邮箱图标 wotula.com

python爬虫 - Urllib库及cookie的使用

lz提示一点,python3urllib包括了py2中的urllib+urllib2[python2python3的区别、转换及共存 - urllib]

怎样扒网页?

其实就是根据URL来获取它的网页信息,虽然我们在浏览器中看到的是一幅幅优美的画面,但是其实是由浏览器解释才呈现出来的,实质它是一段HTML代码,加 JSCSS

如果把网页比作一个人,那么HTML便是他的骨架,JS便是他的肌肉,CSS便是它的衣服。所以最重要的部分是存在于HTML中的。

扒网页的栗子
py2:

import urllib2
response = urllib2.urlopen("http://www.baidu.com")
print response.read()

py3:

from urllib import request

response = request.urlopen("http://www.baidu.com")

print(response.read().decode())

真正的程序就两行,运行结果:

Note:

1. urllib是干嘛的:The urllib.request module defines functions and classes which help in opening URLs (mostly HTTP) in a complex world — basic and digest authentication, redirections, cookies and more.

2. urllib.request.urlopen(url, data=None, [timeout, ]*, cafile=None, capath=None, cadefault=False):重点部分是返回值, 这个函数返回一个 http.client.HTTPResponse 对象, 这个对象又有各种方法, 比如我们用到的read()方法。还有其它方法:geturl()info()getcode()

3. response.read()decode才能正常显示html内容,否则会是title="\xe7\x99\xbe\xe5\xba\xa6\xe6\x90\x9c\xe7\xb4\xa2"而不是title="百度搜索"

4. response.read()只能运行一次就到结尾了,再次读取总是空值!
分析这两行代码

第一行调用的是urllib库里面的urlopen方法,传入一个URL,这个网址是百度首页,协议是HTTP协议,当然你也可以把HTTP换做FTP,FILE,HTTPS 等等,只是代表了一种访问控制协议。

urlopen一般接受三个参数,它的参数如下:
urlopen(url, data, timeout)
第一个参数url即为URL,第二个参数data是访问URL时要传送的数据,第三个timeout是设置超时时间。
第二三个参数是可以不传送的,data默认为空Nonetimeout默认为 socket._GLOBAL_DEFAULT_TIMEOUT
第一个参数URL是必须要传送的,在这个例子里面我们传送了百度的URL,执行urlopen方法之后,返回一个response对象,返回信息便保存在这里面。
response.read()
response
对象有一个read方法,可以返回获取到的网页内容。

http://blog.csdn.net/pipisorry/article/details/47905781

 

构造Requset
其实上面的urlopen参数可以传入一个request请求,它其实就是一个Request类的实例,构造时需要传入Url,Data等等的内容。

比如上面的两行代码,我们可以这么改写
import urllib2 
request = urllib2.Request("http://www.baidu.com")
response = urllib2.urlopen(request)
print response.read()

py3:

import urllib.request

 

request = urllib.request.Request("http://www.baidu.com")

response = urllib.request.urlopen(request)

print(response.read().decode())

运行结果是完全一样的,只不过中间多了一个request对象,推荐大家这么写,因为在构建请求时还需要加入好多内容,通过构建一个request,服务器响应请求得到应答,这样显得逻辑上清晰明确。
http://blog.csdn.net/pipisorry/article/details/47905781




数据传送POSTGET
上面的程序演示了最基本的网页抓取,不过,现在大多数网站都是动态网页,需要你动态地传递参数给它,它做出对应的响应。所以,在访问时,我们需要传递数据给它。最常见的情况就是登录注册的时候。
把数据用户名和密码传送到一个URL,然后你得到服务器处理之后的响应

