【Python3网络爬虫开发实战】3-基本库的使用 1.1-发送请求

时间  2019-11-17
标签 python3 python 网络 爬虫 开发 实战 基本 使用 1.1 发送 请求 栏目 Python 繁體版
原文   原文链接

使用urllib的request模块，咱们能够方便地实现请求的发送并获得响应，本节就来看下它的具体用法。html

1. urlopen()

urllib.request模块提供了最基本的构造HTTP请求的方法，利用它能够模拟浏览器的一个请求发起过程，同时它还带有处理受权验证（authenticaton）、重定向（redirection)、浏览器Cookies以及其余内容。python

下面咱们来看一下它的强大之处。这里以Python官网为例，咱们来把这个网页抓下来：nginx

import urllib.request

response = urllib.request.urlopen('https://www.python.org')
print(response.read().decode('utf-8'))
复制代码

运行结果如图3-1所示。json

图3-1 运行结果浏览器

这里咱们只用了两行代码，便完成了Python官网的抓取，输出了网页的源代码。获得源代码以后呢？咱们想要的连接、图片地址、文本信息不就均可以提取出来了吗？bash

接下来，看看它返回的究竟是什么。利用type()方法输出响应的类型：服务器

import urllib.request

response = urllib.request.urlopen('https://www.python.org')
print(type(response))
复制代码

输出结果以下：微信

<class 'http.client.HTTPResponse'>
复制代码

能够发现，它是一个HTTPResposne类型的对象。它主要包含read()、readinto()、getheader(name)、getheaders()、fileno()等方法，以及msg、version、status、reason、debuglevel、closed等属性。cookie

获得这个对象以后，咱们把它赋值为response变量，而后就能够调用这些方法和属性，获得返回结果的一系列信息了。网络

例如，调用read()方法能够获得返回的网页内容，调用status属性能够获得返回结果的状态码，如200表明请求成功，404表明网页未找到等。

下面再经过一个实例来看看：

import urllib.request

response = urllib.request.urlopen('https://www.python.org')
print(response.status)
print(response.getheaders())
print(response.getheader('Server'))
复制代码

运行结果以下：

200
[('Server', 'nginx'), ('Content-Type', 'text/html; charset=utf-8'), ('X-Frame-Options', 'SAMEORIGIN'), ('X-Clacks-Overhead', 'GNU Terry Pratchett'), ('Content-Length', '47397'), ('Accept-Ranges', 'bytes'), ('Date', 'Mon, 01 Aug 2016 09:57:31 GMT'), ('Via', '1.1 varnish'), ('Age', '2473'), ('Connection', 'close'), ('X-Served-By', 'cache-lcy1125-LCY'), ('X-Cache', 'HIT'), ('X-Cache-Hits', '23'), ('Vary', 'Cookie'), ('Strict-Transport-Security', 'max-age=63072000; includeSubDomains')]
nginx
复制代码

可见，前两个输出分别输出了响应的状态码和响应的头信息，最后一个输出经过调用getheader()方法并传递一个参数Server获取了响应头中的Server值，结果是nginx，意思是服务器是用Nginx搭建的。

利用最基本的urlopen()方法，能够完成最基本的简单网页的GET请求抓取。

若是想给连接传递一些参数，该怎么实现呢？首先看一下urlopen()函数的API：

urllib.request.urlopen(url, data=None, [timeout, ]*, cafile=None, capath=None, cadefault=False, context=None)
复制代码

能够发现，除了第一个参数能够传递URL以外，咱们还能够传递其余内容，好比data（附加数据）、timeout（超时时间）等。

下面咱们详细说明下这几个参数的用法。

data参数

data参数是可选的。若是要添加该参数，而且若是它是字节流编码格式的内容，即bytes类型，则须要经过bytes()方法转化。另外，若是传递了这个参数，则它的请求方式就再也不是GET方式，而是POST方式。

下面用实例来看一下：

import urllib.parse
import urllib.request

data = bytes(urllib.parse.urlencode({'word': 'hello'}), encoding='utf8')
response = urllib.request.urlopen('http://httpbin.org/post', data=data)
print(response.read())
复制代码

这里咱们传递了一个参数word，值是hello。它须要被转码成bytes（字节流）类型。其中转字节流采用了bytes()方法，该方法的第一个参数须要是str（字符串）类型，须要用urllib.parse模块里的urlencode()方法来将参数字典转化为字符串；第二个参数指定编码格式，这里指定为utf8。

