Python Requests 库入门与实践：获取网络资源基础

用 Python 获取网络资源（一）：Requests 库入门与实践

学习概述

在网络数据采集领域，Python 有着得天独厚的优势，这得益于其丰富的第三方库生态。其中，requests 库是最简单、最人性化的 HTTP 客户端库之一，它让发送 HTTP 请求变得像访问本地文件一样简单。

通过本篇的学习，你将掌握：

• 使用 Requests 库发送 HTTP 请求
• 处理服务器响应，获取文本和二进制内容
• 设置请求头，模拟浏览器访问
• 使用正则表达式初步提取网页信息
• 了解 IP 代理的基本使用场景

用 Python 获取网络数据

为什么选择 Requests 库？

• 简单易用：API 设计直观，学习成本低
• 功能全面：支持 GET、POST 等各种 HTTP 方法，自动处理编码、Cookie 等
• 社区活跃：文档完善，遇到问题容易找到解决方案

初识 Requests：获取网页 HTML

下面是一个最简单的例子，演示如何使用 requests 获取搜狐首页的 HTML 代码：

import requests

# 发送 GET 请求
resp = requests.get('https://www.sohu.com/')

# 检查响应状态码（200 表示成功）
if resp.status_code == 200:
    # 打印网页 HTML 源代码
    print(resp.text[:1000])
else:
    print(f'请求失败，状态码：{resp.status_code}')

代码解析：requests.get() 发送 GET 请求，返回一个 Response 对象；resp.status_code 获取 HTTP 状态码；resp.text 获取响应内容的文本形式（自动解码）。

从 HTML 中提取信息：正则表达式初试

获取 HTML 只是第一步，我们通常需要从中提取特定信息。正则表达式是文本匹配的利器，下面示例从搜狐首页提取新闻标题和链接：

import re
import requests

# 匹配<a>标签中带有 title 属性的链接
pattern = re.compile(r'<a.*?href="(.*?)".*?title="(.*?)".*?>')

resp = requests.get('https://www.sohu.com/')

if resp.status_code == 200:
    all_matches = pattern.findall(resp.text)
    for href, title in all_matches[:5]:
        # 只显示前 5 个结果
        print(f'标题：{title}')
        print(f'链接：{href}')
        print('-' * 50)

注意：实际项目中，正则表达式可能因网页结构变化而失效。更稳定的解析方式（如 BeautifulSoup）将在后续文章介绍。

获取二进制资源：下载图片

Requests 不仅可以获取文本，还能下载图片、视频等二进制文件：

import requests

# 百度 Logo 的 URL
logo_url = 'https://www.baidu.com/img/PCtm_d9c8750bed0b3c7d089fa7d55720d6cf.png'

resp = requests.get(logo_url)

if resp.status_code == 200:
    # 将二进制内容写入文件
    with open('baidu_logo.png', 'wb') as f:
        f.write(resp.content)
    print('图片下载完成！')
else:
    print('下载失败')

提示：resp.content 返回的是二进制数据，而 resp.text 返回的是解码后的文本。

实战项目：爬取豆瓣电影 Top250

让我们用一个完整的实战项目巩固所学——爬取豆瓣电影 Top250 榜单。

1. 分析目标网站

• 访问 https://movie.douban.com/top250
• 每页显示 25 部电影，共 10 页
• 翻页 URL 规律：https://movie.douban.com/top250?start=0（第一页），`start=25`（第二页），依此类推

2. 编写爬虫代码

import random
import re
import time
import requests

for page in range(1, 11):
    # 循环 10 页
    # 计算当前页的 start 值
    start = (page - 1) * 25
    
    # 发送请求，设置 User-Agent 模拟浏览器
    resp = requests.get(
        url=f'https://movie.douban.com/top250?start={start}',
        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'}
    )
    
    if resp.status_code != 200:
        print(f'第{page}页请求失败')
        continue
    
    # 提取电影标题（中文标题）
    title_pattern = re.compile(r'<span>([^&]*?)</span>')
    titles = title_pattern.findall(resp.text)
    
    # 提取评分
    rating_pattern = re.compile(r'<span.*?>(.*?)</span>')
    ratings = rating_pattern.findall(resp.text)
    
    print(f'\n========== 第{page}页 ==========')
    for i, (title, rating) in enumerate(zip(titles, ratings), 1):
        print(f'{i:2d}. {title:30} 评分：{rating}')
    
    # 随机延迟，避免请求过于频繁
    delay = random.uniform(1, 3)
    time.sleep(delay)

print('\n数据抓取完成！')

关键点说明：User-Agent 设置：模拟浏览器访问，绕过基础反爬；正则表达式匹配：通过分析 HTML 结构定位目标数据；延迟机制：添加随机延迟，尊重目标网站，避免被封 IP。

3. 应对反爬：使用 IP 代理

当频繁访问同一网站时，你的 IP 可能会被限制。这时可以使用代理服务隐藏真实 IP。以下以示例代理配置为例：

import requests
import re

# 代理配置（需要替换为自己的 AppKey）
APP_KEY = '你的 AppKey'
PROXY_HOST = 'proxy.example.com:9001'

for page in range(1, 4):
    # 只测试前 3 页
    resp = requests.get(
        url=f'https://movie.douban.com/top250?start={(page - 1)*25}',
        headers={
            'Proxy-Authorization': f'Basic {APP_KEY}',
            'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36'
        },
        proxies={
            'http': f'http://{PROXY_HOST}',
            'https': f'https://{PROXY_HOST}'
        },
        verify=False  # 跳过 SSL 证书验证（仅用于测试）
    )
    
    if resp.status_code == 200:
        # 提取逻辑同上
        titles = re.findall(r'<span>([^&]*?)</span>', resp.text)
        print(f'第{page}页获取到{len(titles)}部电影')
    else:
        print(f'第{page}页请求失败：{resp.status_code}')
    time.sleep(1)

爬虫开发注意事项

1. 频率控制：合理设置请求间隔，避免对目标服务器造成压力
2. 异常处理：网络请求可能失败，添加重试机制
3. 遵守协议：查看目标网站的 robots.txt，尊重爬取规则
4. 数据存储：及时保存已获取数据，避免重复工作

拓展学习：Requests 库更多功能

Requests 库还有很多高级功能值得探索：

• 会话保持：使用 Session 对象维持 Cookie
• 文件上传：模拟表单文件上传
• SSL 证书验证：处理 HTTPS 请求
• 超时设置：防止请求无限等待
• 身份认证：支持 Basic Auth、OAuth 等

总结与预告

今天，我们学会了使用 Requests 库发送 HTTP 请求并获取响应内容，这是网络爬虫最基础也是最核心的一步。同时，我们用正则表达式进行了初步的数据提取，完成了豆瓣电影 Top250 的爬取实战。

然而，正则表达式编写和维护成本较高，特别是面对复杂的 HTML 结构时。下一篇文章，我们将介绍两种更优雅的 HTML 解析工具：BeautifulSoup 和 lxml，它们能让我们用更直观的方式提取网页数据。

动手练习

1. 基础任务：使用 Requests 下载一张你喜欢的图片，并保存到本地。
2. 进阶任务：修改豆瓣电影爬虫，同时提取电影的导演、主演和上映年份信息。
3. 挑战任务：尝试爬取知乎热榜，提取问题标题和热度值。

提示：知乎反爬较严，需要仔细设置请求头，并考虑使用 IP 代理。