python 进行 http请求神器requests 详解

于 2025-02-08 09:25:24 发布
阅读量638 收藏 12
点赞数 16
分类专栏： Python 文章标签： python http 开发语言
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/qq_22409661/article/details/145508373
版权

Python requests 库详细介绍

requests 是一个用于发送 HTTP 请求的 Python 库。它简化了 HTTP 请求的过程，并提供了简洁易用的 API。requests 库广泛应用于 Web 开发、数据抓取、API 调用等场景。

1. 安装

在使用 requests 库之前，需要先安装它。可以通过 pip 来安装：

pip install requests
2. 主要功能

requests 库提供了以下主要功能：

  • 发送 HTTP 请求：支持 GET、POST、PUT、DELETE 等常见 HTTP 方法。
  • 处理响应：获取响应的状态码、响应头、响应内容等。
  • 传递参数：支持在 URL 中传递查询参数，或在请求体中传递表单数据、JSON 数据等。
  • 处理会话：通过会话对象保持 cookies 和认证信息。
  • 处理文件上传：支持上传文件。
  • 处理异常：捕获和处理网络请求中的异常。
3. 常用方法

以下是 requests 库中常用的方法及其使用案例：

3.1 requests.get()

get() 方法用于发送 GET 请求。

案例：

import requests

# 发送 GET 请求
response = requests.get('https://jsonplaceholder.typicode.com/posts')

# 打印响应状态码
print(response.status_code)

# 打印响应内容（JSON 格式）
print(response.json())

解释：

  • response.status_code：获取响应的状态码。
  • response.json()：将响应内容解析为 JSON 格式。
3.2 requests.post()

post() 方法用于发送 POST 请求。

案例：

import requests

# 发送 POST 请求
data = {'title': 'foo', 'body': 'bar', 'userId': 1}
response = requests.post('https://jsonplaceholder.typicode.com/posts', json=data)

# 打印响应状态码
print(response.status_code)

# 打印响应内容（JSON 格式）
print(response.json())

解释：

  • json=data：将 Python 字典数据转换为 JSON 格式，并作为请求体发送。
3.3 requests.put()

put() 方法用于发送 PUT 请求。

案例：

import requests

# 发送 PUT 请求
data = {'title': 'foo', 'body': 'bar', 'userId': 1}
response = requests.put('https://jsonplaceholder.typicode.com/posts/1', json=data)

# 打印响应状态码
print(response.status_code)

# 打印响应内容（JSON 格式）
print(response.json())

解释：

  • put() 方法用于更新资源。
3.4 requests.delete()

delete() 方法用于发送 DELETE 请求。

案例：

import requests

# 发送 DELETE 请求
response = requests.delete('https://jsonplaceholder.typicode.com/posts/1')

# 打印响应状态码
print(response.status_code)

解释：

  • delete() 方法用于删除资源。
3.5 requests.patch()

patch() 方法用于发送 PATCH 请求。

案例：

import requests

# 发送 PATCH 请求
data = {'title': 'foo'}
response = requests.patch('https://jsonplaceholder.typicode.com/posts/1', json=data)

# 打印响应状态码
print(response.status_code)

# 打印响应内容（JSON 格式）
print(response.json())

解释：

  • patch() 方法用于部分更新资源。
3.6 requests.head()

head() 方法用于发送 HEAD 请求。

案例：

import requests

# 发送 HEAD 请求
response = requests.head('https://jsonplaceholder.typicode.com/posts')

# 打印响应头
print(response.headers)

解释：

  • head() 方法用于获取资源的头部信息，而不包含响应体。
3.7 requests.options()

options() 方法用于发送 OPTIONS 请求。

案例：

import requests

# 发送 OPTIONS 请求
response = requests.options('https://jsonplaceholder.typicode.com/posts')

# 打印响应头
print(response.headers)

解释：

  • options() 方法用于获取资源的允许操作（如允许的 HTTP 方法）。
4. 处理查询参数

可以在 URL 中传递查询参数，使用 params 参数。

案例：

import requests

# 发送带有查询参数的 GET 请求
params = {'userId': 1}
response = requests.get('https://jsonplaceholder.typicode.com/posts', params=params)

