python爬蟲 - Urllib庫及cookie的使用

時間 2019-11-10

標籤 python 爬蟲 urllib cookie 使用欄目 Python 简体版

原文原文鏈接

lz提示一點，python3中urllib包括了py2中的urllib+urllib2。[python2和python3的區別、轉換及共存 - urllib] html

怎樣扒網頁？ python

其實就是根據URL來獲取它的網頁信息，雖然咱們在瀏覽器中看到的是一幅幅優美的畫面，可是實際上是由瀏覽器解釋才呈現出來的，實質它是一段HTML代碼，加 JS、CSS。 web

若是把網頁比做一我的，那麼HTML即是他的骨架，JS即是他的肌肉，CSS即是它的衣服。因此最重要的部分是存在於HTML中的。 json

扒網頁的栗子
py2: 瀏覽器

import urllib2
response = urllib2.urlopen("http://www.baidu.com")
print response.read() 安全

py3: 服務器

from urllib import request cookie

response = request.urlopen("http://www.baidu.com") 網絡

print(response.read().decode()) session

真正的程序就兩行，運行結果：

Note:

1. urllib是幹嗎的：The urllib.request module defines functions and classes which help in opening URLs (mostly HTTP) in a complex world — basic and digest authentication, redirections, cookies and more.

2. urllib.request.urlopen(url, data=None, [timeout, ]*, cafile=None, capath=None, cadefault=False)：重點部分是返回值, 這個函數返回一個 http.client.HTTPResponse 對象, 這個對象又有各類方法, 好比咱們用到的read()方法。還有其它方法：geturl()、info()、getcode()。

3. response.read()要decode才能正常顯示html內容，不然會是title="\xe7\x99\xbe\xe5\xba\xa6\xe6\x90\x9c\xe7\xb4\xa2"而不是title="百度搜索"了

4. response.read()只能運行一次就到結尾了，再次讀取老是空值！
分析這兩行代碼

第一行調用的是urllib庫裏面的urlopen方法，傳入一個URL，這個網址是百度首頁，協議是HTTP協議，固然你也能夠把HTTP換作FTP,FILE,HTTPS 等等，只是表明了一種訪問控制協議。

urlopen通常接受三個參數，它的參數以下：
urlopen(url, data, timeout)
第一個參數url即爲URL，第二個參數data是訪問URL時要傳送的數據，第三個timeout是設置超時時間。
第二三個參數是能夠不傳送的，data默認爲空None，timeout默認爲 socket._GLOBAL_DEFAULT_TIMEOUT。
第一個參數URL是必需要傳送的，在這個例子裏面咱們傳送了百度的URL，執行urlopen方法以後，返回一個response對象，返回信息便保存在這裏面。
response.read()
response對象有一個read方法，能夠返回獲取到的網頁內容。

http://blog.csdn.net/pipisorry/article/details/47905781

構造Requset
其實上面的urlopen參數能夠傳入一個request請求,它其實就是一個Request類的實例，構造時須要傳入Url,Data等等的內容。

好比上面的兩行代碼，咱們能夠這麼改寫
import urllib2
request = urllib2.Request("http://www.baidu.com")
response = urllib2.urlopen(request)
print response.read()

py3:

import urllib.request

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

response = urllib.request.urlopen(request)

print(response.read().decode())

運行結果是徹底同樣的，只不過中間多了一個request對象，推薦你們這麼寫，由於在構建請求時還須要加入好多內容，經過構建一個request，服務器響應請求獲得應答，這樣顯得邏輯上清晰明確。
http://blog.csdn.net/pipisorry/article/details/47905781

數據傳送POST和GET
上面的程序演示了最基本的網頁抓取，不過，如今大多數網站都是動態網頁，須要你動態地傳遞參數給它，它作出對應的響應。因此，在訪問時，咱們須要傳遞數據給它。最多見的狀況就是登陸註冊的時候。
把數據用戶名和密碼傳送到一個URL，而後你獲得服務器處理以後的響應

