一、网络请求(2)——urllib库

urllib库

urllib 库是 Python中一个最基本的网络请求库。可以模拟浏览器的行为，向指定的服务器发送一个请求，并可以保存服务器返回的数据。

urlopen函数

在Python3的 urllib 库中，所有和网络请求相关的方法，都被集中到 urllib.request 模块下面了，先来看下 urlopen 函数基本的使用：

from urllib import request
resp = request.urlopen('http://www.baidu.com')
print(resp.read())

实际上，使用浏览器访问百度，右键查看源代码。你会发现，跟我们刚才打印出来的数据是一模一样的，也就是说，上面的三行代码就已经帮我们把百度的首页的全部代码爬下来了。一个基本的url请求对应的python代码真的非常简单。

以下对 urlopen 函数进行详细讲解：

url：请求的url
data：请求的data，如果设置了这个值，那么将变成post 请求。
返回值：返回值是一个 http.client.HTTPResponse 对象，这个对象是一个类文件句柄对象。

方法：

read(size)：读取多少字节数，如果为空，默认读取所有
readline()：读取一行数据
readlines()：读取多行数据
getcode()：获取返回的状态码

urlretrieve函数

这个函数可以方便的将网页上的一个文件保存到本地。以下代码可以非常方便的将百度的首页下载到本地：

from urllib import request
request.urlretrieve('http://www.baidu.com/','baidu.html')

urlencode函数

用浏览器发送请求的时候，如果 url 中包含了中文或者其他特殊字符，那么浏览器会自动的给我们进行编码。而如果使用代码发送请求，那么就必须手动的进行编码，这时候就应该使用 urlencode 函数来实现。 urlencode 可以把字典数据转换为 URL 编码的数据。示例代码如下：

from urllib import parse
data = {'name':'爬虫基础','greet':'hello world','age':100}
qs = parse.urlencode(data)
print(qs)

parse_qs函数

可以将经过编码后的url参数进行解码。示例代码如下：

from urllib import parse
qs = "name=%E7%88%AC%E8%99%AB%E5%9F%BA%E7%A1%80&greet=hello+world&age=100"
print(parse.parse_qs(qs))

urlparse和urlsplit

有时候拿到一个url，想要对这个url中的各个组成部分进行分割，那么这时候就可以使用 urlparse 或者是 urlsplit 来进行分割。示例代码如下：

from urllib import parse

url = 'http://www.baidu.com/s?wd=python&username=abc#1'
result = parse.urlsplit(url) # 没有params
# result = parse.urlparse(url)    # 有params

print('scheme:',result.scheme)
print('netloc:',result.netloc)
print('path:',result.path)
print('params:',result.params)
print('query:',result.query)
print('fragment:',result.fragment)

urlparse和urlsplit基本上是一模一样的。唯一不一样的地方是，urlparse里面多了一个params属性，而urlsplit没有这个params属性。比如有一个url为：url = 'http://www.baidu.com/s;hello?wd=python&username=abc#1'，那么urlparse可以获取到hello，而urlsplit不可以获取到。url中的params也用得比较少。

request.Request类

如果想要在请求的时候增加一些请求头，那以就必须使用request.Request类来实现。比如要增加一个User-Agent，示例代码如下：

from urllib import request,parse

url = 'https://www.lagou.com/jobs/positionAjax.json?px=default&city=%E4%B8%8A%E6%B5%B7&needAddtionalResult=false'

headers = {
    'User-Agent':'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_14_3) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/72.0.3626.121 Safari/537.36',
    'Referer':'https://www.lagou.com/jobs/list_python?px=default&city=%E4%B8%8A%E6%B5%B7',
}
data={
    'first':'true',
    'pn':1,
    'kd':'python'
}

req = request.Request(url,headers=headers,data=parse.urlencode(data).encode('utf-8'),method='POST')
resp = request.urlopen(req)
print(resp.read().decode('utf-8'))

内涵段子爬虫实战作业

url链接：http://neihanshequ.com/bar/1
要求：能爬取一页的数据就可以了

ProxyHandler处理器（代理设置）

很多网站会检测某一段时间某个IP的访问次数（通过流量统计，系统日志等），如果访问次数多的不象正常人，它会禁止这个IP的访问。所以我们可以设置一些代理服务器，每隔一段时间换一个代理，就算IP被禁止，依然可以换个IP继续爬取。

