百度360必应搜狗淘宝本站头条
当前位置:网站首页 > 技术分类 > 正文

Requests官方文档翻译——快速开始部分(1)

ztj100 2025-03-19 18:45 58 浏览 0 评论

Python Requests 库是一个非常优雅而且简单的 HTTP 工具库,但在官网中只有英文文档,相关的教程也只对核心功能做了说明,并没对 Requests 本身做一些全量的说明,基于此,本文将翻译后的 Requests 文档整理于此,用于各位学习参考,如有不正确的地方请评论区指出。此翻译版本为 2.31.0


Quickstart (快速开始)

首先,请确保:

  • 已正确的安装了 Requests
  • Requests 已经是最新的
pip install requests

让我们从一些简单的例子开始。

发起一个请求

使用 Requests 发起一个请求是非常简单的。

首先导入 Requests 模块:

import requests

现在,来尝试获取一个网页。在此示例中,我们来获取 github 的发布时间线。

r = requests.get('https://api.github.com/events')

现在我们获取到了一个被命名到 r 的一个 Response 对象。至此,我们可以从这个对象中获取我们想要的所有信息。

Requests 的简单 API 意味着所有形式的 HTTP 请求都是非常明显易懂的。如下,是一个 POST 请求:

r = requests.post('https://httpbin.org/post', data={'key': 'value'})

非常给力是吧,其他 HTTP 请求同样如此:PUT、DELETE、HEAD 和 OPTIONS.

r = requests.put('https://httpbin.org/put', data={'key': 'value'})
r = requests.delete('https://httpbin.org/delete')
r = requests.head('https://httpbin.org/get')
r = requests.options('https://httpbin.org/get')

这一切看着都非常棒,但这只是 Requests 所能做的开始。

Passing Parameters In URLs (在 URL 中传递参数)

通常我们希望在 URL 中发送一些短数据。如果你使用手动创建这样的 URL,则需要将数据作为 key=value 键值对形式附着在 url 的 后边,例如 httpbin.org/get?key=val 。而 Requests 中则允许你将这些参数作为字符串字典提供给 params 这个关键字参数。例如,你想添加 key1=value1key2=value2 httpbin.org/get 请求中,你就可以使用以下代码:

payload = {'key1': 'value1', 'key2': 'value2'}
r = requests.get('https://httpbin.org/get', params=payload)

此时,可以通过打印 URL 来查看拼接是否正确:

print(r.url)
# https://httpbin.org/get?key2=value2&key1=value1

Response Content(响应内容)

我们可以读取服务器响应的内容,依然以 github 时间线为例:

import requests

r = requests.get('https://api.github.com/events')
r.text
# '[{"repository":{"open_issues":0,"url":"https://github.com/...

请求将自动解码来自服务器的内容,大多数 Unicode 字符集都是无缝解码的。

当你发送请求时,Requests 会基于HTTP响应数据头中编码方式来猜测对应的编码格式(Requests makes educated guesses about the encoding of the response based on the HTTP headers)。则在访问 t.text 属性的时候,文本就会使用上边猜测的编码格式解码。你可以使用 r.encoding 来获取当前的编码格式,也可以通过它来修改其值。

r.encoding
# 'utf-8'
r.encoding = 'ISO-8859-1'

如果你修改了编码,则在你使用 r.text 时,Requests 将始终使用r.encoding 指定的新的编码方式。你可能希望在任何有特殊逻辑处理的情况下执行此操作。例如,HTML 和 XML 有能力在其自身数据中指定其编码格式。在这种情况下,你应该使用 r.content 来查找对应的编码格式,并且设置相应的编码 r.encoding,只有这样才能使你通过 r.text 来获取到正确的编码格式。

Requests 也同样适用用户自定义的情况,如果你已经创建了属于自己的编码方式并将其注册到 codecs 模块中,就可以容易地使用自定义的编码名称作为 r.enncoding 的值, 剩下的交给 Requests 来对应的编码问题。

Binary Response Content(二进制响应内容)

对于非文本内容请求,你可以使用以字节形式保存的响应体。

r.content
# b'[{"repository":{"open_issues":0,"url":"https://github.com/...

gzip 和 defalte,transfer-encodings 会自动为您解码。

如果你安装了像 Brotli 或 Brotlicffi 这样的 Brotli 库,它们则会自动为你解码。例如,要从请求返回的二进制中创建一张图片,就可以使用如下代码:

from PIL import Image
from io import BytesIO

i = Image.open(BytesIO(r.content))

JSON Response Content(JSON 响应内容)

在 Requests 中内置了一个 JSON 解码器,用于你处理 JSON 数据。

import requests

r = requests.get('https://api.github.com/events')
r.json()
# [{'repository': {'open_issues': 0, 'url': 'https://github.com/...