數據傳送POST和GET兩種方式及區別
最重要的區別是GET方式是直接以連接形式訪問，連接中包含了全部的參數，固然若是包含了密碼的話是一種不安全的選擇，不過你能夠直觀地看到本身提交了什麼內容。POST則不會在網址上顯示全部的參數，不過若是你想直接查看提交了什麼就不太方便了，能夠酌情選擇。
POST方式：
上面說的data參數就是用在這裏的，咱們傳送的數據就是這個參數data。
import urllib
import urllib2

values = {"username":"1016903103@qq.com","password":"XXXX"}
data = urllib.urlencode(values)
url = "https://passport.csdn.net/account/login?from=http://my.csdn.net/my/mycsdn"
request = urllib2.Request(url,data)
response = urllib2.urlopen(request)
print response.read()
咱們引入了urllib庫，如今咱們模擬登錄CSDN，固然上述代碼可能登錄不進去，由於還要作一些設置頭部header的工做，或者還有一些參數沒有設置全，尚未說起到在此就不寫上去了，在此只是說明登陸的原理。咱們須要定義一個字典，名字爲values，參數我設置了username和password，下面利用urllib的urlencode方法將字典編碼，命名爲data，構建request時傳入兩個參數，url和data，運行程序，便可實現登錄，返回的即是登錄後呈現的頁面內容。固然你能夠本身搭建一個服務器來測試一下。
GET方式：
至於GET方式咱們能夠直接把參數寫到網址上面，直接構建一個帶參數的URL出來便可。
import urllib
import urllib2
values={}
values['username'] = "1016903103@qq.com"
values['password']="XXXX"
data = urllib.urlencode(values)
url = "http://passport.csdn.net/account/login"
geturl = url + "?"+data
request = urllib2.Request(geturl)
response = urllib2.urlopen(request)
print response.read()
Note:你能夠print geturl，打印輸出一下url，發現其實就是原來的url加？而後加編碼後的參數http://passport.csdn.net/account/login?username=1016903103%40qq.com&password=XXXX和咱們日常GET訪問方式如出一轍，這樣就實現了數據的GET方式傳送。

[HTTP 方法：GET 對比 POST]

[Python爬蟲入門三之Urllib庫的基本使用]

http://blog.csdn.net/pipisorry/article/details/47905781

設置Headers
有些網站不會贊成程序直接用上面的方式進行訪問，若是識別有問題，那麼站點根本不會響應，因此爲了徹底模擬瀏覽器的工做，咱們須要設置一些Headers 的屬性。

打開咱們的瀏覽器（Chrome），調試瀏覽器F12，打開網絡監聽network，好比知乎登陸以後，這個頁面包含了許許多多的內容，這些內容也不是一次性就加載完成的，實質上是執行了好屢次請求，通常是首先請求HTML文件，而後加載JS，CSS 等等，通過屢次請求以後，網頁的骨架和肌肉全了，整個網頁的效果也就出來了。

Note:上面的圖是先點擊name中的www.zhihu.com，再點headers纔會出現。

拆分這些請求，咱們只看一第一個請求，你能夠看到，有個Request URL，還有headers，下面即是response。這個頭中包含了許許多可能是信息，有文件編碼啦，壓縮方式，請求的agent等等。
其中，agent就是請求的身份，若是沒有寫入請求身份，那麼服務器不必定會響應，因此能夠在headers中設置agent,例以下面的例子，這個例子只是說明了怎樣設置的headers，小夥伴們看一下設置格式就好。
import urllib
import urllib2

url = 'http://www.server.com/login'
user_agent = 'Mozilla/4.0 (compatible; MSIE 5.5; Windows NT)'
values = {'username' : 'cqc', 'password' : 'XXXX' }
headers = { 'User-Agent' : user_agent }
data = urllib.urlencode(values)
request = urllib2.Request(url, data, headers)
response = urllib2.urlopen(request)
page = response.read()

py3:

import urllib.request

from urllib.parse import urlencode

URL_ROOT = r'http://d.weibo.com/#_loginLayer_1440327422006'

values = {'username': '***, 'password': '&&&}

data = urlencode(values).encode()

# print(type(data), data)

user_agent = r'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/44.0.2403.157 Safari/537.36'

