urllib库
urllib库
urllib
库是python
中一个最基本的网络请求库。可以模拟浏览器的行为,向指定的服务器发送一个请求,并可以保存服务器返回的数据。
request类:
urlopen函数:
在python3
的urllib
库中,所有和网络请求相关的方法,都被集到urllib.request
模块下面了,以先来看下urlopen
函数基本的使用:
from urllib import request resp = request.urlopen('http://www.baidu.com') print(resp.read())
以下对urlopen
函数的进行详细讲解:
-
url
:请求的url。 -
data
:请求的data
,如果设置了这个值,那么将变成post
请求。 - 返回值:返回值是一个
http.client.httpresponse
对象,这个对象是一个类文件句柄对象。有read(size)
、readline
、readlines
以及getcode
等方法。
urlretrieve函数:
这个函数可以方便的将网页上的一个文件保存到本地。以下代码可以非常方便的将百度的首页下载到本地:
from urllib import request request.urlretrieve('http://www.baidu.com/','baidu.html')
parse类:
urlencode函数:
用浏览器发送请求的时候,如果url中包含了中文或者其他特殊字符,那么浏览器会自动的给我们进行编码。而如果使用代码发送请求,那么就必须手动的进行编码,这时候就应该使用urlencode
函数来实现。urlencode
可以把字典数据转换为url
编码的数据。示例代码如下:
from urllib import parse data = {'name':'爬虫基础','greet':'hello world','age':100} qs = parse.urlencode(data) print(qs)
parse_qs函数:
可以将经过编码后的url参数进行解码。示例代码如下:
from urllib import parse qs = "name=%e7%88%ac%e8%99%ab%e5%9f%ba%e7%a1%80&greet=hello+world&age=100" print(parse.parse_qs(qs))
urlparse和urlsplit:
有时候拿到一个url,想要对这个url中的各个组成部分进行分割,那么这时候就可以使用urlparse
或者是urlsplit
来进行分割。示例代码如下:
from urllib import request,parse url = 'http://www.baidu.com/s?username=zhiliao' result = parse.urlsplit(url) # result = parse.urlparse(url) print('scheme:',result.scheme) print('netloc:',result.netloc) print('path:',result.path) print('query:',result.query)
urlparse
和urlsplit
基本上是一模一样的。唯一不一样的地方是,urlparse
里面多了一个params
属性,而urlsplit
没有这个params
属性。比如有一个url
为:url = 'http://www.baidu.com/s;hello?wd=python&username=abc#1'
,
那么urlparse
可以获取到hello
,而urlsplit
不可以获取到。url
中的params
也用得比较少。
request.request类:
如果想要在请求的时候增加一些请求头,那么就必须使用request.request
类来实现。比如要增加一个user-agent
,示例代码如下:
from urllib import request headers = { 'user-agent': 'mozilla/5.0 (windows nt 10.0; win64; x64) applewebkit/537.36 (khtml, like gecko) chrome/62.0.3202.94 safari/537.36' } req = request.request("http://www.baidu.com/",headers=headers) resp = request.urlopen(req) print(resp.read())
proxyhandler处理器(代理设置)
很多网站会检测某一段时间某个ip的访问次数(通过流量统计,系统日志等),如果访问次数多的不像正常人,它会禁止这个ip的访问。
所以我们可以设置一些代理服务器,每隔一段时间换一个代理,就算ip被禁止,依然可以换个ip继续爬取。
urllib中通过proxyhandler来设置使用代理服务器,下面代码说明如何使用自定义opener来使用代理:
from urllib import request # 这个是没有使用代理的 # resp = request.urlopen('http://httpbin.org/get') # print(resp.read().decode("utf-8")) # 这个是使用了代理的 handler = request.proxyhandler({"http":"218.66.161.88:31769"}) opener = request.build_opener(handler) req = request.request("http://httpbin.org/ip") resp = opener.open(req) print(resp.read())
常用的代理有:
- 西刺免费代理ip:
- 快代理:
- 代理云:
cookielib库:
什么是cookie:
在网站中,http请求是无状态的。也就是说即使第一次和服务器连接后并且登录成功后,第二次请求服务器依然不能知道当前请求是哪个用户。cookie
的出现就是为了解决这个问题,第一次登录后服务器返回一些数据(cookie)给浏览器,然后浏览器保存在本地,当该用户发送第二次请求的时候,就会自动的把上次请求存储的cookie
数据自动的携带给服务器,服务器通过浏览器携带的数据就能判断当前用户是哪个了。cookie
存储的数据量有限,不同的浏览器有不同的存储大小,但一般不超过4kb。因此使用cookie
只能存储一些小量的数据。
cookie的格式:
set-cookie: name=value;expires/max-age=date;path=path;domain=domain_name;secure
参数意义:
- name:cookie的名字。
- value:cookie的值。
- expires:cookie的过期时间。
- path:cookie作用的路径。
- domain:cookie作用的域名。
- secure:是否只在https协议下起作用。
使用cookielib库和httpcookieprocessor模拟登录:
cookie 是指网站服务器为了辨别用户身份和进行session跟踪,而储存在用户浏览器上的文本文件,cookie可以保持登录信息到用户下次与服务器的会话。
这里以人人网为例。人人网中,要访问某个人的主页,必须先登录才能访问,登录说白了就是要有cookie信息。那么如果我们想要用代码的方式访问,就必须要有正确的cookie信息才能访问。解决方案有两种,第一种是使用浏览器访问,然后将cookie信息复制下来,放到headers中。示例代码如下:
