欢迎您访问程序员文章站本站旨在为大家提供分享程序员计算机编程知识!
您现在的位置是: 首页  >  IT编程

urllib库

程序员文章站 2022-03-10 16:29:43
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 ......

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:

python3urllib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:

  1. url:请求的url。
  2. data:请求的data,如果设置了这个值,那么将变成post请求。
  3. 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)readlinereadlines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)

urlparseurlsplit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:

  1. 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。
  2. 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。
  3. 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。
  4. 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.cookiejarrequest.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cookiejarsave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cookiejarload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())