# 打印响应内容（JSON 格式）
print(response.json())

解释：

  • params=params：将查询参数附加到 URL 中。
5. 处理请求头

可以通过 headers 参数自定义请求头。

案例：

import requests

# 发送带有自定义请求头的 GET 请求
headers = {'User-Agent': 'Mozilla/5.0'}
response = requests.get('https://jsonplaceholder.typicode.com/posts', headers=headers)

# 打印响应内容（JSON 格式）
print(response.json())

解释：

  • headers=headers：自定义请求头。
6. 处理会话

可以通过 requests.Session() 创建会话对象，保持 cookies 和认证信息。

案例：

import requests

# 创建会话对象
session = requests.Session()

# 发送 GET 请求
response = session.get('https://jsonplaceholder.typicode.com/posts')

# 打印响应状态码
print(response.status_code)

解释：

  • Session()：创建会话对象，保持会话状态。
7. 处理文件上传

可以使用 files 参数上传文件。

案例：

import requests

# 发送带有文件上传的 POST 请求
files = {'file': open('example.txt', 'rb')}
response = requests.post('https://httpbin.org/post', files=files)

# 打印响应内容（JSON 格式）
print(response.json())

解释：

  • files=files：上传文件。
8. 处理异常

可以通过 try-except 捕获和处理网络请求中的异常。

案例：

import requests

try:
    response = requests.get('https://jsonplaceholder.typicode.com/nonexistent')
    response.raise_for_status()  # 检查响应状态码，如果不是 200-299，抛出异常
except requests.exceptions.HTTPError as err:
    print(f"HTTP 错误: {err}")
except requests.exceptions.RequestException as err:
    print(f"请求异常: {err}")

解释：

  • response.raise_for_status()：检查响应状态码，如果不是 200-299，抛出异常。
9. 其他常用方法
  • response.text：获取响应内容，返回字符串。
  • response.content：获取响应内容，返回字节流。
  • response.headers：获取响应头。

案例：

import requests

response = requests.get('https://jsonplaceholder.typicode.com/posts')

# 打印响应内容（字符串）
print(response.text)

# 打印响应内容（字节流）
print(response.content)

# 打印响应头
print(response.headers)
10. 总结

requests 库是一个功能强大且易于使用的 HTTP 请求库。它简化了 HTTP 请求的过程，提供了丰富的 API 来处理各种场景。通过 requests 库，可以轻松地发送 GET、POST、PUT、DELETE 等请求，处理响应，传递参数，上传文件，处理异常等。