这里请求的站点是httpbin.org，它能够提供HTTP请求测试。本次咱们请求的URL为httpbin.org/post，这个连接能够用来测试POST请求，它能够输出请求的一些信息，其中包含咱们传递的data参数。

运行结果以下：

{
     "args": {},
     "data": "",
     "files": {},
     "form": {
         "word": "hello"
     },
     "headers": {
         "Accept-Encoding": "identity",
         "Content-Length": "10",
         "Content-Type": "application/x-www-form-urlencoded",
         "Host": "httpbin.org",
         "User-Agent": "Python-urllib/3.5"
     },
     "json": null,
     "origin": "123.124.23.253",
     "url": "http://httpbin.org/post"
}
复制代码

咱们传递的参数出如今了form字段中，这代表是模拟了表单提交的方式，以POST方式传输数据。

timeout参数

timeout参数用于设置超时时间，单位为秒，意思就是若是请求超出了设置的这个时间，尚未获得响应，就会抛出异常。若是不指定该参数，就会使用全局默认时间。它支持HTTP、HTTPS、FTP请求。

下面用实例来看一下：

import urllib.request

response = urllib.request.urlopen('http://httpbin.org/get', timeout=1)
print(response.read())
复制代码

运行结果以下：

During handling of the above exception, another exception occurred:

Traceback (most recent call last): File "/var/py/python/urllibtest.py", line 4, in <module> response = urllib.request.urlopen('http://httpbin.org/get', timeout=1)
...
urllib.error.URLError: <urlopen error timed out>
复制代码

这里咱们设置超时时间是1秒。程序1秒事后，服务器依然没有响应，因而抛出了URLError异常。该异常属于urllib.error模块，错误缘由是超时。

所以，能够经过设置这个超时时间来控制一个网页若是长时间未响应，就跳过它的抓取。这能够利用try except语句来实现，相关代码以下：

import socket
import urllib.request
import urllib.error

try:
    response = urllib.request.urlopen('http://httpbin.org/get', timeout=0.1)
except urllib.error.URLError as e:
    if isinstance(e.reason, socket.timeout):
        print('TIME OUT')
复制代码

这里咱们请求了httpbin.org/get测试连接，设置超时时间是0.1秒，而后捕获了URLError异常，接着判断异常是socket.timeout类型（意思就是超时异常），从而得出它确实是由于超时而报错，打印输出了TIME OUT。

运行结果以下：

TIME OUT
复制代码

按照常理来讲，0.1秒内基本不可能获得服务器响应，所以输出了TIME OUT的提示。

经过设置timeout这个参数来实现超时处理，有时仍是颇有用的。

其余参数

除了data参数和timeout参数外，还有context参数，它必须是ssl.SSLContext类型，用来指定SSL设置。

此外，cafile和capath这两个参数分别指定CA证书和它的路径，这个在请求HTTPS连接时会有用。

cadefault参数如今已经弃用了，其默认值为False。

前面讲解了urlopen()方法的用法，经过这个最基本的方法，咱们能够完成简单的请求和网页抓取。若需更加详细的信息，能够参见官方文档：docs.python.org/3/library/u…。

2. Request

咱们知道利用urlopen()方法能够实现最基本请求的发起，但这几个简单的参数并不足以构建一个完整的请求。若是请求中须要加入Headers等信息，就能够利用更强大的Request类来构建。

首先，咱们用实例来感觉一下Request的用法：

import urllib.request

request = urllib.request.Request('https://python.org')
response = urllib.request.urlopen(request)
print(response.read().decode('utf-8'))
复制代码

能够发现，咱们依然是用urlopen()方法来发送这个请求，只不过此次该方法的参数再也不是URL，而是一个Request类型的对象。经过构造这个数据结构，一方面咱们能够将请求独立成一个对象，另外一方面可更加丰富和灵活地配置参数。

