Python爬虫教程（最新实战版）

遵守网站的爬虫规则、避免爬取敏感信息、保护个人隐私！

一、环境配置与基础验证

# 验证 Python 版本（需 ≥3.8）
import sys
print(sys.version)  # 应输出类似 3.8.12 的信息

# 安装 requests 库（若未安装）
# 命令行执行：pip install requests

# 基础请求验证
import requests
response = requests.get("https://httpbin.org/get")
print("状态码:", response.status_code)  # 成功返回 200

二、HTTP 请求全流程解析

1. GET 请求原理与实现

# GET 请求参数传递
import requests

params = {"category": "books", "page": 2}
response = requests.get(
    "https://httpbin.org/get",
    params=params,
    headers={
        "User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36",
        "Referer": "https://www.example.com"
    }
)
print("最终请求 URL:", response.url)  # 显示自动拼接的完整 URL

# 响应内容解析
print("响应头:", response.headers)
print("JSON 数据:", response.json()["args"])  # 获取查询参数

原理说明：

2. POST 请求原理与实现

# 表单数据提交
import requests

form_data = {"username": "test_user", "password": "p@ssw0rd"}
response = requests.post(
    "https://httpbin.org/post",
    data=form_data,
    headers={
        "Content-Type": "application/x-www-form-urlencoded"
    }
)
print("表单响应:", response.json()["form"])

# JSON 数据提交
json_data = {"title": "Python 教程", "views": 1500}
response = requests.post(
    "https://httpbin.org/post",
    json=json_data,
    headers={
        "Content-Type": "application/json"
    }
)
print("JSON 响应:", response.json()["json"])

原理说明：

response 的核心属性

# 文本形式
print("文本形式:", response.text)  # 返回文本形式

# 解析JSON格式响应
print("JSON格式响应:", response.json())  # 解析JSON格式响应

# 状态码（HTTP协议标准代码）
print("状态码:", response.status_code)  # 200表示成功 

# 响应头（HTTP头信息）
print("响应头:", response.headers)  # 包含Content-Type、Server等信息  

# 编码格式（自动检测或手动设置）
print("编码:", response.encoding)  # 默认为'utf-8'，可通过response.encoding = 'gbk'修改 

# 原始响应内容（二进制形式）
print("原始内容:", response.content[:100])  # 前100字节  

# 请求URL（可能因重定向改变）
print("实际请求URL:", response.url)  # 包含重定向后的最终地址 
 

三、Cookie 全场景管理

1. 手动设置 Cookie

import requests

# 通过字典直接设置
cookies = {"session_id": "a1B2c3D4", "user_token": "x9y8z7"}
response = requests.get(
    "https://httpbin.org/cookies",
    cookies=cookies
)
print("服务器收到的 Cookie:", response.json()["cookies"])

# 使用 RequestsCookieJar 精确控制
from requests.cookies import RequestsCookieJar

jar = RequestsCookieJar()
jar.set("tracking", "t1", domain=".example.com", path="/api")
response = requests.get("https://httpbin.org/cookies", cookies=jar)
print("精确控制的 Cookie:", response.json())

关键点：

2. 会话级 Cookie 管理

# 使用 Session 对象自动管理
import requests

with requests.Session() as s:
    # 首次登录设置 Cookie
    login_data = {"user": "admin", "pass": "admin123"}
    s.post("https://httpbin.org/post", data=login_data)
    
    # 后续请求自动携带 Cookie
    response = s.get("https://httpbin.org/cookies")
    print("会话 Cookie:", response.json())

优势：

四、高级特性

1. 智能重试机制

import requests
from requests.adapters import HTTPAdapter
from urllib3.util.retry import Retry

# 配置重试策略
retry = Retry(
    total=3,
    backoff_factor=0.5,
    status_forcelist=[500, 502, 503, 504]
)

# 创建带重试的会话
session = requests.Session()
session.mount("https://", HTTPAdapter(max_retries=retry))

try:
    response = session.get(
        "https://httpbin.org/delay/5",  # 模拟慢速响应
        timeout=3  # 超时设置（秒）
    )
except requests.exceptions.Timeout:
    print("请求超时，已重试 3 次")

参数说明：

2. 大文件流式下载

# 下载网络图片（避免内存溢出）
import requests

image_url = "https://httpbin.org/image/png"
response = requests.get(image_url, stream=True)

with open("demo_image.png", "wb") as f:
    for chunk in response.iter_content(chunk_size=1024):
        if chunk:
            f.write(chunk)
print("图片下载完成，文件大小:", len(response.content), "字节")

技术要点：

五、爬虫注意：数据隐私保护

遵守网站的爬虫规则、避免爬取敏感信息、保护个人隐私！

作者：软件测试技术