代理的原理：在请求目的网站之前，先请求代理服务器，然后让代理服务器去请求目的网站，代理服务器拿到目的网站的数据后，再转发给我们的代码。
http://httpbin.org：这个网站可以方便的查看http请求的一些参数
在代码中使用代理：
- 使用urllib.request.ProxyHandler，传入一个代理，这个代理是一个字典，字典的key依赖于代理服务器能够接收的类型，一般是http或者https,值是ip:port。
- 使用上一步创建的handler，以及request.build_opener创建一个opener对象。
- 使用上一步创建的opener，调用open函数，发起请求。

urllib 中通过ProxyHandler来设置使用代理服务器，下面代码说明如何使用自定义opener来使用代理：

from urllib import request

# 这个是没有使用代理的
# resp = request.urlopen('http://httpbin.org/get')
# print(resp.read().decode('utf-8'))

# 这个是使用了代理的
url = 'http://httpbin.org/ip'
# 1.使用 ProxyHandler 传入代理构建一个 handler
handler = request.ProxyHandler({'http':'118.122.114.236:9000'})
# 2. 使用上面创建的 handler 构建一个 opener
opener = request.build_opener(handler)
# 3. 使用 opener 去发送一个请求
resp = opener.open(url)
print(resp.read())

常用的代理有：

西制免费代理IP：http://www.xicidaili.com
快代理：http://www.kuaidaili.com
代理云：http://www.dailiyun.com

什么是cookie？

在网站中，http请求是无状态的，也就是说即使第一次和服务器连接后并且登录成功后，第二次请求服务器依然不能知道当前请求是哪个用户。cookie的出现就是为了解决这个问题，第一次登录后服务器返回一些数据(cookie)给浏览器，然后浏览器保存在本地，当该用户发送第二次请求的时候，就会自动把上次请求存储的cookie数据自动的携带给服务器，服务器通过浏览器携带的数据就能判断当前用户是哪个了。cookie存储的数据量有限，不同的浏览器有不同的存储大小，但一般不超过4KB。因此使用cookie只能存储一些小量的数据。

cookie的格式

 Set-Cookie:NAME=VALUE;Expires/Max-age=DATE;Path=PATH;Domain=DOMAIN_NAME;SECURE

参数意义：

NAME：cookie的名字
VALUE：cookie的值
Expires：cookie的过期时间
Path：cookie作用的路径
Domain：cookie作用的域名
SECURE：是否只在https协议下起作用。

使用cookielib库和HTTPCookieProcessor模拟登录

Cookie是指网站服务器为了辨别用户身份和进行Session跟踪，而储存在用户浏览器上的文本文件，Cookie可以保持登录信息到用户下次与服务器的会话。

这里以人人网为例，人人网中，要访问某个人的主页，必须先登录才能访问，登录说白了就是要有cookie的信息。那么如果我们想要用代码的方式访问，就必须要有正确的cookie信息才能访问。解决方案有两种，第一种是使用浏览器访问，然后将cookie信息复制下来，放到headers中。示例代码如下：

from urllib import request

# 大鹏董成鹏主页：http://www.renren.com/880151247/profile
# 人人网登录url：http://www.renren.com/PLogin.do

#1.不使用 cookie 去请求大鹏的主页
dapeng_url = "http://www.renren.com/880151247/profile"
headers = {
    'User-Agent':'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_14_3) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/72.0.3626.121 Safari/537.36',
    'Cookie':'anonymid=jt75deea1mav2z; depovince=SH; jebecookies=842f59db-ac85-4ccf-bc5d-89e0ed90c533|||||; _r01_=1; JSESSIONID=abcCVukf0adNo_gT752Lw; ick_login=83dc3768-6560-49e1-9f60-89750c9c0708; _de=020D07FA7C972D7F9693B941A6D5CC6732E0B9ADC37B4602; p=d1afe6d3669e2b81f53082455819c0d45; first_login_flag=1; ln_uact=renjy185911222@126.com; ln_hurl=http://hd60.xiaonei.com/photos/hd60/20071127/16/52/main_3012f107.jpg; t=e3d3d615ccd5c73c8160234d70b7f9505; societyguester=e3d3d615ccd5c73c8160234d70b7f9505; id=236210555; xnsid=8917e94c; loginfrom=syshome; wp_fold=0'
}
req = request.Request(url=dapeng_url,headers=headers)
resp = request.urlopen(req)
with open('renren.html','w',encoding='utf-8') as fp:
    # write函数必须写入一个str的数据类型
    # resp.read()读出来的是一个bytes数据类型
    # bytes ->decode -> str
    # str -> encode -> bytes
    fp.write(resp.read().decode("utf-8"))