下面咱们看一下Request能够经过怎样的参数来构造，它的构造方法以下：

class urllib.request.Request(url, data=None, headers={}, origin_req_host=None, unverifiable=False, method=None)
复制代码
  • 第一个参数url用于请求URL，这是必传参数，其余都是可选参数。
  • 第二个参数data若是要传，必须传bytes（字节流）类型的。若是它是字典，能够先用urllib.parse模块里的urlencode()编码。
  • 第三个参数headers是一个字典，它就是请求头，咱们能够在构造请求时经过headers参数直接构造，也能够经过调用请求实例的add_header()方法添加。添加请求头最经常使用的用法就是经过修改User-Agent来假装浏览器，默认的User-Agent是Python-urllib，咱们能够经过修改它来假装浏览器。好比要假装火狐浏览器，你能够把它设置为：

Mozilla/5.0 (X11; U; Linux i686) Gecko/20071127 Firefox/2.0.0.11

  • 第四个参数origin_req_host指的是请求方的host名称或者IP地址。
  • 第五个参数unverifiable表示这个请求是不是没法验证的，默认是False，意思就是说用户没有足够权限来选择接收这个请求的结果。例如，咱们请求一个HTML文档中的图片，可是咱们没有自动抓取图像的权限，这时unverifiable的值就是True`。
  • 第六个参数method是一个字符串，用来指示请求使用的方法，好比GET、POST和PUT等。

下面咱们传入多个参数构建请求来看一下：

from urllib import request, parse

url = 'http://httpbin.org/post'
headers = {
    'User-Agent': 'Mozilla/4.0 (compatible; MSIE 5.5; Windows NT)',
    'Host': 'httpbin.org'
}
dict = {
    'name': 'Germey'
}
data = bytes(parse.urlencode(dict), encoding='utf8')
req = request.Request(url=url, data=data, headers=headers, method='POST')
response = request.urlopen(req)
print(response.read().decode('utf-8'))
复制代码

这里咱们经过4个参数构造了一个请求，其中url即请求URL，headers中指定了User-Agent和Host，参数data用urlencode()和bytes()方法转成字节流。另外，指定了请求方式为POST。

运行结果以下：

{
  "args": {}, 
  "data": "", 
  "files": {}, 
  "form": {
    "name": "Germey"
  }, 
  "headers": {
    "Accept-Encoding": "identity", 
    "Content-Length": "11", 
    "Content-Type": "application/x-www-form-urlencoded", 
    "Host": "httpbin.org", 
    "User-Agent": "Mozilla/4.0 (compatible; MSIE 5.5; Windows NT)"
  }, 
  "json": null, 
  "origin": "219.224.169.11", 
  "url": "http://httpbin.org/post"
}
复制代码

观察结果能够发现，咱们成功设置了data、headers和method。

另外，headers也能够用add_header()方法来添加：

req = request.Request(url=url, data=data, method='POST')
req.add_header('User-Agent', 'Mozilla/4.0 (compatible; MSIE 5.5; Windows NT)')
复制代码

如此一来，咱们就能够更加方便地构造请求，实现请求的发送啦。

3. 高级用法

在上面的过程当中，咱们虽然能够构造请求，可是对于一些更高级的操做（好比Cookies处理、代理设置等），咱们该怎么办呢？

接下来，就须要更强大的工具Handler登场了。简而言之，咱们能够把它理解为各类处理器，有专门处理登陆验证的，有处理Cookies的，有处理代理设置的。利用它们，咱们几乎能够作到HTTP请求中全部的事情。

首先，介绍一下urllib.request模块里的BaseHandler类，它是全部其余Handler的父类，它提供了最基本的方法，例如default_open()、protocol_request()等。

接下来，就有各类Handler子类继承这个BaseHandler类，举例以下。

  • HTTPDefaultErrorHandler：用于处理HTTP响应错误，错误都会抛出HTTPError类型的异常。
  • HTTPRedirectHandler：用于处理重定向。
  • HTTPCookieProcessor：用于处理Cookies。
  • ProxyHandler：用于设置代理，默认代理为空。
  • HTTPPasswordMgr：用于管理密码，它维护了用户名和密码的表。
  • HTTPBasicAuthHandler：用于管理认证，若是一个连接打开时须要认证，那么能够用它来解决认证问题。

另外，还有其余的Handler类，这里就不一一列举了，详情能够参考官方文档：docs.python.org/3/library/u…。

关于怎么使用它们，如今先不用着急，后面会有实例演示。

另外一个比较重要的类就是OpenerDirector，咱们能够称为Opener。咱们以前用过urlopen()这个方法，实际上它就是urllib为咱们提供的一个Opener。

