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

Python-爬虫03:urllib.request模块的使用

程序员文章站 2022-06-22 13:18:00
[TOC] 1. urllib.request的基本使用 所谓网页抓取,就是把URL地址中指定的网络资源从网络流中抓取出来。在Python中有很多库可以用来抓取网页,我们先学习urllib.request。 Python模块源代码: urllib.request源代码: 1.1 urlopen 我们 ......

目录


1. urllib.request的基本使用


所谓网页抓取,就是把url地址中指定的网络资源从网络流中抓取出来。在python中有很多库可以用来抓取网页,我们先学习urllib.request。

python模块源代码: c:\users\haoch\anaconda3\lib

urllib.request源代码:c:\users\haoch\anaconda3\lib\urllib\request.py

1.1 urlopen

我们先来看源代码

# data没写-> get请求,否则是post请求 
def urlopen(url, data=none, timeout=socket._global_default_timeout,
            *, cafile=none, capath=none, cadefault=false, context=none):

    global _opener
    if cafile or capath or cadefault:
        import warnings
        warnings.warn("cafile, cpath and cadefault are deprecated, use a "
                      "custom context instead.", deprecationwarning, 2)
        if context is not none:
            raise valueerror(
                "you can't pass both context and any of cafile, capath, and "
                "cadefault"
            )
        if not _have_ssl:
            raise valueerror('ssl support not available')
            # 知识点1: 做ssl认证
        context = ssl.create_default_context(ssl.purpose.server_auth,
                                             cafile=cafile,
                                             capath=capath)
        # 知识点2: 通过https处理器创建处理器对象                                  
        https_handler = httpshandler(context=context)
        # 知识点3: 将处理器对象包进去
        opener = build_opener(https_handler)
    elif context:
        https_handler = httpshandler(context=context)
        opener = build_opener(https_handler)
    elif _opener is none:
        _opener = opener = build_opener()
    else:
        opener = _opener
        # 知识点4: 自定义的open方法
    return opener.open(url, data, timeout)

1.2. 用urlopen来获取网络源代码

# 导入urllib2 库
import urllib.request
# 向指定的url发送请求,并返回服务器响应的类文件对象
response = urllib.request.urlopen("http://www.baidu.com/")
# 类文件对象支持 文件对象的操作方法,如read()方法读取文件全部内容,返回字符串
html = response.read()
print(html)

实际上,如果我们在浏览器上打开百度主页, 右键选择“查看源代码”,你会发现,跟我们刚才打印出来的是一模一样。也就是说,上面的4行代码就已经帮我们把百度的首页的全部代码爬了下来。

1.3. urllib.request.request的使用

如果需要执行更复杂的操作,比如增加http报头,必须创建一个 request 实例来作为urlopen()的参数;而需要访问的url地址则作为 request 实例的参数。

import urllib.request
# url 作为request()方法的参数,构造并返回一个request对象
request = urllib.request.request("http://www.baidu.com")
# request对象作为urlopen()方法的参数,发送给服务器并接收响应
response = urllib.request.urlopen(request)
html = response.read()
print html

不加user-agent-请求信息
Python-爬虫03:urllib.request模块的使用

get http://www.baidu.com/ http/1.1
accept-encoding: identity
host: www.baidu.com
user-agent: python-urllib/3.7
connection: close

2. user-ageng的使用-模拟浏览器发送请求


上面的例子中有一个最大缺点是不能给请求添加head,不能更改user-agent的默认值,那么urlopen中user-agent的值是什么呢,让我们来看源代码

class openerdirector:
    def __init__(self):
       # __version__ = '%d.%d' % sys.version_info[:2]--->sys.version[:3] = 3.7
        client_version = "python-urllib/%s" % __version__
        # client_version = python-urllib 3.7
        self.addheaders = [('user-agent', client_version)]
        # self.handlers is retained only for backward compatibility
        self.handlers = []
        # manage the individual handlers
        self.handle_open = {}
        self.handle_error = {}
        self.process_response = {}
        self.process_request = {}

urllib2默认的 user-agent:python-urllib 3.7,被管理员看到后,容易被封ip,应该重构我们的user-agent

2.1) 为什么要用user-agent?

我们用一个合法的身份去请求别人网站,显然人家就是欢迎的,所以我们就应该给我们的这个代码加上一个身份,就是所谓的user-agent头。

  • 浏览器 就是互联网世界上公认被允许的身份,如果我们希望我们的爬虫程序更像一个真实用户,那我们第一步就是需要伪装成一个被浏览器。用不同的浏览器在发送请求的时候,会有不同的 user-agent 报头。
  • urllib.request默认的user-agent头为:python-urllib/x.y (x和y 是python 主.次 版本号,例如 python-urllib/3.7)

2.2) 如何添加user-agent信息到请求中去?