from urllib import request headers = { 'user-agent': 'mozilla/5.0 (windows nt 10.0; win64; x64) applewebkit/537.36 (khtml, like gecko) chrome/62.0.3202.94 safari/537.36', 'cookie': 'anonymid=jacdwz2x-8bjldx; depovince=gw; _r01_=1; _ga=ga1.2.1455063316.1511436360; _gid=ga1.2.862627163.1511436360; wp=1; jsessionid=abczwy8ecd4xz8rjcyp-v; jebecookies=d4497791-9d41-4269-9e2b-3858d4989785|||||; ick_login=884e75d4-f361-4cff-94bb-81fe6c42b220; _de=ea5778f44555c091303554ebbeb4676c696bf75400ce19cc; p=61a3c7d0d4b2d1e991095353f83fa2141; first_login_flag=1; ln_uact=970138074@qq.com; ln_hurl=http://hdn.xnimg.cn/photos/hdn121/20170428/1700/main_nhib_aebd0000854a1986.jpg; t=3dd84a3117737e819dd2c32f1cdb91d01; societyguester=3dd84a3117737e819dd2c32f1cdb91d01; id=443362311; xnsid=169efdc0; loginfrom=syshome; ch_id=10016; jebe_key=9c062f5a-4335-4a91-bf7a-970f8b86a64e%7ca022c303305d1b2ab6b5089643e4b5de%7c1511449232839%7c1; wp_fold=0' } url = 'http://www.renren.com/880151247/profile' req = request.request(url,headers=headers) resp = request.urlopen(req) with open('renren.html','w') as fp: fp.write(resp.read().decode('utf-8'))
但是每次在访问需要cookie的页面都要从浏览器中复制cookie比较麻烦。在python处理cookie,一般是通过http.cookiejar
模块和urllib模块的httpcookieprocessor
处理器类一起使用。http.cookiejar
模块主要作用是提供用于存储cookie的对象。而httpcookieprocessor
处理器主要作用是处理这些cookie对象,并构建handler对象。
http.cookiejar模块:
该模块主要的类有cookiejar、filecookiejar、mozillacookiejar、lwpcookiejar。这四个类的作用分别如下:
- cookiejar:管理http cookie值、存储http请求生成的cookie、向传出的http请求添加cookie的对象。整个cookie都存储在内存中,对cookiejar实例进行垃圾回收后cookie也将丢失。
- filecookiejar (filename,delayload=none,policy=none):从cookiejar派生而来,用来创建filecookiejar实例,检索cookie信息并将cookie存储到文件中。filename是存储cookie的文件名。delayload为true时支持延迟访问访问文件,即只有在需要时才读取文件或在文件中存储数据。
- mozillacookiejar (filename,delayload=none,policy=none):从filecookiejar派生而来,创建与mozilla浏览器 cookies.txt兼容的filecookiejar实例。
- lwpcookiejar (filename,delayload=none,policy=none):从filecookiejar派生而来,创建与libwww-perl标准的 set-cookie3 文件格式兼容的filecookiejar实例。
登录人人网:
利用http.cookiejar
和request.httpcookieprocessor
登录人人网。相关示例代码如下:
from urllib import request,parse from http.cookiejar import cookiejar headers = { 'user-agent': 'mozilla/5.0 (windows nt 10.0; win64; x64) applewebkit/537.36 (khtml, like gecko) chrome/62.0.3202.94 safari/537.36' } def get_opener(): cookiejar = cookiejar() handler = request.httpcookieprocessor(cookiejar) opener = request.build_opener(handler) return opener def login_renren(opener): data = {"email": "970138074@qq.com", "password": "pythonspider"} data = parse.urlencode(data).encode('utf-8') login_url = "http://www.renren.com/plogin.do" req = request.request(login_url, headers=headers, data=data) opener.open(req) def visit_profile(opener): url = 'http://www.renren.com/880151247/profile' req = request.request(url,headers=headers) resp = opener.open(req) with open('renren.html','w') as fp: fp.write(resp.read().decode("utf-8")) if __name__ == '__main__': opener = get_opener() login_renren(opener) visit_profile(opener)
保存cookie到本地:
保存cookie
到本地,可以使用cookiejar
的save
方法,并且需要指定一个文件名:
from urllib import request from http.cookiejar import mozillacookiejar cookiejar = mozillacookiejar("cookie.txt") handler = request.httpcookieprocessor(cookiejar) opener = request.build_opener(handler) headers = { 'user-agent': 'mozilla/5.0 (windows nt 10.0; win64; x64) applewebkit/537.36 (khtml, like gecko) chrome/62.0.3202.94 safari/537.36' } req = request.request('http://httpbin.org/cookies',headers=headers) resp = opener.open(req) print(resp.read()) cookiejar.save(ignore_discard=true,ignore_expires=true)
从本地加载cookie:
从本地加载cookie
,需要使用cookiejar
的load
方法,并且也需要指定方法:
from urllib import request from http.cookiejar import mozillacookiejar cookiejar = mozillacookiejar("cookie.txt") cookiejar.load(ignore_expires=true,ignore_discard=true) handler = request.httpcookieprocessor(cookiejar) opener = request.build_opener(handler) headers = { 'user-agent': 'mozilla/5.0 (windows nt 10.0; win64; x64) applewebkit/537.36 (khtml, like gecko) chrome/62.0.3202.94 safari/537.36' } req = request.request('http://httpbin.org/cookies',headers=headers) resp = opener.open(req) print(resp.read())
上一篇: pomelo记录一
下一篇: 分布式系统之设计策略
推荐阅读