python爬虫基础之urllib的使用_Python

一、urllib 和 urllib2的关系

在python2中，主要使用urllib和urllib2，而python3对urllib和urllib2进行了重构，拆分成了urllib.request, urllib.parse, urllib.error，urllib.robotparser等几个子模块，这样的架构从逻辑和结构上说更加合理。urllib库无需安装，python3自带。python 3.x中将urllib库和urilib2库合并成了urllib库。

urllib2.urlopen() 变成了 urllib.request.urlopen()
urllib2.Request() 变成了 urllib.request.Request()
python2中的 cookielib 改为 http.cookiejar.
import http.cookiejar 代替 import cookielib
urljoin 现在对应的函数是 urllib.parse.urljoin

二、python3下的urllib库

request，它是最基本的 HTTP 请求模块，我们可以用它来模拟发送一请求，只需要给库方法传入 URL 还有额外的参数，就可以模拟实现这个过程了。
error ，即异常处理模块，如果出现请求错误，我们可以捕获这些异常，然后进行重试或其他操作保证程序不会意外终止。
parse ，是一个工具模块，提供了许多 URL 处理方法，比如拆分、解析、合并等等的方法。
robotparser，主要是用来识别网站的 robots.txt 文件，然后判断哪些网站可以爬，哪些网站不可以爬的，其实用的比较少。

三、request的基础类

（一）request.urlopen

urlopen方法最主要的参数就是目标网站的url地址，可以使str类型，也可以是一个request对象。

get方法请求如下：

				?

									from urllib import request,parse

									respones = request.urlopen(<a href="http://www.baidu.com/" rel="external nofollow">http://www.baidu.com/</a>)

post方法请求，需要添加data参数（字典格式），它要是字节流编码格式的内容，即 bytes 类型，通过 bytes() 方法可以进行转化，另外如果传递了这个 data 参数，不添加data参数就默认为 GET 方式请求。

				?

									from urllib import request,parse

									url = "http://www.baidu.com/"

									wd = {'wd':'哇哈哈哈'}

									data = bytes(parse.urlencode(wd),'utf-8')

									respones = request.urlopen(url,data=data)

（二）request.Request

由于单独使用urlopen() 方法的不能添加User-Agent、Cookie等headers信息，需要构建一个 Request 类型的对象，通过构造这个这个数据结构，一方面我们可以将请求独立成一个对象，另一方面可配置参数更加丰富和灵活。主要参数有：

url 参数是请求 URL，这个是必传参数，其他的都是可选参数。
data 参数如果要传必须传 bytes（字节流）类型的，如果是一个字典，可以先用 urllib.parse 模块里的 urlencode() 编码。
headers 参数是一个字典，这个就是 Request Headers 了，你可以在构造 Request 时通过 headers 参数直接构造，也可以通过调用 Request 实例的 add_header() 方法来添加, Request Headers 最常用的用法就是通过修改 User-Agent 来伪装浏览器，默认的 User-Agent 是 Python-urllib，我们可以通过修改它来伪装浏览器。
origin_req_host 参数指的是请求方的 host 名称或者 IP 地址。
unverifiable 参数指的是这个请求是否是无法验证的，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。例如我们请求一个 HTML 文档中的图片，但是我们没有自动抓取图像的权限，这时 unverifiable 的值就是 True。
method 参数是一个字符串，它用来指示请求使用的方法，比如GET，POST，PUT等等。

通过随机的方法，选择user-agent:

				?

									import randomUA_LIST = [

									  'Mozilla/5.0 (compatible; U; ABrowse 0.6; Syllable) AppleWebKit/420+ (KHTML, like Gecko)',

									  'Mozilla/5.0 (compatible; MSIE 8.0; Windows NT 6.0; Trident/4.0; Acoo Browser 1.98.744; .NET CLR 3.5.30729)',

									  'Mozilla/5.0 (compatible; MSIE 8.0; Windows NT 6.0; Trident/4.0; Acoo Browser 1.98.744; .NET CLR 3.5.30729)',

									  'Mozilla/4.0 (compatible; MSIE 8.0; Windows NT 6.0; Trident/4.0; Acoo Browser; GTB5; Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1; SV1) ; InfoPath.1; .NET CLR 3.5.30729; .NET CLR 3.0.30618)',

									  'Mozilla/4.0 (compatible; MSIE 8.0; Windows NT 5.1; Trident/4.0; SV1; Acoo Browser; .NET CLR 2.0.50727; .NET CLR 3.0.4506.2152; .NET CLR 3.5.30729; Avant Browser)',

									  'Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 6.0; Acoo Browser; SLCC1; .NET CLR 2.0.50727; Media Center PC 5.0; .NET CLR 3.0.04506)',

									  'Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 6.0; Acoo Browser; GTB5; Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1; SV1) ; Maxthon; InfoPath.1; .NET CLR 3.5.30729; .NET CLR 3.0.30618)',

									  'Mozilla/4.0 (compatible; Mozilla/5.0 (compatible; MSIE 8.0; Windows NT 6.0; Trident/4.0; Acoo Browser 1.98.744; .NET CLR 3.5.30729); Windows NT 5.1; Trident/4.0)',

									  'Mozilla/4.0 (compatible; Mozilla/4.0 (compatible; MSIE 8.0; Windows NT 5.1; Trident/4.0; GTB6; Acoo Browser; .NET CLR 1.1.4322; .NET CLR 2.0.50727); Windows NT 5.1; Trident/4.0; Maxthon; .NET CLR 2.0.50727; .NET CLR 1.1.4322; InfoPath.2)',

