【Python3網絡爬蟲開發實戰】3-基本庫的使用 1.1-發送請求

時間  2019-11-17
標籤 python3 python 網絡 爬蟲 開發 實戰 基本 使用 1.1 發送 請求 欄目 Python 简体版
原文   原文鏈接

使用urllib的request模塊，咱們能夠方便地實現請求的發送並獲得響應，本節就來看下它的具體用法。html

1. urlopen()

urllib.request模塊提供了最基本的構造HTTP請求的方法，利用它能夠模擬瀏覽器的一個請求發起過程，同時它還帶有處理受權驗證（authenticaton）、重定向（redirection)、瀏覽器Cookies以及其餘內容。python

下面咱們來看一下它的強大之處。這裏以Python官網爲例，咱們來把這個網頁抓下來：nginx

import urllib.request

response = urllib.request.urlopen('https://www.python.org')
print(response.read().decode('utf-8'))
複製代碼

運行結果如圖3-1所示。json

圖3-1 運行結果瀏覽器

這裏咱們只用了兩行代碼，便完成了Python官網的抓取，輸出了網頁的源代碼。獲得源代碼以後呢？咱們想要的連接、圖片地址、文本信息不就均可以提取出來了嗎？bash

接下來，看看它返回的究竟是什麼。利用type()方法輸出響應的類型：服務器

import urllib.request

response = urllib.request.urlopen('https://www.python.org')
print(type(response))
複製代碼

輸出結果以下：微信

<class 'http.client.HTTPResponse'>
複製代碼

能夠發現，它是一個HTTPResposne類型的對象。它主要包含read()、readinto()、getheader(name)、getheaders()、fileno()等方法，以及msg、version、status、reason、debuglevel、closed等屬性。cookie

獲得這個對象以後，咱們把它賦值爲response變量，而後就能夠調用這些方法和屬性，獲得返回結果的一系列信息了。網絡

例如，調用read()方法能夠獲得返回的網頁內容，調用status屬性能夠獲得返回結果的狀態碼，如200表明請求成功，404表明網頁未找到等。

下面再經過一個實例來看看：

import urllib.request

response = urllib.request.urlopen('https://www.python.org')
print(response.status)
print(response.getheaders())
print(response.getheader('Server'))
複製代碼

運行結果以下：

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
複製代碼

可見，前兩個輸出分別輸出了響應的狀態碼和響應的頭信息，最後一個輸出經過調用getheader()方法並傳遞一個參數Server獲取了響應頭中的Server值，結果是nginx，意思是服務器是用Nginx搭建的。

利用最基本的urlopen()方法，能夠完成最基本的簡單網頁的GET請求抓取。

若是想給連接傳遞一些參數，該怎麼實現呢？首先看一下urlopen()函數的API：

urllib.request.urlopen(url, data=None, [timeout, ]*, cafile=None, capath=None, cadefault=False, context=None)
複製代碼

能夠發現，除了第一個參數能夠傳遞URL以外，咱們還能夠傳遞其餘內容，好比data（附加數據）、timeout（超時時間）等。

下面咱們詳細說明下這幾個參數的用法。

data參數

data參數是可選的。若是要添加該參數，而且若是它是字節流編碼格式的內容，即bytes類型，則須要經過bytes()方法轉化。另外，若是傳遞了這個參數，則它的請求方式就再也不是GET方式，而是POST方式。

下面用實例來看一下：

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())
複製代碼

這裏咱們傳遞了一個參數word，值是hello。它須要被轉碼成bytes（字節流）類型。其中轉字節流採用了bytes()方法，該方法的第一個參數須要是str（字符串）類型，須要用urllib.parse模塊裏的urlencode()方法來將參數字典轉化爲字符串；第二個參數指定編碼格式，這裏指定爲utf8。

這裏請求的站點是httpbin.org，它能夠提供HTTP請求測試。本次咱們請求的URL爲httpbin.org/post，這個連接能夠用來測試POST請求，它能夠輸出請求的一些信息，其中包含咱們傳遞的data參數。

運行結果以下：

{
     "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"
}
複製代碼

咱們傳遞的參數出如今了form字段中，這代表是模擬了表單提交的方式，以POST方式傳輸數據。

timeout參數

timeout參數用於設置超時時間，單位爲秒，意思就是若是請求超出了設置的這個時間，尚未獲得響應，就會拋出異常。若是不指定該參數，就會使用全局默認時間。它支持HTTP、HTTPS、FTP請求。

下面用實例來看一下：

import urllib.request

response = urllib.request.urlopen('http://httpbin.org/get', timeout=1)
print(response.read())
複製代碼