数据传送POSTGET两种方式及区别
最重要的区别是GET方式是直接以链接形式访问,链接中包含了所有的参数,当然如果包含了密码的话是一种不安全的选择,不过你可以直观地看到自己提交了什么内容。POST则不会在网址上显示所有的参数,不过如果你想直接查看提交了什么就不太方便了,可以酌情选择。
POST
方式:
上面说的data参数就是用在这里的,我们传送的数据就是这个参数data
import urllib
import urllib2
 
values = {"username":"1016903103@qq.com","password":"XXXX"}
data = urllib.urlencode(values) 
url = "https://passport.csdn.net/account/login?from=http://my.csdn.net/my/mycsdn"
request = urllib2.Request(url,data)
response = urllib2.urlopen(request)
print response.read()
我们引入了urllib库,现在我们模拟登陆CSDN,当然上述代码可能登陆不进去,因为还要做一些设置头部header的工作,或者还有一些参数没有设置全,还没有提及到在此就不写上去了,在此只是说明登录的原理。我们需要定义一个字典,名字为values,参数我设置了usernamepassword,下面利用urlliburlencode方法将字典编码,命名为data,构建request时传入两个参数,urldata,运行程序,即可实现登陆,返回的便是登陆后呈现的页面内容。当然你可以自己搭建一个服务器来测试一下。
GET
方式:
至于GET方式我们可以直接把参数写到网址上面,直接构建一个带参数的URL出来即可。
import urllib
import urllib2
values={}
values['username'] = "1016903103@qq.com"
values['password']="XXXX"
data = urllib.urlencode(values) 
url = "http://passport.csdn.net/account/login"
geturl = url + "?"+data
request = urllib2.Request(geturl)
response = urllib2.urlopen(request)
print response.read()
Note:
你可以print geturl,打印输出一下url,发现其实就是原来的url加?然后加编码后的参数http://passport.csdn.net/account/login?username=1016903103%40qq.com&password=XXXX和我们平常GET访问方式一模一样,这样就实现了数据的GET方式传送。

[HTTP 方法:GET 对比 POST]

[Python爬虫入门三之Urllib库的基本使用]

http://blog.csdn.net/pipisorry/article/details/47905781

 

设置Headers
有些网站不会同意程序直接用上面的方式进行访问,如果识别有问题,那么站点根本不会响应,所以为了完全模拟浏览器的工作,我们需要设置一些Headers 的属性。


打开我们的浏览器(Chrome),调试浏览器F12,打开网络监听network,比如知乎登录之后,这个页面包含了许许多多的内容,这些内容也不是一次性就加载完成的,实质上是执行了好多次请求,一般是首先请求HTML文件,然后加载JSCSS 等等,经过多次请求之后,网页的骨架和肌肉全了,整个网页的效果也就出来了。


Note:
上面的图是先点击name中的www.zhihu.com,再点headers才会出现。

拆分这些请求,我们只看一第一个请求,你可以看到,有个Request URL,还有headers,下面便是response。这个头中包含了许许多多是信息,有文件编码啦,压缩方式,请求的agent等等。
其中,agent就是请求的身份,如果没有写入请求身份,那么服务器不一定会响应,所以可以在headers中设置agent,例如下面的例子,这个例子只是说明了怎样设置的headers,小伙伴们看一下设置格式就好。
import urllib  
import urllib2  


url = 'http://www.server.com/login'
user_agent = 'Mozilla/4.0 (compatible; MSIE 5.5; Windows NT)'  
values = {'username' : 'cqc',  'password' : 'XXXX' }  
headers = { 'User-Agent' : user_agent }  
data = urllib.urlencode(values)  
request = urllib2.Request(url, data, headers)  
response = urllib2.urlopen(request)  
page = response.read() 

py3:

import urllib.request

from urllib.parse import urlencode

 

URL_ROOT = r'http://d.weibo.com/#_loginLayer_1440327422006'

 

values = {'username': '***, 'password': '&&&}

data = urlencode(values).encode()

# print(type(data), data)

 

user_agent = r'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/44.0.2403.157 Safari/537.36'

# user_agent = r'Mozilla/5.0 (Windows; U; Windows NT 6.1; en-US; rv:1.9.1.6) Gecko/20091201 Firefox/3.5.6'

headers = {'User-Agent': user_agent}

 

request = urllib.request.Request(URL_ROOT, data, headers)

response = urllib.request.urlopen(request)

 

page = response.read()

print(page)

py3-2:

u = urllib.URLopener() # Python 3: urllib.request.URLOpener

u.addheaders = []

u.addheader('User-Agent', 'Opera/9.80 (Windows NT 6.1; WOW64; U; de) Presto/2.10.289 Version/12.01')

u.addheader('Accept-Language', 'de-DE,de;q=0.9,en;q=0.8')

u.addheader('Accept', 'text/html, application/xml;q=0.9, application/xhtml+xml, image/png, image/webp, image/jpeg, image/gif, image/x-xbitmap, */*;q=0.1')

f = u.open(url)

content = f.read()

f.close()

py3-3:

[python] view plain copy

 print?

