《爬虫学习》（二）（urllib库使用）

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

1.urlopen函数：

在Python3的urllib库中，全部和网络请求相关的方法，都被集到urllib.request模块下面了，以先来看下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，跟咱们刚才打印出来的数据是如出一辙的。也就是说，上面的三行代码就已经帮咱们把百度的首页的所有代码爬下来了。一个基本的url请求对应的python代码真的很是简单。
如下对urlopen函数的进行详细讲解：

1. url：请求的url。
2. data：请求的data，若是设置了这个值，那么将变成post请求。
3. 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。有read(size)、readline、readlines以及getcode等方法。

2.urlretrieve函数：

这个函数能够方便的将网页上的一个文件保存到本地。如下代码能够很是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')

 

3.编码解码urlencode函数/parse_qs函数：

urlencode函数

用浏览器发送请求的时候，若是url中包含了中文或者其余特殊字符，那么浏览器会自动的给咱们进行编码。而若是使用代码发送请求，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能够把字典数据转换为URL编码的数据。示例代码以下：

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：

能够将通过编码后的url参数进行解码。示例代码以下：

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))

4.urlpares函数/urlsplit函数：

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，那么这时候就能够使用urlparse或者是urlsplit来进行分割。示例代码以下：

from urllib import request,parse url = 'http://www.baidu.com/s?username=zhiliao' result = parse.urlsplit(url) # result = parse.urlparse(url) print('scheme:',result.scheme) print('netloc:',result.netloc) print('path:',result.path) print('query:',result.query) 

urlparse和urlsplit基本上是如出一辙的。惟一不同的地方是，urlparse里面多了一个params属性，而urlsplit没有这个params属性。好比有一个url为：url = 'http://www.baidu.com/s;hello?wd=python&username=abc#1'，
那么urlparse能够获取到hello，而urlsplit不能够获取到。url中的params也用得比较少。

5.request.Request函数：

若是想要在请求的时候增长一些请求头，那么就必须使用request.Request类来实现。好比要增长一个User-Agent，示例代码以下：

from urllib import request headers = { 'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/62.0.3202.94 Safari/537.36' } req = request.Request("http://www.baidu.com/",headers=headers) resp = request.urlopen(req) print(resp.read())

6.代理器设置(ProxyHandler)：

不少网站会检测某一段时间某个IP的访问次数(经过流量统计，系统日志等)，若是访问次数多的不像正常人，它会禁止这个IP的访问。
因此咱们能够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，依然能够换个IP继续爬取。
urllib中经过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 handler = request.ProxyHandler({"http":"218.66.161.88:31769"}) opener = request.build_opener(handler) req = request.Request("http://httpbin.org/ip") resp = opener.open(req) print(resp.read())

代码：

from urllib import request
from urllib import parse
#resp = request.urlopen('https://www.sohu.com')打开

#print(resp.readlines())

#resp = request.urlretrieve('http://www.jd.com', 'jd.html')下载

# 编码
# infomation = {'name':'张三', 'age':18, 'code':'niu'}
# result = parse.urlencode(infomation)
# print(result)

# url = "http://www.sogou.com"
# par = {'query':'武佩齐'}
# qs = parse.urlencode(par)
# url = url + "/web?" +qs
# request.urlretrieve(url, '1.html')

# 解码
# infomation = {'name':'张三', 'age':18, 'code':'niu'}
# qs = parse.urlencode(infomation)
# res = parse.parse_qs(qs)
# print(res)

#解析
# url = 'http://www.baidu.com/s?wd=python&username=jd#1'
#
# result = parse.urlparse(url)
# print(result.netloc)
# result = parse.urlsplit(url)
# print(result)

# 实战
# url = 'https://search.bilibili.com/all?keyword=opencv&from_source=nav_search_new'
# head = {
#     'User-Agent':'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/70.0.3538.25 Safari/537.36 Core/1.70.3741.400 QQBrowser/10.5.3863.400',
#     'Referer': 'https://www.bilibili.com/'
#
# }
# data = {
#     'first':'true',
#     'pn':1,
#     'kd':'opencv'
# }
#
# req = request.Request(url, headers=head,data=parse.urlencode(data).encode('utf-8'), method='GET')
# resp = request.urlopen(req)
# print(resp.read().decode('utf-8'))

# 代理服务器
# 没有使用代理
# url = 'http://www.httpbin.org/ip'
# resp = request.urlopen(url)
# print(resp.read())
# 使用代理
# url = 'http://www.httpbin.org/ip'
# # 1.使用request.ProxyHandler建立hander
# hander = request.ProxyHandler({"http":"125.123.137.33:9999"})
# # 2.使用request.build_opener建立opener，经过hander
# opener = request.build_opener(hander)
# # 3.使用opener进行open链接
# resp = opener.open(url)
# print(resp.read())

 

补充：Cookie：

　　在网站中，http请求是无状态的。也就是说即便第一次和服务器链接后而且登陆成功后，第二次请求服务器依然不能知道当前请求是哪一个用户。cookie的出现就是为了解决这个问题，第一次登陆后服务器返回一些数据（cookie）给浏览器，而后浏览器保存在本地，当该用户发送第二次请求的时候，就会自动的把上次请求存储的cookie数据自动的携带给服务器，服务器经过浏览器携带的数据就能判断当前用户是哪一个了。cookie存储的数据量有限，不一样的浏览器有不一样的存储大小，但通常不超过4KB。所以使用cookie只能存储一些小量的数据。