運行結果以下：

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>
複製代碼

這裏咱們設置超時時間是1秒。程序1秒事後，服務器依然沒有響應，因而拋出了URLError異常。該異常屬於urllib.error模塊，錯誤緣由是超時。

所以，能夠經過設置這個超時時間來控制一個網頁若是長時間未響應，就跳過它的抓取。這能夠利用try except語句來實現，相關代碼以下：

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')
複製代碼

這裏咱們請求了httpbin.org/get測試連接，設置超時時間是0.1秒，而後捕獲了URLError異常，接着判斷異常是socket.timeout類型（意思就是超時異常），從而得出它確實是由於超時而報錯，打印輸出了TIME OUT。

運行結果以下：

TIME OUT
複製代碼

按照常理來講，0.1秒內基本不可能獲得服務器響應，所以輸出了TIME OUT的提示。

經過設置timeout這個參數來實現超時處理，有時仍是頗有用的。

其餘參數

除了data參數和timeout參數外，還有context參數，它必須是ssl.SSLContext類型，用來指定SSL設置。

此外，cafile和capath這兩個參數分別指定CA證書和它的路徑，這個在請求HTTPS連接時會有用。

cadefault參數如今已經棄用了，其默認值爲False。

前面講解了urlopen()方法的用法，經過這個最基本的方法，咱們能夠完成簡單的請求和網頁抓取。若需更加詳細的信息，能夠參見官方文檔：docs.python.org/3/library/u…。

2. Request

咱們知道利用urlopen()方法能夠實現最基本請求的發起，但這幾個簡單的參數並不足以構建一個完整的請求。若是請求中須要加入Headers等信息，就能夠利用更強大的Request類來構建。

首先，咱們用實例來感覺一下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'))
複製代碼

能夠發現，咱們依然是用urlopen()方法來發送這個請求，只不過此次該方法的參數再也不是URL，而是一個Request類型的對象。經過構造這個數據結構，一方面咱們能夠將請求獨立成一個對象，另外一方面可更加豐富和靈活地配置參數。

下面咱們看一下Request能夠經過怎樣的參數來構造，它的構造方法以下：

class urllib.request.Request(url, data=None, headers={}, origin_req_host=None, unverifiable=False, method=None)
複製代碼
  • 第一個參數url用於請求URL，這是必傳參數，其餘都是可選參數。
  • 第二個參數data若是要傳，必須傳bytes（字節流）類型的。若是它是字典，能夠先用urllib.parse模塊裏的urlencode()編碼。
  • 第三個參數headers是一個字典，它就是請求頭，咱們能夠在構造請求時經過headers參數直接構造，也能夠經過調用請求實例的add_header()方法添加。添加請求頭最經常使用的用法就是經過修改User-Agent來假裝瀏覽器，默認的User-Agent是Python-urllib，咱們能夠經過修改它來假裝瀏覽器。好比要假裝火狐瀏覽器，你能夠把它設置爲：

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

  • 第四個參數origin_req_host指的是請求方的host名稱或者IP地址。
  • 第五個參數unverifiable表示這個請求是不是沒法驗證的，默認是False，意思就是說用戶沒有足夠權限來選擇接收這個請求的結果。例如，咱們請求一個HTML文檔中的圖片，可是咱們沒有自動抓取圖像的權限，這時unverifiable的值就是True`。
  • 第六個參數method是一個字符串，用來指示請求使用的方法，好比GET、POST和PUT等。

下面咱們傳入多個參數構建請求來看一下：

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'))
複製代碼

這裏咱們經過4個參數構造了一個請求，其中url即請求URL，headers中指定了User-Agent和Host，參數data用urlencode()和bytes()方法轉成字節流。另外，指定了請求方式爲POST。

運行結果以下：

{
  "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"
}
複製代碼

觀察結果能夠發現，咱們成功設置了data、headers和method。

另外，headers也能夠用add_header()方法來添加：

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

如此一來，咱們就能夠更加方便地構造請求，實現請求的發送啦。

3. 高級用法

在上面的過程當中，咱們雖然能夠構造請求，可是對於一些更高級的操做（好比Cookies處理、代理設置等），咱們該怎麼辦呢？

接下來，就須要更強大的工具Handler登場了。簡而言之，咱們能夠把它理解爲各類處理器，有專門處理登陸驗證的，有處理Cookies的，有處理代理設置的。利用它們，咱們幾乎能夠作到HTTP請求中全部的事情。

首先，介紹一下urllib.request模塊裏的BaseHandler類，它是全部其餘Handler的父類，它提供了最基本的方法，例如default_open()、protocol_request()等。

接下來，就有各類Handler子類繼承這個BaseHandler類，舉例以下。

  • HTTPDefaultErrorHandler：用於處理HTTP響應錯誤，錯誤都會拋出HTTPError類型的異常。
  • HTTPRedirectHandler：用於處理重定向。
  • HTTPCookieProcessor：用於處理Cookies。
  • ProxyHandler：用於設置代理，默認代理爲空。
  • HTTPPasswordMgr：用於管理密碼，它維護了用戶名和密碼的表。
  • HTTPBasicAuthHandler：用於管理認證，若是一個連接打開時須要認證，那麼能夠用它來解決認證問題。