  1. import urllib.request  
  2. import http.cookiejar  
  3.      
  4. # head: dict of header  
  5. def makeMyOpener(head = {  
  6.     'Connection''Keep-Alive',  
  7.     'Accept''text/html, application/xhtml+xml, */*',  
  8.     'Accept-Language''en-US,en;q=0.8,zh-Hans-CN;q=0.5,zh-Hans;q=0.3',  
  9.     'User-Agent''Mozilla/5.0 (Windows NT 6.3; WOW64; Trident/7.0; rv:11.0) like Gecko'  
  10. }):  
  11.     cj = http.cookiejar.CookieJar()  
  12.     opener = urllib.request.build_opener(urllib.request.HTTPCookieProcessor(cj))  
  13.     header = []  
  14.     for key, value in head.items():  
  15.         elem = (key, value)  
  16.         header.append(elem)  
  17.     opener.addheaders = header  
  18.     return opener  
  19.      
  20. oper = makeMyOpener()  
  21. uop = oper.open('http://www.baidu.com/', timeout = 1000)  
  22. data = uop.read()  
  23. print(data.decode())  

Note

1. urllib.parse.urlencode(query, doseq=False, safe='', encoding=None, errors=None)

urllib.parse.quote_plus(string, safe='', encoding=None, errors=None)

大概是把一个通俗的字符串, 转化为url格式的字符串。

2. py3data参数是要进行任意编码(utf8...),否则出现错误TypeError: POST data should be bytes or an iterable of bytes. It cannot be of type str.   python2.7  ascii3.3 utf-8,都是string类型,但socket (urllib等都是基于socket) 使用bytes,要通过encode()转换。

3. 注意URL_ROOT不能编码,URL_ROOT = URL_ROOT.encode(),否则会出错:unknown url type: b'http

这样,我们设置了一个headers,在构建request时传入,在请求时,就加入了headers传送,服务器若识别了是浏览器发来的请求,就会得到响应。

对付防盗链
另外,我们还有对付"反盗链"的方式,服务器会识别headers中的referer是不是它自己,如果不是,有的服务器不会响应,所以我们还可以在headers中加入referer
例如我们可以构建下面的headers
headers = { 'User-Agent' : 'Mozilla/4.0 (compatible; MSIE 5.5; Windows NT)'  , 'Referer':'http://www.zhihu.com/articles' }  
同上面的方法,在传送请求时把headers传入Request参数里,这样就能应付防盗链了。

headers
的一些属性需要特别注意一下
User-Agent :
有些服务器或 Proxy 会通过该值来判断是否是浏览器发出的请求
Content-Type :
在使用 REST 接口时,服务器会检查该值,用来确定 HTTP Body 中的内容该怎样解析。
application/xml
XML RPC,如 RESTful/SOAP 调用时使用
application/json
JSON RPC 调用时使用
application/x-www-form-urlencoded
浏览器提交 Web 表单时使用
在使用服务器提供的 RESTful SOAP 服务时, Content-Type 设置错误会导致服务器拒绝服务
其他的有必要的可以审查浏览器的headers内容,在构建时写入同样的数据即可。

http://blog.csdn.net/pipisorry/article/details/47905781


设置Proxy(代理)
urllib2
默认会使用环境变量 http_proxy 来设置 HTTP Proxy。假如一个网站它会检测某一段时间某个IP 的访问次数,如果访问次数过多,它会禁止你的访问。所以你可以设置一些代理服务器来帮助你做工作,每隔一段时间换一个代理,网站君都不知道是谁在捣鬼了!
代理的设置用法
import urllib2
enable_proxy = True
proxy_handler = urllib2.ProxyHandler({"http" : 'http://some-proxy.com:8080'})
null_proxy_handler = urllib2.ProxyHandler({})
if enable_proxy:
    opener = urllib2.build_opener(proxy_handler)
else:
    opener = urllib2.build_opener(null_proxy_handler)
urllib2.install_opener(opener)

