CA）签发，以及证书中的信息是否与服务器声称的身份匹配。这有助于防止中间人攻击和欺诈网站。

  3. 信任和声誉： 使用有效的SSL证书可以提高网站的信誉和用户的信任度。对于爬虫来说，确保与信任的服务器通信可以提高爬取数据的质量和安全性。

  4. 遵守法规： 某些法律法规要求网站和服务必须使用SSL证书来保护用户数据。作为爬虫开发者，遵守这些法规可以避免潜在的法律问题。

  5. 浏览器和库的要求： 现代浏览器和网络库（如requests）默认要求使用SSL证书。如果没有有效的证书或证书验证失败，浏览器和库可能会拒绝连接或发出警告。

  6. 防止数据泄露： SSL证书有助于防止敏感数据（如登录凭据、个人信息等）在传输过程中被窃取。这对于爬取可能包含敏感信息的网站尤为重要。

简单案例代码

import requests

# 关闭SSL证书验证
response = requests.get('https://www.baidu.com/', verify=False)

这个代码用来关闭证书验证，通常情况下，不建议关闭，除非你信任这个网络环境，否则可能会数据泄密或者中间人攻击。大家自行验证即可????(っ °Д °;)っ

输出结果

解释：输出的信息包含以下内容

  1. InsecureRequestWarning： 这是一个警告，由urllib3库发出，提示你的HTTPS请求没有进行证书验证。在Python 3中，如果你使用urllib3库进行HTTPS请求，而没有指定cert_reqs='CERT_REQUIRED'来启用证书验证，就会收到这个警告。这是因为没有证书验证的HTTPS请求容易受到中间人攻击（MITM），所以强烈建议启用证书验证以保证通信安全。

  2. 警告链接： 警告信息中提供了一个链接，指向urllib3的官方文档，其中详细介绍了如何处理SSL警告和如何配置证书验证。

  3. HTML内容： 这部分是百度首页的HTML源码片段。它包含了百度的登录链接、搜索框、导航链接以及其他一些页面元素。这个HTML片段可能是从网络请求的响应中提取出来的

设置超时(timeout)

超时时间应该根据目标服务器的响应速度和网络状况来合理设置。过短的超时时间可能导致不必要的超时异常，而过长的超时时间可能会导致爬虫效率降低。因此要合理设置，提高爬虫效率

import requests
# 设置超时
requests.get('https://www.baidu.com/', timeout=10)
print('ok')

输出结果

这表示爬虫没有超时，并成功响应信息。

好了今日分享到此一游，各位点个赞，关注我不迷路

相关文章