但是每次在访问需要cookie的页面都要从浏览器中复制cookie比较麻烦。在Python处理Cookie，一般是通过http.cookiejar模块和urllib模块的HTTPCookieProcessor处理器类一起使用。http.cookiejar模块主要作用是提供用于存储 cookie 的对象。而 HTTPCookieProcessor处理器主要作用是处理这些 cookie 对象，并构建 handler 对象。

http.cookiejar模块

该模块主要的类有CookieJar、FileCookieJar、MozillaCookieJar、LWPCookieJar。这四个类的作用分别如下：

CookieJar：管理HTTP cookie值、存储HTTP请求生成的cookie，向传出的HTTP请求添加cookie的对象。整个cookie都存储在内存中，对CookieJar实例进行垃圾回收后cookie也将丢失。
FileCookieJar(filename，delayload=None;policy=None)：从CookieJar派生而来，用来创建FileCookieJar实例，检索cookie信息并将cookie存储到文件中。filename是存储 cookie的文件名。delayload为True时支持延迟访问文件，即只有在需要时才读取文件或在文件中存储数据。
MozillaCookieJar(filename，delayload=None;policy=None)：从CookieJar派生而来，创建与Mozilla浏览器 cookies.txt 兼容的 FileCookieJar 实例。
LWPCookieJar(filename，delayload=None;policy=None)：从CookieJar派生而来，创建与libwww-per标准的 Set-Cookie3文件格式兼容的 FileCookieJar 实例。

利用 http.cookiejar 和 request.HTTPCookieProcessor 登录人人网。相关示例代码如下：

from urllib import request, parse
from http.cookiejar import CookieJar

headers = {
    'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_14_3) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/72.0.3626.121 Safari/537.36'
}


def get_opener():
    # 1. 登录
    # 1.1 创建一个cookiejar对象
    cookiejar = CookieJar()
    # 1.2 使用 cookiejar 创建一个 HTTPCookieProcessor对象
    handler = request.HTTPCookieProcessor(cookiejar)
    # 1.3 使用上一步创建的handler创建一个opener
    opener = request.build_opener(handler)
    return opener


def login_renren(opener):
    # 1.4 使用 opener发送登录的请求（人人网的邮箱和密码）
    data = {
        'email': 'renjy185911222@126.com',
        'password': 'caonima001'
    }
    login_url = "http://www.renren.com/PLogin.do"
    req = request.Request(login_url, data=parse.urlencode(data).encode('utf-8'), headers=headers)
    opener.open(req)


def visit_profile(opener):
    # 2.访问个人主页
    dapeng_url = "http://www.renren.com/880151247/profile"
    # 获取个人主页的页面的时候，不要新建一个opener
    # 而应该使用之前的那个opener，因为之前的那个opener已经包含了登录所需要的cookie信息
    req = request.Request(dapeng_url, headers=headers)
    resp = opener.open(req)
    with open('renren.html', 'w', encoding='utf-8') as fp:
        fp.write(resp.read().decode('utf-8'))


if __name__ == '__main__':
    opener = get_opener()
    login_renren(opener)
    visit_profile(opener)

View Code

保存cookie到本地

保存cookie到本地，可以使用cookiejar的save方法，并且需要指定一个文件名：

from urllib import request
from http.cookiejar import MozillaCookieJar

# 保存cookie到本地
cookiejar = MozillaCookieJar('cookie.txt')
handler = request.HTTPCookieProcessor(cookiejar)
opener = request.build_opener(handler)

resp = opener.open('http://httpbin.org/cookies')

cookiejar.save(ignore_discard=True)

从本地加载cookie

从本地加载cookie，需要使用cookiejar的load方法，并且也需要指定方法：

from urllib import request
from http.cookiejar import MozillaCookieJar

# 保存cookie到本地
cookiejar = MozillaCookieJar('cookie.txt')
cookiejar.load(ignore_discard=True)
handler = request.HTTPCookieProcessor(cookiejar)
opener = request.build_opener(handler)

resp = opener.open('http://httpbin.org/cookies')
for cookie in cookiejar:
    print(cookie)

# cookiejar.save(ignore_discard=True)

posted @ 2019-04-30 17:45 渣爷阅读(427) 评论(0) 收藏举报

刷新页面返回顶部