设置Timeout 
urlopen
方法第三个参数就是timeout的设置,可以设置等待多久超时,为了解决一些网站实在响应过慢而造成的影响。
例如下面的代码,如果第二个参数data为空那么要特别指定是timeout是多少,写明形参,如果data已经传入,则不必声明。
import urllib2
response = urllib2.urlopen('http://www.baidu.com', timeout=10)
import urllib2
response = urllib2.urlopen('http://www.baidu.com',data, 10)


使用 HTTP PUT DELETE 方法
http
协议有六种请求方法,get,head,put,delete,post,options,我们有时候需要用到PUT方式或者DELETE方式请求。
PUT
:这个方法比较少见。HTML表单也不支持这个。本质上来讲, PUTPOST极为相似,都是向服务器发送数据,但它们之间有一个重要区别,PUT通常指定了资源的存放位置,而POST则没有,POST的数据存放位置由服务器自己决定。
DELETE
:删除某一个资源。基本上这个也很少见,不过还是有一些地方比如amazonS3云服务里面就用的这个方法来删除资源。
如果要使用 HTTP PUT DELETE ,只能使用比较低层的 httplib 库。虽然如此,我们还是能通过下面的方式,使 urllib2 能够发出 PUT DELETE 的请求,不过用的次数的确是少,在这里提一下。
import urllib2
request = urllib2.Request(uri, data=data)
request.get_method = lambda: 'PUT' # or 'DELETE'
response = urllib2.urlopen(request)


使用DebugLog
可以通过下面的方法把 Debug Log 打开,这样收发包的内容就会在屏幕上打印出来,方便调试,这个也不太常用,仅提一下
import urllib2
httpHandler = urllib2.HTTPHandler(debuglevel=1)
httpsHandler = urllib2.HTTPSHandler(debuglevel=1)
opener = urllib2.build_opener(httpHandler, httpsHandler)
urllib2.install_opener(opener)
response = urllib2.urlopen('http://www.baidu.com')

http://blog.csdn.net/pipisorry/article/details/47905781

 

 

Cookie的使用

Python 来登录网站, Cookies记录登录信息, 然后就可以抓取登录之后才能看到的信息。

什么是cookies?

Cookie,指某些网站为了辨别用户身份、进行session跟踪而储存在用户本地终端上的数据(通常经过加密)。
比如说有些网站需要登录后才能访问某个页面,在登录之前,你想抓取某个页面内容是不允许的。那么我们可以利用Urllib库保存我们登录的Cookie,然后再抓取其他页面就达到目的了。

opener
的概念
当你获取一个URL你使用一个opener(一个urllib2.OpenerDirector的实例)。在前面,我们都是使用的默认的opener,也就是urlopen

urlopen是一个特殊的opener,可以理解成opener的一个特殊实例,传入的参数仅仅是urldatatimeout
如果我们需要用到Cookie,只用这个opener是不能达到目的的,所以我们需要创建更一般的opener来实现对Cookie的设置。
Cookielib
cookielib
模块的主要作用是提供可存储cookie的对象,以便于与urllib2模块配合使用来访问Internet资源。Cookielib模块非常强大,我们可以利用本模块的CookieJar类的对象来捕获cookie并在后续连接请求时重新发送,比如可以实现模拟登录功能。该模块主要的对象有CookieJarFileCookieJarMozillaCookieJarLWPCookieJar
它们的关系:CookieJar —-派生—->FileCookieJar  —-派生—–>MozillaCookieJarLWPCookieJar

使用cookie登录的步骤
1
)获取Cookie保存到变量
首先,我们先利用CookieJar对象实现获取cookie的功能,存储到变量中,先来感受一下
import urllib2
import cookielib
#
声明一个CookieJar对象实例来保存cookie
cookie = cookielib.CookieJar()
#
利用urllib2库的HTTPCookieProcessor对象来创建cookie处理器
handler=urllib2.HTTPCookieProcessor(cookie)
#
通过handler来构建opener
opener = urllib2.build_opener(handler)
#
此处的open方法同urllib2urlopen方法,也可以传入request
response = opener.open('http://www.baidu.com')
for item in cookie:
    print 'Name = '+item.name
    print 'Value = '+item.value

py3:

import urllib.request

import http.cookiejar

 

URL_ROOT = r'http://d.weibo.com/'