									  'Mozilla/4.0 (compatible; MSIE 8.0; Windows NT 6.0; Trident/4.0; Acoo Browser; GTB6; Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1; SV1) ; InfoPath.1; .NET CLR 3.5.30729; .NET CLR 3.0.30618)'

									]

									#随机获取一个user-agent

									user_agent = random.choice(UA_LIST)

添加headers头部信息的方法1:

				?

									url='http://www.baidu.com/'user_agent = random.choice(UA_LIST)

									headers = {

									  'User-Agent': user_agent

									}

									req = request.Request(url=url,headers=headers)

									respones = request.urlopen(req)

添加headers头部信息的方法2:

				?

									url='http://www.baidu.com'

									headers = {

									  'User-Agent': user_agent

									}

									#添加user-agent的方法2

									req = request.Request(url)

									#请求添加user-agent

									req.add_header("User-Agent",user_agent)

									#获取请求的user-agent agent的a要小写

									print(req.get_header("User-agent"))

									response = request.urlopen(req)print(respones.read().decode('utf-8'))

三、request的高级类

在urllib.request模块里的BaseHandler类，他是所有其他Handler的父类，他是一个处理器，比如用它来处理登录验证，处理cookies，代理设置，重定向等。它提供了直接使用和派生类使用的方法：

add_parent(director)：添加director作为父类
close()：关闭它的父类
parent()：打开使用不同的协议或处理错误
defautl_open(req)：捕获所有的URL及子类，在协议打开之前调用

Handler的子类包括：

HTTPDefaultErrorHandler：用来处理http响应错误，错误会抛出HTTPError类的异常
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：永远管理密码，它维护用户名和密码表
HTTPBasicAuthHandler：用户管理认证，如果一个链接打开时需要认证，可以使用它来实现验证功能

（一）ProxyHandler

如果爬虫需要大量爬取网站数据，为了避免被封号，需要使用代理，通过request.build_opener()方法生成一个opener对象，添加代理的方法如下：

				?

									from urllib import request

									#代理开关，表示是否开启代理

									proxyswitch =True

									#构建一个handler处理器对象，参数是一个字典类型，包括代理类型和代理服务器IP+PORT

									proxyhandler = request.ProxyHandler({"http":"191.96.42.80:3128"})

									#如果是带用户名和密码的代理，格式为{"http":"username:passwd@191.96.42.80:3128"}

									#不加代理的handler处理器对象

									nullproxyhandler = request.ProxyHandler()

									if proxyswitch:

									  opener = request.build_opener(proxyhandler)

									else:

									  opener = request.build_opener(nullproxyhandler)

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

									response = opener.open(req)

									print(response.read().decode("utf-8"))

（二）ProxyBasicAuthHandler

通过密码管理器的方法实现代理服务器功能

				?

									from urllib import request

									#代理密码管理，也可以管理服务器账户密码

									#账户密码

									user = "username"

									passwd = "passwd"

									#代理服务器

									proxyserver = "1.1.1.1:9999"

									#构建密码管理对象，保存需要处理的用户名和密码

									passmgr = request.HTTPPasswordMgrWithDefaultRealm()

									#添加账户信息，第一个参数realm是与远程服务器相关的域信息

									passmgr.add_password(None,proxyserver,user,passwd)

									#构建基础ProxyBasicAuthHandler处理器对象

									proxyauth_handler = request.ProxyBasicAuthHandler(passmgr)

									opener = request.build_opener(proxyauth_handler)

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

									response = opener.open(req)

（三）ProxyBasicAuthHandler

通过密码管理器的方法实现web认证登陆功能

				?

									#web验证

									from urllib import request

									test = "test"

									passwd = "123456"

									webserver = "1.1.1.1"

									#构建密码管理器handler

									passwdmgr = request.HTTPPasswordMgrWithDefaultRealm()

									#添加密码信息

									passwdmgr.add_password(None,webserver,test,passwd)

									#HTTP基础验证处理器类

									http_authhandler = request.HTTPBasicAuthHandler(passwdmgr)

									opener = request.build_opener(http_authhandler)

									req = request.Request("http://"+webserver)

									response = opener.open(req)

四、Cookie处理

通过http.cookiejar中的HTTPCookieProcessor构建cookie处理器对象，处理cookie信息

				?

									import http.cookiejar

									from urllib import request,parse

									#模拟登陆先post账户密码

									#然后保存生成的cookie

									#通过CookieJar类构件一个coociejar对象,从来保存cookie值

									cookie = http.cookiejar.CookieJar()

									#构件cookie处理器对象，用来处理cookie

									cookie_handler = request.HTTPCookieProcessor(cookie)

									#构件一个自定义的opener

									opener = request.build_opener(cookie_handler)

									#通过自定义的opener的addheaders参数，可以添加HTTP报头参数

									opener.addheaders = [("User-Agent","Mozilla/5.0 (compatible; U; ABrowse 0.6; Syllable) AppleWebKit/420+ (KHTML, like Gecko)"),]

									#需要登陆的接口

									url = 'http://www.renren.com/PLogin.do'

									#需要登陆的账户密码

									data = {

									  "email":"renren账号",

									  "password":"密码"

									}

									#数据处理

									data = bytes(parse.urlencode(data),'utf-8')

									#第一次是POST请求，通过登陆账户密码，得到cookie

									req = request.Request(url,data=data)

									#发送第一次POST请求，生成登陆后的cookie

									response = opener.open(req)

									print(response.read().decode("utf-8"))

									#此时的opener已经包含了该链接下的cookie，此时使用该opener就可以直接访问该站点下其他的网页而不需要再登陆了

									opener.open(<a href="http://www.renren.com/PLogin.doxxxxxxxxxxxxx" rel="external nofollow">http://www.renren.com/PLogin.doxxxxxxxxxxxxx</a>)