希望这份详细的介绍对你整理笔记有所帮助！如果你有其他问题，欢迎继续提问。

博客
制造设备预测性维护实战：振动信号时频域特征分析从原理到应用
05-09 338
本文介绍了振动信号分析的技术原理、PyTorch实现方法、工业应用案例、工程优化技巧及前沿技术进展。技术原理部分涵盖了时域、频域和时频联合分析，通过数学公式和案例展示了特征提取方法。PyTorch实现部分提供了数据预处理和深度残差网络的代码示例。工业应用案例展示了风电行业和数控机床中的实际解决方案及其效果。工程优化技巧包括超参数调优和数据增强策略。前沿技术进展部分介绍了最新论文成果和开源项目推荐。文章还提供了最佳实践建议，强调了采样率选择、时频分析窗口长度、部署技术和故障模式库的重要性。
博客
多模态文档智能分析：基于跨模态关联的保险理赔反欺诈系统设计与实践
05-09 918
本文介绍了一种基于多模态特征融合和跨模态注意力机制的技术方案，主要用于车险理赔欺诈检测。通过张量分解方法实现文本、图像和结构化数据的特征对齐，并利用跨模态注意力机制验证不同模态数据的一致性。方案采用PyTorch实现，包括多模态数据加载器和跨模态注意力模块，并通过Optuna进行超参数调优。应用案例显示，该方案在准确率、召回率和人工复核量等指标上显著优于基线方法，成功提升了欺诈案件发现量并缩短了理赔处理时间。此外，文章还介绍了数据预处理、模型优化和实时检测等工程实践，以及最新的研究进展和开源工具。该方案已在
博客
电力巡检无人机视觉SLAM定位优化：从原理到落地的全链路方案
05-09 714
本文详细介绍了电力巡检场景下的视觉SLAM技术，涵盖技术原理、数学模型、实现方案及行业应用。首先，系统需满足实时性、鲁棒性和精度要求，核心数学模型包括李群李代数表示、光束法平差和扩展卡尔曼滤波。其次，文章提供了基于PyTorch和TensorFlow的特征提取网络与位姿优化模块的实现方案。在行业应用方面，SLAM技术在绝缘子破损检测和导线弧垂测量中显著提升了准确率，并通过某省级电网的实施案例展示了系统配置和性能优化效果。此外，文章还探讨了工程优化实践和前沿技术进展，如动态场景处理和神经辐射场SLAM，并推荐
博客
建筑工地安全智能监测：基于多任务姿态估计与场景理解的联合优化方案
05-09 268
本文介绍了一种基于改进OpenPose架构和场景理解图卷积网络的双分支网络模型，用于工地安全监控。技术原理包括姿态估计基础模型、场景理解图卷积网络和联合优化目标函数。PyTorch实现方案详细描述了双分支网络架构和数据增强策略。行业应用案例展示了该模型在安全装备检测和危险区域闯入预警中的显著效果，如mAP@0.5提升至95%，实时预警响应时间<200ms。优化实践技巧包括超参数调优和工程优化方案，如模型蒸馏和TensorRT量化加速。前沿技术进展介绍了最新的研究成果和开源项目。实施效果对比表显示，本方
博客
多模态情感对齐驱动的影视智能剪辑系统：从算法原理到工业级实践
05-09 825
本文介绍了一种基于多模态对齐和情感一致性决策的自动视频剪辑技术。该技术通过数学建模和深度学习算法，实现了视觉与音频/文本特征的对齐，并利用双流LSTM网络进行情感一致性决策，从而自动触发镜头切换。PyTorch实现的核心模块包括视觉和音频编码器以及融合层，已在电影预告片生成等任务中展现出显著效率提升。工业级应用方案覆盖影视剪辑、广告制作和短视频平台，有效提升了剪辑效率、点击率和完播率。工程优化技巧包括超参数调优和预处理加速，进一步提升了系统性能。前沿进展追踪了最新的算法突破和开源项目，如M3L框架和Movi
博客
港口货运集装箱识别：基于多视角三维重建的优化方案
05-09 232
本文详细介绍了多视角几何理论及其在三维重建中的应用，涵盖了技术原理、数学基础、PyTorch实现方案、行业应用案例、工程优化技巧以及前沿技术进展。文章首先阐述了极几何约束公式和三维重建流程，包括特征提取、匹配和稀疏/稠密重建。接着，提供了PyTorch实现方案，包括数据加载模块和核心网络架构。在行业应用案例中，展示了洋山港自动化码头的解决方案和效果指标。此外，文章还探讨了超参数调优策略和数据增强策略，并介绍了最新的算法突破和开源项目推荐。通过实施该方案，某国际港口企业实现了显著的运营成本降低和效率提升，验证
博客
电商直播实时字幕生成：语音-视觉同步对齐技术详解与实战
05-09 286