 

cookie = http.cookiejar.CookieJar() # 声明一个CookieJar对象实例来保存cookie

handler = urllib.request.HTTPCookieProcessor(cookie) # 利用urllib2库的HTTPCookieProcessor对象来创建cookie处理器

opener = urllib.request.build_opener(handler) # 通过handler来构建opener

 

response = opener.open(URL_ROOT) # 此处的open方法同urllib2的urlopen方法,也可以传入request

 

for item in cookie:

print('Name = ' + item.name)

print('Value = ' + item.value)

我们使用以上方法将cookie保存到变量中,然后打印出了cookie中的值,运行结果如下
Name = YF-Page-G0

Value = dc8d8d4964cd93a7c3bfa7640c1bd10c

Note:py3opener也可以这样使用:

request = urllib.request.Request(URL_ROOT, postdata, headers)

response = opener.open(request)

或者:

urllib.request.install_opener(opener)

request = urllib.request.Request(URL_ROOT, postdata, headers)

response = urllib.request.urlopen(request)

 

2)保存Cookie到文件
上面我们将cookie保存到了cookie这个变量中,如果我们想将cookie保存到文件中该怎么做呢?这时,我们就要用到FileCookieJar这个对象了,在这里我们使用它的子类MozillaCookieJar来实现Cookie的保存

[python] view plain copy

 print?

  1. import cookielib  
  2. import urllib2  
  3.     
  4. filename = 'cookie.txt'  设置保存cookie的文件,同级目录下的cookie.txt  
  5. cookie = cookielib.MozillaCookieJar(filename)  声明一个MozillaCookieJar对象实例来保存cookie,之后写入文件  
  6.     
  7. handler = urllib2.HTTPCookieProcessor(cookie)  利用urllib2库的HTTPCookieProcessor对象来创建cookie处理器  
  8. opener = urllib2.build_opener(handler)  通过handler来构建opener  
  9. response = opener.open("http://www.baidu.com")  创建一个请求,原理同urllib2urlopen  
  10.     
  11. cookie.save(ignore_discard=True, ignore_expires=True)  保存cookie到文件  

py3:

import urllib.request, urllib.parse, urllib.error

import http.cookiejar

 

URL_ROOT = 'http://www.jobbole.com/login/'

values = {'name': '******', 'password': '******'}

postdata = urllib.parse.urlencode(values).encode()

user_agent = r'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/44.0.2403.157 Safari/537.36'

headers = {'User-Agent': user_agent}

 

cookie_filename = 'cookie.txt'

cookie = http.cookiejar.LWPCookieJar(cookie_filename)

handler = urllib.request.HTTPCookieProcessor(cookie)

opener = urllib.request.build_opener(handler)

 

request = urllib.request.Request(URL_ROOT, postdata, headers)

try:

response = opener.open(request)

except urllib.error.URLError as e:

print(e.reason)

 

cookie.save(ignore_discard=True, ignore_expires=True) # 保存cookie到cookie.txt中

for item in cookie:

print('Name = ' + item.name)

print('Value = ' + item.value)

Note

1. 不同cookie写入文件方法的解释:

FileCookieJar(filename):创建FileCookieJar实例,检索cookie信息并将信息存储到文件中,filename是文件名。

MozillaCookieJar(filename):创建与Mozilla cookies.txt文件兼容的FileCookieJar实例。

LWPCookieJar(filename):创建与libwww-perl Set-Cookie3文件兼容的FileCookieJar实例。

2. save方法的两个参数的官方解释:

ignore_discard: save even cookies set to be discarded. 即使cookies将被丢弃也将它保存下来

ignore_expires: save even cookies that have expiredThe file is overwritten if it already exists.如果在该文件中cookies已经存在,则覆盖原文件写入

3. python3中如果直接使用http.cookiejar.CookieJar(filename)的方式会出错:self._policy._now = self._now = int(time.time()) AttributeError: 'str' object has no attribute '_now'。注意要将CookieJar改为LWPCookieJar

我们将这两个全部设置为True。运行之后,cookies将被保存到cookie.txt文件中,我们查看一下内容

 3)从文件中获取Cookie并访问
那么我们已经做到把Cookie保存到文件中了,如果以后想使用,可以利用下面的方法来读取cookie并访问网站,感受一下

[python] view plain copy

 print?