# user_agent = r'Mozilla/5.0 (Windows; U; Windows NT 6.1; en-US; rv:1.9.1.6) Gecko/20091201 Firefox/3.5.6'

headers = {'User-Agent': user_agent}

request = urllib.request.Request(URL_ROOT, data, headers)

response = urllib.request.urlopen(request)

page = response.read()

print(page)

py3-2:

u = urllib.URLopener() # Python 3: urllib.request.URLOpener

u.addheaders = []

u.addheader('User-Agent', 'Opera/9.80 (Windows NT 6.1; WOW64; U; de) Presto/2.10.289 Version/12.01')

u.addheader('Accept-Language', 'de-DE,de;q=0.9,en;q=0.8')

u.addheader('Accept', 'text/html, application/xml;q=0.9, application/xhtml+xml, image/png, image/webp, image/jpeg, image/gif, image/x-xbitmap, */*;q=0.1')

f = u.open(url)

content = f.read()

f.close()

py3-3:

[python] view plain copy

print ?

import urllib.request
import http.cookiejar
# head: dict of header
def makeMyOpener(head = {
'Connection': 'Keep-Alive',
'Accept': 'text/html, application/xhtml+xml, */*',
'Accept-Language': 'en-US,en;q=0.8,zh-Hans-CN;q=0.5,zh-Hans;q=0.3',
'User-Agent': 'Mozilla/5.0 (Windows NT 6.3; WOW64; Trident/7.0; rv:11.0) like Gecko'
}):
cj = http.cookiejar.CookieJar()
opener = urllib.request.build_opener(urllib.request.HTTPCookieProcessor(cj))
header = []
for key, value in head.items():
elem = (key, value)
header.append(elem)
opener.addheaders = header
return opener
oper = makeMyOpener()
uop = oper.open('http://www.baidu.com/', timeout = 1000)
data = uop.read()
print(data.decode())

Note:

1. urllib.parse.urlencode(query, doseq=False, safe='', encoding=None, errors=None)

urllib.parse.quote_plus(string, safe='', encoding=None, errors=None)

大概是把一個通俗的字符串, 轉化爲url格式的字符串。

2. py3中data參數是要進行任意編碼（utf8...），不然出現錯誤TypeError: POST data should be bytes or an iterable of bytes. It cannot be of type str. python2.7 是 ascii，3.3 是utf-8，都是string類型，但socket (urllib等都是基於socket) 使用bytes，要經過encode()轉換。

3. 注意URL_ROOT不能編碼，URL_ROOT = URL_ROOT.encode()，不然會出錯：unknown url type: b'http

這樣，咱們設置了一個headers，在構建request時傳入，在請求時，就加入了headers傳送，服務器若識別了是瀏覽器發來的請求，就會獲得響應。

對付防盜鏈
另外，咱們還有對付"反盜鏈"的方式，服務器會識別headers中的referer是否是它本身，若是不是，有的服務器不會響應，因此咱們還能夠在headers中加入referer
例如咱們能夠構建下面的headers
headers = { 'User-Agent' : 'Mozilla/4.0 (compatible; MSIE 5.5; Windows NT)' , 'Referer':'http://www.zhihu.com/articles' }
同上面的方法，在傳送請求時把headers傳入Request參數裏，這樣就能應付防盜鏈了。
headers的一些屬性須要特別注意一下
User-Agent : 有些服務器或 Proxy 會經過該值來判斷是不是瀏覽器發出的請求
Content-Type : 在使用 REST 接口時，服務器會檢查該值，用來肯定 HTTP Body 中的內容該怎樣解析。
application/xml ：在 XML RPC，如 RESTful/SOAP 調用時使用
application/json ：在 JSON RPC 調用時使用
application/x-www-form-urlencoded ：瀏覽器提交 Web 表單時使用
在使用服務器提供的 RESTful 或 SOAP 服務時， Content-Type 設置錯誤會致使服務器拒絕服務
其餘的有必要的能夠審查瀏覽器的headers內容，在構建時寫入一樣的數據便可。