另外，還有其餘的Handler類，這裏就不一一列舉了，詳情能夠參考官方文檔：docs.python.org/3/library/u…。

關於怎麼使用它們，如今先不用着急，後面會有實例演示。

另外一個比較重要的類就是OpenerDirector，咱們能夠稱爲Opener。咱們以前用過urlopen()這個方法，實際上它就是urllib爲咱們提供的一個Opener。

那麼，爲何要引入Opener呢？由於須要實現更高級的功能。以前使用的Request和urlopen()至關於類庫爲你封裝好了極其經常使用的請求方法，利用它們能夠完成基本的請求，可是如今不同了，咱們須要實現更高級的功能，因此須要深刻一層進行配置，使用更底層的實例來完成操做，因此這裏就用到了Opener。

Opener可使用open()方法，返回的類型和urlopen()一模一樣。那麼，它和Handler有什麼關係呢？簡而言之，就是利用Handler來構建Opener。

下面用幾個實例來看看它們的用法。

驗證

有些網站在打開時就會彈出提示框，直接提示你輸入用戶名和密碼，驗證成功後才能查看頁面，如圖3-2所示。

圖3-2 驗證頁面

那麼，若是要請求這樣的頁面，該怎麼辦呢？藉助HTTPBasicAuthHandler就能夠完成，相關代碼以下：

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)
複製代碼

這裏首先實例化HTTPBasicAuthHandler對象，其參數是HTTPPasswordMgrWithDefaultRealm對象，它利用add_password()添加進去用戶名和密碼，這樣就創建了一個處理驗證的Handler。

接下來，利用這個Handler並使用build_opener()方法構建一個Opener，這個Opener在發送請求時就至關於已經驗證成功了。

接下來，利用Opener的open()方法打開連接，就能夠完成驗證了。這裏獲取到的結果就是驗證後的頁面源碼內容。

代理

在作爬蟲的時候，免不了要使用代理，若是要添加代理，能夠這樣作：

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)
複製代碼

這裏咱們在本地搭建了一個代理，它運行在9743端口上。

這裏使用了ProxyHandler，其參數是一個字典，鍵名是協議類型（好比HTTP或者HTTPS等），鍵值是代理連接，能夠添加多個代理。

而後，利用這個Handler及build_opener()方法構造一個Opener，以後發送請求便可。

Cookies

Cookies的處理就須要相關的Handler了。

咱們先用實例來看看怎樣將網站的Cookies獲取下來，相關代碼以下：

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)
複製代碼

首先，咱們必須聲明一個CookieJar對象。接下來，就須要利用HTTPCookieProcessor來構建一個Handler，最後利用build_opener()方法構建出Opener，執行open()函數便可。

運行結果以下：

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
複製代碼

能夠看到，這裏輸出了每條Cookie的名稱和值。

不過既然能輸出，那可不能夠輸出成文件格式呢？咱們知道Cookies實際上也是以文本形式保存的。

答案固然是確定的，這裏經過下面的實例來看看：

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)
複製代碼

這時CookieJar就須要換成MozillaCookieJar，它在生成文件時會用到，是CookieJar的子類，能夠用來處理Cookies和文件相關的事件，好比讀取和保存Cookies，能夠將Cookies保存成Mozilla型瀏覽器的Cookies格式。

運行以後，能夠發現生成了一個cookies.txt文件，其內容以下：

# 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
複製代碼

另外，LWPCookieJar一樣能夠讀取和保存Cookies，可是保存的格式和MozillaCookieJar不同，它會保存成libwww-perl(LWP)格式的Cookies文件。

要保存成LWP格式的Cookies文件，能夠在聲明時就改成：

cookie = http.cookiejar.LWPCookieJar(filename)
複製代碼

此時生成的內容以下：

#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
複製代碼

由此看來，生成的格式仍是有比較大差別的。

那麼，生成了Cookies文件後，怎樣從文件中讀取並利用呢？

下面咱們以LWPCookieJar格式爲例來看一下：

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'))
複製代碼

能夠看到，這裏調用load()方法來讀取本地的Cookies文件，獲取到了Cookies的內容。不過前提是咱們首先生成了LWPCookieJar格式的Cookies，並保存成文件，而後讀取Cookies以後使用一樣的方法構建Handler和Opener便可完成操做。

運行結果正常的話，會輸出百度網頁的源代碼。

經過上面的方法，咱們能夠實現絕大多數請求功能的設置了。

這即是urllib庫中request模塊的基本用法，若是想實現更多的功能，能夠參考官方文檔的說明：docs.python.org/3/library/u…。


本資源首發於崔慶才的我的博客靜覓： Python3網絡爬蟲開發實戰教程 | 靜覓

如想了解更多爬蟲資訊，請關注個人我的微信公衆號：進擊的Coder

weixin.qq.com/r/5zsjOyvEZ… (二維碼自動識別)

相關文章
相關標籤/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。
本站公眾號
   歡迎關注本站公眾號,獲取更多信息
聯繫我們 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