如果 JSON 解码失败, r.json 方法会抛出一个异常,例如,如果相应获取一个 204 响应(无内容),或者响应包含了无效的 JSON 就会抛出(
requests.exceptions.JSONDecodeError
)。此包装异常为可能由不同python版本和json序列化库引发的多个异常。

应该注意的是,成功调用 r.json 方法不意味着响应也是成功的,某些服务器可能会返回一个 JSON 对象在请求失败后(例如:HTTP500 的错误),这种 JSON 将会被解码和返回。因此可以使用 r.raise_for_status() 或 r.status_code来检测请求是否符合你的预期。

Raw Response Content(原始响应内容)

在极少数情况下, 你可能希望从服务器获取原生的通讯内容,这时,你就可以使用 r.raw 来获取。与此同时,你还需要在请求的时候设置 stream=True

r = requests.get('https://api.github.com/events', stream=True)

r.raw
# 

r.raw.read(10)
# b'\x1f\x8b\x08\x00\x00\x00\x00\x00\x00\x03'

一般情况,都是使用这样的方式来将流式数据保存到一个文件中。

with open(filename, 'wb') as fd:
    for chunk in r.iter_content(chunk_size=128):
        fd.write(chunk)

使用 Response.iter_content 可以直接解决绝大多数使用 Response.raw 的情况。当下载流式数据时,上边的方式是首选和推荐的方式。并且可以自由地调整 chunk_size 的值来适应你的实际情况。

注意:

Response.iter_content 和 Response.raw 差异对比

Response.iter_content 会自动解码 gzip 和 deflate 的传输编码。

Response.raw 是一个原生的字节流,它没有解码响应中的内容。

如果你确实需要获取响应的原生字节数据,则使用Response.raw。

相关推荐

其实TensorFlow真的很水无非就这30篇熬夜练

好的!以下是TensorFlow需要掌握的核心内容,用列表形式呈现,简洁清晰(含表情符号,<300字):1.基础概念与环境TensorFlow架构(计算图、会话->EagerE...

交叉验证和超参数调整:如何优化你的机器学习模型

准确预测Fitbit的睡眠得分在本文的前两部分中,我获取了Fitbit的睡眠数据并对其进行预处理,将这些数据分为训练集、验证集和测试集,除此之外,我还训练了三种不同的机器学习模型并比较了它们的性能。在...

机器学习交叉验证全指南:原理、类型与实战技巧

机器学习模型常常需要大量数据,但它们如何与实时新数据协同工作也同样关键。交叉验证是一种通过将数据集分成若干部分、在部分数据上训练模型、在其余数据上测试模型的方法,用来检验模型的表现。这有助于发现过拟合...

深度学习中的类别激活热图可视化

作者:ValentinaAlto编译:ronghuaiyang导读使用Keras实现图像分类中的激活热图的可视化,帮助更有针对性...

超强,必会的机器学习评估指标

大侠幸会,在下全网同名[算法金]0基础转AI上岸,多个算法赛Top[日更万日,让更多人享受智能乐趣]构建机器学习模型的关键步骤是检查其性能,这是通过使用验证指标来完成的。选择正确的验证指...

机器学习入门教程-第六课:监督学习与非监督学习

1.回顾与引入上节课我们谈到了机器学习的一些实战技巧,比如如何处理数据、选择模型以及调整参数。今天,我们将更深入地探讨机器学习的两大类:监督学习和非监督学习。2.监督学习监督学习就像是有老师的教学...

Python教程(三十八):机器学习基础

...

Python 模型部署不用愁!容器化实战,5 分钟搞定环境配置

你是不是也遇到过这种糟心事:花了好几天训练出的Python模型,在自己电脑上跑得顺顺当当,一放到服务器就各种报错。要么是Python版本不对,要么是依赖库冲突,折腾半天还是用不了。别再喊“我...

超全面讲透一个算法模型,高斯核!!

...

神经网络与传统统计方法的简单对比

传统的统计方法如...

AI 基础知识从0.1到0.2——用“房价预测”入门机器学习全流程

...

自回归滞后模型进行多变量时间序列预测

下图显示了关于不同类型葡萄酒销量的月度多元时间序列。每种葡萄酒类型都是时间序列中的一个变量。假设要预测其中一个变量。比如,sparklingwine。如何建立一个模型来进行预测呢?一种常见的方...

苹果AI策略:慢哲学——科技行业的“长期主义”试金石

苹果AI策略的深度原创分析,结合技术伦理、商业逻辑与行业博弈,揭示其“慢哲学”背后的战略智慧:一、反常之举:AI狂潮中的“逆行者”当科技巨头深陷AI军备竞赛,苹果的克制显得格格不入:功能延期:App...

时间序列预测全攻略,6大模型代码实操

如果你对数据分析感兴趣,希望学习更多的方法论,希望听听经验分享,欢迎移步宝藏公众号...

AI 基础知识从 0.4 到 0.5—— 计算机视觉之光 CNN

...

取消回复欢迎 发表评论: