Python爬虫之urllib库—进阶篇

urllib库除了一些基础的用法外，还有不少高级的功能，能够更加灵活的适用在爬虫应用中，好比，用HTTP的POST请求方法向服务器提交数据实现用户登陆、当服务器检测出频繁使用同一IP而发出禁令时，如何使用代理IP来应对，如何设置超时，以及解析URL方法上的一些处理，本次将会对这些内容进行详细的分析和讲解。

• POST请求

    

POST是HTTP协议的请求方法之一，也是比较经常使用到的一种方法，用于向服务器提交数据。博主先介绍进行post请求的一些准备工做，而后举一个例子，对其使用以及更深层概念进行详细的的剖析。

• POST请求的准备工做

  
  

既然要提交信息给服务器，咱们就须要知道信息往哪填，填什么，填写格式是什么？带这些问题，咱们往下看。

一样提交用户登陆信息（用户名和密码），不一样网站可能须要的东西不同，好比淘宝反爬机制较复杂，会有其它一大串的额外信息。这里，咱们以豆瓣为例（相对简单），目标是弄清楚POST是如何使用的，复杂内容会在后续实战部分与你们继续分享。

抛出上面像淘宝同样须要的复杂信息，若是仅考虑用户名和密码的话，咱们的准备工做其实就是要弄明白用户名和密码标签的属性name是什么，这能够经过浏览器F12查看element获取，也能够经过抓包工具Fiddler获取，fiddler的下载地址 https://www.telerik.com/download/fiddler

经过浏览器F12元素查看到，邮箱/手机号标签的name="form_email", 密码的标签name="form_email"，以下图红框所示。但要说明的是，两个标签的name名称并非固定的，上面查看的name名称只是豆瓣网站定义的，不表明全部。其它的网站可能有会有不一样的名称，好比name="username", name="password"之类的。所以，针对不一样网站的登陆，须要每次查看name是什么。

经过fiddler抓包工具也能抓到想要的内容。

博主推荐使用fiddler工具，由于爬虫就是模拟浏览器工做，fiddler会帮助咱们抓取正常使用浏览器时POST请求的内容，这样咱们只要把抓到的浏览器POST的信息填到爬虫程序里就ok了。另外，也能够经过fiddler抓到浏览器请求的headers，很是方便。

安装fiddler的小伙伴们注意：fiddler证书问题的坑（没法抓取HTTPs包），能够经过Tools —> Options —>HTTPS里面打勾Decrypt HTTPS traffic修改证书来解决。不然会一直显示抓取 Tunnel 信息包...

好了，完成了准备工做，咱们直接上一段代码理解下。

• POST请求的使用

urllib.request
urllib.error
urllib.parse

headers ,
           ,
           value ,
         ,
         response urllib.request.Request, , headershtml urllib.request.urlopenresponseresult html.read.decoderesulturllib.error.URLError ee, e.reasonurllib.error.HTTPError ee, e.code

正常运行结果：

!DOCTYPE HTMLhtml langheadmeta charsetmeta namecontentwindow.attachEvent, _ga_init;
scriptbodyhtml

注意：复制header的时候请去掉 这一项'Accept-Encoding':' gzip, deflate， 不然会提示decode的错误。

• POST请求代码分析

咱们来分析一下上面的代码，与urllib库request的使用基本一致，urllib库request的基本用法可参考上篇文章Python爬虫之urllib库，这里多出了post的data参数和一些解析的内容（红色标识），着重讲解一下。

 data = urllib.parse.urlencode(value).encode('utf8')

这句的意思是利用了urllib库的parse来对post内容解析，为何要解析呢？

这是由于post内容须要进行必定的编码格式处理后才能发送，而编码的规则须要听从RFC标准，百度了一下RFC定义，供你们参考：

Request For Comments（RFC），是一系列以编号排定的文件。文件收集了有关互联网相关信息，以及UNIX和互联网社区的软件文件。目前RFC文件是由Internet Society（ISOC）赞助发行。基本的互联网通讯协议都有在RFC文件内详细说明。RFC文件还额外加入许多的论题在标准内，例如对于互联网新开发的协议及发展中全部的记录。所以几乎全部的互联网标准都有收录在RFC文件之中。

parse的urlencode方法功能是将一个字典或者有顺序的二元素元组转换成为URL的查询字符串，说白了就是按照RFC标准转换了一下格式。而后再将转换好的字符串进行utf-8的编码（encode(utf-8)）转换成为二进制格式才能使用。

注：Python3.x中编码解码规则为 byte—>string—>byte的模式，其中byte—>string为解码，string—>byte为编码

• 代理IP

为何要使用代理IP？由于各类反爬机制会检测同一IP爬取网页的频率速度，若是速度过快，就会被认定为机器人，可是速度过慢又会影响爬取的速度，所以，咱们将使用代理IP取代咱们本身的IP，这样不断更换新的IP地址就能够达到快速爬取网页而下降被检测为机器人的目的了。

一样利用urllib的request就能够完成代理IP的使用，可是与以前用到的urlopen不一样，咱们须要本身建立订制化的opener。什么意思呢？

urlopen就好像是opener的通用版本，当咱们须要特殊功能（例如代理IP）的时候，urlopen知足不了咱们的需求，咱们就不得不本身定义并建立特殊的opener了。

request里面正好有处理各类功能的处理器方法，以下：

ProxyHandler, UnknownHandler, HTTPHandler,
HTTPDefaultErrorHandler, HTTPRedirectHandler,
FTPHandler, FileHandler, HTTPErrorProcessor, DataHandler

咱们要用的是第一个ProxyHandler来处理代理问题。

让咱们看一段代码如何使用。

urllib.request
urllib.error
urllib.parse

headers ,
           ,
           value ,
         ,
         proxy data urllib.parse.urlencodevalue.encoderesponse urllib.request.Request, data, headersresult html.read.decoderesulturllib.error.URLError ee, e.reasonurllib.error.HTTPError ee, e.code

在上面post请求代码的基础上，用本身建立的opener替换urlopen便可完成代理IP的操做，红色为变化的部分和须要本身填写的部分，代理ip能够到一些免费的代理IP网站上查找，如西刺http://www.xicidaili.com/等有不少。

运行获得的结果与使用本机IP同样。

proxy = {'http': '115.193.101.21:61234'}

这个代理IP数据类型为字典，若是是http协议，key值就为"http"，value值应为"代理IP：端口号"的格式。

proxy_handler = urllib.request.ProxyHandler(proxy)

使用ProxyHandler方法建立proxy处理器对象

opener = urllib.request.build_opener(proxy_handler)

建立代理IP的opener实例，参数为proxy处理器对象

html = opener.open(response)

用代理IP的opener打开指定状态的URL信息

• 超时

设置超时的目的是为了防止爬取网站的时候，等待时间过长而致使效率的下降。有效的超时设置能够强制结束等待而进行下一次的爬取，下面来一段代码看如何使用。

urllib.request
urllib.error
urllib.parse
socket

headers ,
           ,
           value ,
         ,
         proxy 
data urllib.parse.urlencodevalue.encoderesponse urllib.request.Request, data, headersproxy_handler urllib.request.ProxyHandlerproxyopener urllib.request.build_openerproxy_handlerhtml opener.openresponseresult html.read.decoderesulturllib.error.URLError ee, e.reasonurllib.error.HTTPError ee, e.code

在post和代理IP使用的基础上又增长了超时的使用，红色为变化部分。

socket.setdefaulttimeout(timeout)

设置socket超时时间，若是不设置，则会使用默认时间。

socket.timeout

同时对socket超时timeout的错误设置了异常，timeout错误属于OSerror的子类，时间超出指定timeout就会提示socket超时。

• urllib库parse

除了上面提到的urlencode方法，urllib库的parse中还有不少其它的方法可使用，如：

urlparse：把URL解析成6个部分

<scheme>://<netloc>/<path>;<params>?<query>#<fragment>

urlsplit：把URL解析成5个部分

<scheme>://<netloc>/<path>?<query>#<fragment>

urlunsplit，urlunparse：进行URL的重组

还有urljoin，urldefrag等。

更多用法能够查找官方request源码，也会在后续实战例子中陆续使用介绍。

• 总结

主要介绍了urllib库的一些高级用法：

1. POST请求的准备和使用方法

2. 代理IP的使用

3. 超时的使用

4. parse解析