首先我们用抓包工具抓取请求,在其中获取user-agent的值

Python-爬虫03:urllib.request模块的使用

get https://www.baidu.com/ http/1.1
host: www.baidu.com
connection: keep-alive
pragma: no-cache
cache-control: no-cache
upgrade-insecure-requests: 1

# user-agent 最重要的东西,必须写的东西
user-agent: mozilla/5.0 (windows nt 10.0; win64; x64) applewebkit/537.36 (khtml, like gecko) chrome/71.0.3578.98 safari/537.36

# 获取的数据类型
accept: text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,image/apng,*/*;q=0.8
# 压缩方式(一定不能写的,麻烦)
accept-encoding: gzip, deflate, br
accept-language: zh-cn,zh;q=0.9,en-us;q=0.8,en;q=0.7,en-ca;q=0.6
cookie: baiduid=4f583a04a0193ebe0c9849c551b9305c:fg=1; bidupsid=4f583a04a0193ebe0c9849c551b9305c; pstm=1545978093; bd_upn=12314753; bdorz=b490b5ebf6f3cd402e515d22bcda1598; __cfduid=d7aafabcd6ccc970c2d47e9e205fc3c851546334654; cflag=13%3a3; delper=0; bd_home=0; h_ps_pssid=1440_21082_28205_28132_27245_27509
x-hd-token: rent-your-own-vps

我们只需要复制user-agent的值即可,代码如下:

# ie 9.0 的 user-agent,包含在 user_agent里
ua_headers = {"user-agent": "mozilla/5.0 (windows nt 10.0; win64; x64) applewebkit/537.36 (khtml, like gecko) chrome/71.0.3578.98 safari/537.36"}
#  url 连同 headers,一起构造request请求,这个请求将附带 ie9.0 浏览器的user-agent
request = urllib.request.request("http://www.baidu.com", headers = ua_headers)
# 向服务器发送这个请求
response = urllib.request.urlopen(request)
html = response.read()
html

加user-agent-请求信息
Python-爬虫03:urllib.request模块的使用

get http://www.baidu.com/ http/1.1
accept-encoding: identity
host: www.baidu.com
user-agent: mozilla/5.0 (windows nt 10.0; win64; x64) applewebkit/537.36 (khtml, like gecko) chrome/71.0.3578.98 safari/537.36
connection: close

2.3) 添加更多的user-ageng和header的信息

  • 添加一个特定的header
import urllib2

url = "http://www.itcast.cn"
#ie 9.0 的 user-agent
user_agent = {"user-agent" : "mozilla/5.0 (compatible; msie 9.0; windows nt 6.1; trident/5.0)"} 
request = urllib2.request(url, headers = user_agent)
#也可以通过调用request.add_header() 添加/修改一个特定的header
request.add_header("connection", "keep-alive")
# 也可以通过调用request.get_header()来查看header信息
# request.get_header(header_name="connection")
response = urllib2.urlopen(request)
print response.code     #可以查看响应状态码
html = response.read()
print html
  • 随机添加/修改user-agent
import urllib2
import random

url = "http://www.itcast.cn"

ua_list = [
    "mozilla/5.0 (windows nt 6.1; wow64) applewebkit/537.1 (khtml, like gecko) chrome/22.0.1207.1 safari/537.1",
    "mozilla/5.0 (x11; cros i686 2268.111.0) applewebkit/536.11 (khtml, like gecko) chrome/20.0.1132.57 safari/536.11",
    "mozilla/5.0 (windows nt 6.1; wow64) applewebkit/536.6 (khtml, like gecko) chrome/20.0.1092.0 safari/536.6",
    "mozilla/5.0 (windows nt 6.1) applewebkit/536.6 (khtml, like gecko) chrome/20.0.1090.0 safari/536.6"
]

user_agent = random.choice(ua_list)
request = urllib2.request(url)
#也可以通过调用request.add_header() 添加/修改一个特定的header
request.add_header("user-agent", user_agent)
# get_header()的字符串参数,第一个字母大写,后面的全部小写
request.get_header("user-agent")
response = urllib2.urlopen(request)
html = response.read()
print html

1.5. response的其他用法

response.read()     # 读取爬取的内容
response.getcode()  # 返回http的响应码,                       200=ok
response.geturl()   # 返回数据的是具体哪个url, 防止重定向      'http://www.baidu.com'
response.info()     # 返回服务器响应的抱头信息