那么，为何要引入Opener呢？由于须要实现更高级的功能。以前使用的Request和urlopen()至关于类库为你封装好了极其经常使用的请求方法，利用它们能够完成基本的请求，可是如今不同了，咱们须要实现更高级的功能，因此须要深刻一层进行配置，使用更底层的实例来完成操做，因此这里就用到了Opener。

Opener可使用open()方法，返回的类型和urlopen()一模一样。那么，它和Handler有什么关系呢？简而言之，就是利用Handler来构建Opener。

下面用几个实例来看看它们的用法。

验证

有些网站在打开时就会弹出提示框，直接提示你输入用户名和密码，验证成功后才能查看页面，如图3-2所示。

图3-2 验证页面

那么，若是要请求这样的页面，该怎么办呢？借助HTTPBasicAuthHandler就能够完成，相关代码以下：

from urllib.request import HTTPPasswordMgrWithDefaultRealm, HTTPBasicAuthHandler, build_opener
from urllib.error import URLError

username = 'username'
password = 'password'
url = 'http://localhost:5000/'

p = HTTPPasswordMgrWithDefaultRealm()
p.add_password(None, url, username, password)
auth_handler = HTTPBasicAuthHandler(p)
opener = build_opener(auth_handler)

try:
    result = opener.open(url)
    html = result.read().decode('utf-8')
    print(html)
except URLError as e:
    print(e.reason)
复制代码

这里首先实例化HTTPBasicAuthHandler对象，其参数是HTTPPasswordMgrWithDefaultRealm对象，它利用add_password()添加进去用户名和密码，这样就创建了一个处理验证的Handler。

接下来，利用这个Handler并使用build_opener()方法构建一个Opener，这个Opener在发送请求时就至关于已经验证成功了。

接下来，利用Opener的open()方法打开连接，就能够完成验证了。这里获取到的结果就是验证后的页面源码内容。

代理

在作爬虫的时候，免不了要使用代理，若是要添加代理，能够这样作：

from urllib.error import URLError
from urllib.request import ProxyHandler, build_opener

proxy_handler = ProxyHandler({
    'http': 'http://127.0.0.1:9743',
    'https': 'https://127.0.0.1:9743'
})
opener = build_opener(proxy_handler)
try:
    response = opener.open('https://www.baidu.com')
    print(response.read().decode('utf-8'))
except URLError as e:
    print(e.reason)
复制代码

这里咱们在本地搭建了一个代理，它运行在9743端口上。

这里使用了ProxyHandler，其参数是一个字典，键名是协议类型（好比HTTP或者HTTPS等），键值是代理连接，能够添加多个代理。

而后，利用这个Handler及build_opener()方法构造一个Opener，以后发送请求便可。

Cookies

Cookies的处理就须要相关的Handler了。

咱们先用实例来看看怎样将网站的Cookies获取下来，相关代码以下：

import http.cookiejar, urllib.request

cookie = http.cookiejar.CookieJar()
handler = urllib.request.HTTPCookieProcessor(cookie)
opener = urllib.request.build_opener(handler)
response = opener.open('http://www.baidu.com')
for item in cookie:
    print(item.name+"="+item.value)
复制代码

首先，咱们必须声明一个CookieJar对象。接下来，就须要利用HTTPCookieProcessor来构建一个Handler，最后利用build_opener()方法构建出Opener，执行open()函数便可。

运行结果以下：

BAIDUID=2E65A683F8A8BA3DF521469DF8EFF1E1:FG=1
BIDUPSID=2E65A683F8A8BA3DF521469DF8EFF1E1
H_PS_PSSID=20987_1421_18282_17949_21122_17001_21227_21189_21161_20927
PSTM=1474900615
BDSVRTM=0
BD_HOME=0
复制代码

能够看到，这里输出了每条Cookie的名称和值。

不过既然能输出，那可不能够输出成文件格式呢？咱们知道Cookies实际上也是以文本形式保存的。

答案固然是确定的，这里经过下面的实例来看看：

filename = 'cookies.txt'
cookie = http.cookiejar.MozillaCookieJar(filename)
handler = urllib.request.HTTPCookieProcessor(cookie)
opener = urllib.request.build_opener(handler)
response = opener.open('http://www.baidu.com')
cookie.save(ignore_discard=True, ignore_expires=True)
复制代码