  1. import cookielib  
  2. import urllib2  
  3.     
  4. cookie = cookielib.MozillaCookieJar()  创建MozillaCookieJar实例对象  
  5. cookie.load('cookie.txt', ignore_discard=True, ignore_expires=True)  从文件中读取cookie内容到变量  
  6.     
  7. req = urllib2.Request("http://www.baidu.com")  创建请求的request  
  8. opener = urllib2.build_opener(urllib2.HTTPCookieProcessor(cookie))  利用urllib2build_opener方法创建一个opener  
  9. response = opener.open(req)  
  10. print response.read()  

py3:

import urllib.request

import urllib.parse

import urllib.error

import http.cookiejar

 

cookie_filename = 'cookie_jar.txt'

cookie = http.cookiejar.MozillaCookieJar(cookie_filename)

cookie.load(cookie_filename, ignore_discard=True, ignore_expires=True)

handler = urllib.request.HTTPCookieProcessor(cookie)

opener = urllib.request.build_opener(handler)

 

get_url = 'http://www.jobbole.com/' # 利用cookie请求访问另一个网址

get_request = urllib.request.Request(get_url)

get_response = opener.open(get_request)

print(get_response.read().decode())

[python3爬虫 - cookie登录实战]

设想,如果我们的 cookie.txt 文件中保存的是某个人登录百度的cookie,那么我们提取出这个cookie文件内容,就可以用以上方法模拟这个人的账号登录百度。[Python爬虫入门六之Cookie的使用]

 

 

URL错误处理

URL错误状态码

urlopen会产生一个HTTPError,对应相应的状态吗,HTTP状态码表示HTTP协议所返回的响应的状态。下面将状态码归结如下:

100:继续  客户端应当继续发送请求。客户端应当继续发送请求的剩余部分,或者如果请求已经完成,忽略这个响应。

101 转换协议  在发送完这个响应最后的空行后,服务器将会切换到在Upgrade 消息头中定义的那些协议。只有在切换新的协议更有好处的时候才应该采取类似措施。

102:继续处理   WebDAVRFC 2518)扩展的状态码,代表处理将被继续执行。

200:请求成功      处理方式:获得响应的内容,进行处理

201:请求完成,结果是创建了新资源。新创建资源的URI可在响应的实体中得到    处理方式:爬虫中不会遇到

202:请求被接受,但处理尚未完成    处理方式:阻塞等待

204:服务器端已经实现了请求,但是没有返回新的信 息。如果客户是用户代理,则无须为此更新自身的文档视图。    处理方式:丢弃

300:该状态码不被HTTP/1.0的应用程序直接使用, 只是作为3XX类型回应的默认解释。存在多个可用的被请求资源。    处理方式:若程序中能够处理,则进行进一步处理,如果程序中不能处理,则丢弃
301
:请求到的资源都会分配一个永久的URL,这样就可以在将来通过该URL来访问此资源    处理方式:重定向到分配的URL

302:请求到的资源在一个不同的URL处临时保存     处理方式:重定向到临时的URL

304:请求的资源未更新     处理方式:丢弃

400:非法请求     处理方式:丢弃

401:未授权     处理方式:丢弃

403:禁止     处理方式:丢弃

404:没有找到     处理方式:丢弃

500:服务器内部错误  服务器遇到了一个未曾预料的状况,导致了它无法完成对请求的处理。一般来说,这个问题都会在服务器端的源代码出现错误时出现。

501:服务器无法识别  服务器不支持当前请求所需要的某个功能。当服务器无法识别请求的方法,并且无法支持其对任何资源的请求。

502:错误网关  作为网关或者代理工作的服务器尝试执行请求时,从上游服务器接收到无效的响应。

503:服务出错   由于临时的服务器维护或者过载,服务器当前无法处理请求。这个状况是临时的,并且将在一段时间以后恢复。

HTTPError实例产生后会有一个code属性,这就是是服务器发送的相关错误号。[Python爬虫入门五之URLError异常处理]

from:http://blog.csdn.net/pipisorry/article/details/47905781

ref:urllib — URL handling modules

posted @ 2016-09-20 16:44 编程浪子Yiutto 阅读(...) 评论(...) 编辑 收藏