http://blog.csdn.net/pipisorry/article/details/47905781

設置Proxy（代理）
urllib2 默認會使用環境變量 http_proxy 來設置 HTTP Proxy。假如一個網站它會檢測某一段時間某個IP 的訪問次數，若是訪問次數過多，它會禁止你的訪問。因此你能夠設置一些代理服務器來幫助你作工做，每隔一段時間換一個代理，網站君都不知道是誰在搗鬼了！
代理的設置用法
import urllib2
enable_proxy = True
proxy_handler = urllib2.ProxyHandler({"http" : 'http://some-proxy.com:8080'})
null_proxy_handler = urllib2.ProxyHandler({})
if enable_proxy:
opener = urllib2.build_opener(proxy_handler)
else:
opener = urllib2.build_opener(null_proxy_handler)
urllib2.install_opener(opener)

設置Timeout
urlopen方法第三個參數就是timeout的設置，能夠設置等待多久超時，爲了解決一些網站實在響應過慢而形成的影響。
例以下面的代碼,若是第二個參數data爲空那麼要特別指定是timeout是多少，寫明形參，若是data已經傳入，則沒必要聲明。
import urllib2
response = urllib2.urlopen('http://www.baidu.com', timeout=10)
import urllib2
response = urllib2.urlopen('http://www.baidu.com',data, 10)

使用 HTTP 的 PUT 和 DELETE 方法
http協議有六種請求方法，get,head,put,delete,post,options，咱們有時候須要用到PUT方式或者DELETE方式請求。
PUT：這個方法比較少見。HTML表單也不支持這個。本質上來說， PUT和POST極爲類似，都是向服務器發送數據，但它們之間有一個重要區別，PUT一般指定了資源的存放位置，而POST則沒有，POST的數據存放位置由服務器本身決定。
DELETE：刪除某一個資源。基本上這個也不多見，不過仍是有一些地方好比amazon的S3雲服務裏面就用的這個方法來刪除資源。
若是要使用 HTTP PUT 和 DELETE ，只能使用比較低層的 httplib 庫。雖然如此，咱們仍是能經過下面的方式，使 urllib2 可以發出 PUT 或DELETE 的請求，不過用的次數的確是少，在這裏提一下。
import urllib2
request = urllib2.Request(uri, data=data)
request.get_method = lambda: 'PUT' # or 'DELETE'
response = urllib2.urlopen(request)

使用DebugLog
能夠經過下面的方法把 Debug Log 打開，這樣收發包的內容就會在屏幕上打印出來，方便調試，這個也不太經常使用，僅提一下
import urllib2
httpHandler = urllib2.HTTPHandler(debuglevel=1)
httpsHandler = urllib2.HTTPSHandler(debuglevel=1)
opener = urllib2.build_opener(httpHandler, httpsHandler)
urllib2.install_opener(opener)
response = urllib2.urlopen('http://www.baidu.com')

http://blog.csdn.net/pipisorry/article/details/47905781

Cookie的使用

用 Python 來登陸網站, 用Cookies記錄登陸信息, 而後就能夠抓取登陸以後才能看到的信息。

什麼是cookies?

Cookie，指某些網站爲了辨別用戶身份、進行session跟蹤而儲存在用戶本地終端上的數據（一般通過加密）。
好比說有些網站須要登陸後才能訪問某個頁面，在登陸以前，你想抓取某個頁面內容是不容許的。那麼咱們能夠利用Urllib庫保存咱們登陸的Cookie，而後再抓取其餘頁面就達到目的了。
opener的概念
當你獲取一個URL你使用一個opener(一個urllib2.OpenerDirector的實例)。在前面，咱們都是使用的默認的opener，也就是urlopen。

urlopen是一個特殊的opener，能夠理解成opener的一個特殊實例，傳入的參數僅僅是url，data，timeout。
若是咱們須要用到Cookie，只用這個opener是不能達到目的的，因此咱們須要建立更通常的opener來實現對Cookie的設置。
Cookielib
cookielib模塊的主要做用是提供可存儲cookie的對象，以便於與urllib2模塊配合使用來訪問Internet資源。Cookielib模塊很是強大，咱們能夠利用本模塊的CookieJar類的對象來捕獲cookie並在後續鏈接請求時從新發送，好比能夠實現模擬登陸功能。該模塊主要的對象有CookieJar、FileCookieJar、MozillaCookieJar、LWPCookieJar。
它們的關係：CookieJar —-派生—->FileCookieJar —-派生—–>MozillaCookieJar和LWPCookieJar