这时CookieJar就须要换成MozillaCookieJar，它在生成文件时会用到，是CookieJar的子类，能够用来处理Cookies和文件相关的事件，好比读取和保存Cookies，能够将Cookies保存成Mozilla型浏览器的Cookies格式。

运行以后，能够发现生成了一个cookies.txt文件，其内容以下：

# Netscape HTTP Cookie File
# http://curl.haxx.se/rfc/cookie_spec.html
# This is a generated file! Do not edit.

.baidu.com    TRUE    /    FALSE    3622386254    BAIDUID    05AE39B5F56C1DEC474325CDA522D44F:FG=1
.baidu.com    TRUE    /    FALSE    3622386254    BIDUPSID    05AE39B5F56C1DEC474325CDA522D44F
.baidu.com    TRUE    /    FALSE        H_PS_PSSID    19638_1453_17710_18240_21091_18560_17001_21191_21161
.baidu.com    TRUE    /    FALSE    3622386254    PSTM    1474902606
www.baidu.com    FALSE    /    FALSE        BDSVRTM    0
www.baidu.com    FALSE    /    FALSE        BD_HOME    0
复制代码

另外，LWPCookieJar一样能够读取和保存Cookies，可是保存的格式和MozillaCookieJar不同，它会保存成libwww-perl(LWP)格式的Cookies文件。

要保存成LWP格式的Cookies文件，能够在声明时就改成：

cookie = http.cookiejar.LWPCookieJar(filename)
复制代码

此时生成的内容以下：

#LWP-Cookies-2.0
Set-Cookie3: BAIDUID="0CE9C56F598E69DB375B7C294AE5C591:FG=1"; path="/"; domain=".baidu.com"; path_spec; domain_dot; expires="2084-10-14 18:25:19Z"; version=0
Set-Cookie3: BIDUPSID=0CE9C56F598E69DB375B7C294AE5C591; path="/"; domain=".baidu.com"; path_spec; domain_dot; expires="2084-10-14 18:25:19Z"; version=0
Set-Cookie3: H_PS_PSSID=20048_1448_18240_17944_21089_21192_21161_20929; path="/"; domain=".baidu.com"; path_spec; domain_dot; discard; version=0
Set-Cookie3: PSTM=1474902671; path="/"; domain=".baidu.com"; path_spec; domain_dot; expires="2084-10-14 18:25:19Z"; version=0
Set-Cookie3: BDSVRTM=0; path="/"; domain="www.baidu.com"; path_spec; discard; version=0
Set-Cookie3: BD_HOME=0; path="/"; domain="www.baidu.com"; path_spec; discard; version=0
复制代码

由此看来，生成的格式仍是有比较大差别的。

那么，生成了Cookies文件后，怎样从文件中读取并利用呢？

下面咱们以LWPCookieJar格式为例来看一下：

cookie = http.cookiejar.LWPCookieJar()
cookie.load('cookies.txt', ignore_discard=True, ignore_expires=True)
handler = urllib.request.HTTPCookieProcessor(cookie)
opener = urllib.request.build_opener(handler)
response = opener.open('http://www.baidu.com')
print(response.read().decode('utf-8'))
复制代码

能够看到，这里调用load()方法来读取本地的Cookies文件，获取到了Cookies的内容。不过前提是咱们首先生成了LWPCookieJar格式的Cookies，并保存成文件，而后读取Cookies以后使用一样的方法构建Handler和Opener便可完成操做。

运行结果正常的话，会输出百度网页的源代码。

经过上面的方法，咱们能够实现绝大多数请求功能的设置了。

这即是urllib库中request模块的基本用法，若是想实现更多的功能，能够参考官方文档的说明：docs.python.org/3/library/u…。


本资源首发于崔庆才的我的博客静觅： Python3网络爬虫开发实战教程 | 静觅

如想了解更多爬虫资讯，请关注个人我的微信公众号：进击的Coder

weixin.qq.com/r/5zsjOyvEZ… (二维码自动识别)

相关文章
相关标签/搜索
每日一句
    每一个你不满意的现在，都有一个你没有努力的曾经。
本站公众号
   欢迎关注本站公众号,获取更多信息
联系我们 最近搜索 最新文章 沪ICP备13005482号-10 MyBatis教程 SQL 教程 MySQL教程 Java 教程 Thymeleaf 教程 Hibernate教程 Spring教程 Redis教程