本文探讨了多模态特征同步技术在直播场景中的应用，重点介绍了技术原理、行业解决方案、工程优化实践及最新研究进展。通过声学与视觉特征的同步对齐，结合流式处理流水线，实现了实时字幕生成。在美妆和服饰直播中，该技术显著提升了字幕响应速度和准确率，进而提高了转化率和GMV。工程优化方面，通过超参数调优和部署加速技巧，进一步提升了系统性能。最新研究进展包括多模态预训练和端到端系统，为行业提供了更高效的解决方案。实战建议包括冷启动策略、分级处理策略和唇动检测模块的应用，以优化系统表现。
博客
物流仓储路径规划：多目标约束的强化学习策略优化指南
05-08 904
多目标约束场景：同时考虑路径长度、时间窗约束、能耗限制、碰撞避免等目标数学表达max⁡πEτ∼π∑t0Tγtrt−λcts.t.ct≤Cmax∀tπmax​Eτ∼π​t0∑T​γtrt​−λct​)]s.t.ct​≤Cmax​∀t其中rtr_trt​为即时奖励，ctc_tct​为约束违反量，λ\lambdaλ为拉格朗日乘子。
博客
零售货架遮挡场景商品识别：部分检测增强方法与实战指南
05-08 898
Wvis​xyK∑k1K​Mk​xy​其中Mk​为通过多头注意力机制生成的可见性掩码，K为注意力头数：在YOLOv8模型中集成可见性权重，使网络在COCO数据集上的遮挡场景AP提升12.3%
博客
蛋白质折叠的几何学习：等变注意力机制全解
04-28 863
对于任意群元素g∈G和输入输出空间Vin​Vout​fρin​gxρout​gfx其中ρX∈Rn×3。
博客
蛋白质折叠的几何学习：等变注意力机制全解
04-27 999
对于任意群元素g∈G和输入输出空间Vin​Vout​fρin​gxρout​gfx其中ρX∈Rn×3。
博客
气象预报新范式：物理约束神经网络与PDE融合实战指南
04-27 1053
通过将气象PDE方程作为约束条件嵌入神经网络训练过程，实现数据驱动与物理规律的有机融合。∂t∂u​u⋅∇u−∇pν∇2uF方程。
博客
DeepSeek社区贡献指南：开发者高效协作与价值创造的完整路径
04-27 772
DeepSeek社区贡献指南：开发者高效协作与价值创造的完整路径
博客
DeepSeek智能监控与日志系统架构设计与实践指南
04-27 939
本指南已在实际生产环境支撑日均20PB数据处理，经过3次重大版本迭代验证。建议开发者重点关注数据管道优化与异常检测算法调优，以获得最佳实践效果。（案例：基于该算法实现GPU显存泄漏预测准确率91%）
博客
教育测评系统核心技术解析：动态认知诊断模型的数学推导+PyTorch实战（附行业应用案例）
03-17 381
本方案已在3家教育科技公司落地实施，平均提升学生学习效率41%，降低教师备课时间35%。核心代码已封装为Python库。：某头部教育平台在数学题库中部署动态认知诊断模型。，支持一键部署认知诊断服务。
博客
基于Transformer的音乐风格迁移实战：原理、代码与前沿进展
03-17 468
案例：将巴赫赋格曲迁移到爵士风格时，风格编码器需捕捉swing节奏特征（八分音符三连音量化）时效果最佳（ICML 2023实验数据）为Transformer参数。
博客
考古碎片拼接算法实战：基于3D点云几何特征学习的完整解决方案
03-17 725
2023年ArchaeoMatch框架在Nature子刊发表，采用神经辐射场辅助拼接，对缺失区域实现95%补全精度。建议关注SIGGRAPH 2024会议相关专题。案例：秦代青铜器碎片配准中，将ICP误差从初始的12.3mm优化到1.7mm。案例：对汉代陶罐碎片计算FPFH特征，生成33维特征向量，实现旋转不变性。：两碎片实际匹配但被算法拒绝。
博客
基于SE(3)-等变神经网络的晶体结构预测：理论推导+PyTorch实战+行业案例
03-17 809
晶体结构满足SE(3)对称性（旋转+平移），传统CNN的平移不变性无法处理旋转对称性。：传统DFT计算LiCoO₂结构需要10+小时。避免使用\begin{equation}等环境。：构建等变GNN预测晶格参数与Li扩散路径。：结合等变网络与主动学习。
博客
智慧城市中的交通流预测实战：多源传感器数据融合方法与PyTorch实现
03-17 1118
（KDD Cup 2023冠军方案）交通路网建模为图结构。
博客
电力负荷预测时空建模：图卷积与LSTM联合网络架构详解
03-16 853
实际部署中发现，当电网拓扑发生变更（如新增变电站）时，传统GCN需要重新训练。最新研究方向正在探索零样本拓扑迁移学习方案，使用Graph Meta Learning方法实现快速适应新电网结构。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值