使用cookie登陸的步驟
1）獲取Cookie保存到變量
首先，咱們先利用CookieJar對象實現獲取cookie的功能，存儲到變量中，先來感覺一下
import urllib2
import cookielib
#聲明一個CookieJar對象實例來保存cookie
cookie = cookielib.CookieJar()
#利用urllib2庫的HTTPCookieProcessor對象來建立cookie處理器
handler=urllib2.HTTPCookieProcessor(cookie)
#經過handler來構建opener
opener = urllib2.build_opener(handler)
#此處的open方法同urllib2的urlopen方法，也能夠傳入request
response = opener.open('http://www.baidu.com')
for item in cookie:
print 'Name = '+item.name
print 'Value = '+item.value

py3:

import urllib.request

import http.cookiejar

URL_ROOT = r'http://d.weibo.com/'

cookie = http.cookiejar.CookieJar() # 聲明一個CookieJar對象實例來保存cookie

handler = urllib.request.HTTPCookieProcessor(cookie) # 利用urllib2庫的HTTPCookieProcessor對象來建立cookie處理器

opener = urllib.request.build_opener(handler) # 經過handler來構建opener

response = opener.open(URL_ROOT) # 此處的open方法同urllib2的urlopen方法，也能夠傳入request

for item in cookie:

print('Name = ' + item.name)

print('Value = ' + item.value)

咱們使用以上方法將cookie保存到變量中，而後打印出了cookie中的值，運行結果以下
Name = YF-Page-G0

Value = dc8d8d4964cd93a7c3bfa7640c1bd10c

Note:py3中opener也能夠這樣使用：

request = urllib.request.Request(URL_ROOT, postdata, headers)

response = opener.open(request)

或者：

urllib.request.install_opener(opener)

request = urllib.request.Request(URL_ROOT, postdata, headers)

response = urllib.request.urlopen(request)

2）保存Cookie到文件
上面咱們將cookie保存到了cookie這個變量中，若是咱們想將cookie保存到文件中該怎麼作呢？這時，咱們就要用到FileCookieJar這個對象了，在這裏咱們使用它的子類MozillaCookieJar來實現Cookie的保存

[python] view plain copy

print ?

import cookielib
import urllib2
filename = 'cookie.txt' # 設置保存cookie的文件，同級目錄下的cookie.txt
cookie = cookielib.MozillaCookieJar(filename) # 聲明一個MozillaCookieJar對象實例來保存cookie，以後寫入文件
handler = urllib2.HTTPCookieProcessor(cookie) # 利用urllib2庫的HTTPCookieProcessor對象來建立cookie處理器
opener = urllib2.build_opener(handler) # 經過handler來構建opener
response = opener.open("http://www.baidu.com") # 建立一個請求，原理同urllib2的urlopen
cookie.save(ignore_discard=True, ignore_expires=True) # 保存cookie到文件

py3:

import urllib.request, urllib.parse, urllib.error

import http.cookiejar

URL_ROOT = 'http://www.jobbole.com/login/'

values = {'name': '******', 'password': '******'}

postdata = urllib.parse.urlencode(values).encode()

user_agent = r'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/44.0.2403.157 Safari/537.36'

headers = {'User-Agent': user_agent}

cookie_filename = 'cookie.txt'

cookie = http.cookiejar.LWPCookieJar(cookie_filename)

handler = urllib.request.HTTPCookieProcessor(cookie)

opener = urllib.request.build_opener(handler)

request = urllib.request.Request(URL_ROOT, postdata, headers)

try:

response = opener.open(request)

except urllib.error.URLError as e:

print(e.reason)

cookie.save(ignore_discard=True, ignore_expires=True) # 保存cookie到cookie.txt中

for item in cookie:

print('Name = ' + item.name)

print('Value = ' + item.value)

Note:

