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：

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)、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=[e-mail]; 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.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": "[e-mail]", "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())