1. 不一樣cookie寫入文件方法的解釋：

FileCookieJar(filename)：建立FileCookieJar實例，檢索cookie信息並將信息存儲到文件中，filename是文件名。

MozillaCookieJar(filename)：建立與Mozilla cookies.txt文件兼容的FileCookieJar實例。

LWPCookieJar(filename)：建立與libwww-perl Set-Cookie3文件兼容的FileCookieJar實例。

2. save方法的兩個參數的官方解釋：

ignore_discard: save even cookies set to be discarded. 即便cookies將被丟棄也將它保存下來

ignore_expires: save even cookies that have expiredThe file is overwritten if it already exists.若是在該文件中cookies已經存在，則覆蓋原文件寫入

3. python3中若是直接使用http.cookiejar.CookieJar(filename)的方式會出錯：self._policy._now = self._now = int(time.time()) AttributeError: 'str' object has no attribute '_now'。注意要將CookieJar改成LWPCookieJar。

咱們將這兩個所有設置爲True。運行以後，cookies將被保存到cookie.txt文件中，咱們查看一下內容

3）從文件中獲取Cookie並訪問
那麼咱們已經作到把Cookie保存到文件中了，若是之後想使用，能夠利用下面的方法來讀取cookie並訪問網站，感覺一下

[python] view plain copy

print ?

import cookielib
import urllib2
cookie = cookielib.MozillaCookieJar() # 建立MozillaCookieJar實例對象
cookie.load('cookie.txt', ignore_discard=True, ignore_expires=True) # 從文件中讀取cookie內容到變量
req = urllib2.Request("http://www.baidu.com") # 建立請求的request
opener = urllib2.build_opener(urllib2.HTTPCookieProcessor(cookie)) # 利用urllib2的build_opener方法建立一個opener
response = opener.open(req)
print response.read()

py3:

import urllib.request

import urllib.parse

import urllib.error

import http.cookiejar

cookie_filename = 'cookie_jar.txt'

cookie = http.cookiejar.MozillaCookieJar(cookie_filename)

cookie.load(cookie_filename, ignore_discard=True, ignore_expires=True)

handler = urllib.request.HTTPCookieProcessor(cookie)

opener = urllib.request.build_opener(handler)

get_url = 'http://www.jobbole.com/' # 利用cookie請求訪問另外一個網址

get_request = urllib.request.Request(get_url)

get_response = opener.open(get_request)

print(get_response.read().decode())

[python3爬蟲 - cookie登陸實戰]

設想，若是咱們的 cookie.txt 文件中保存的是某我的登陸百度的cookie，那麼咱們提取出這個cookie文件內容，就能夠用以上方法模擬這我的的帳號登陸百度。[Python爬蟲入門六之Cookie的使用]

URL錯誤處理

URL錯誤狀態碼

urlopen會產生一個HTTPError，對應相應的狀態嗎，HTTP狀態碼錶示HTTP協議所返回的響應的狀態。下面將狀態碼歸結以下：

100：繼續客戶端應當繼續發送請求。客戶端應當繼續發送請求的剩餘部分，或者若是請求已經完成，忽略這個響應。

101：轉換協議在發送完這個響應最後的空行後，服務器將會切換到在Upgrade 消息頭中定義的那些協議。只有在切換新的協議更有好處的時候才應該採起相似措施。

102：繼續處理由WebDAV（RFC 2518）擴展的狀態碼，表明處理將被繼續執行。

200：請求成功處理方式：得到響應的內容，進行處理

201：請求完成，結果是建立了新資源。新建立資源的URI可在響應的實體中獲得處理方式：爬蟲中不會遇到

202：請求被接受，但處理還沒有完成處理方式：阻塞等待

204：服務器端已經實現了請求，可是沒有返回新的信息。若是客戶是用戶代理，則無須爲此更新自身的文檔視圖。處理方式：丟棄

300：該狀態碼不被HTTP/1.0的應用程序直接使用，只是做爲3XX類型迴應的默認解釋。存在多個可用的被請求資源。處理方式：若程序中可以處理，則進行進一步處理，若是程序中不能處理，則丟棄
301：請求到的資源都會分配一個永久的URL，這樣就能夠在未來經過該URL來訪問此資源處理方式：重定向到分配的URL