python爬虫基础之urllib的使用

一、urllib 和 urllib2的关系

在python2中，主要使用urllib和urllib2，而python3对urllib和urllib2进行了重构，拆分成了urllib.request, urllib.parse, urllib.error，urllib.robotparser等几个子模块，这样的架构从逻辑和结构上说更加合理。urllib库无需安装，python3自带。python 3.x中将urllib库和urilib2库合并成了urllib库。

    urllib2.urlopen() 变成了 urllib.request.urlopen()
    urllib2.request() 变成了 urllib.request.request()
    python2中的 cookielib 改为 http.cookiejar.
    import http.cookiejar 代替  import cookielib
    urljoin 现在对应的函数是 urllib.parse.urljoin

二、python3下的urllib库

• request，它是最基本的 http 请求模块，我们可以用它来模拟发送一请求，只需要给库方法传入 url 还有额外的参数，就可以模拟实现这个过程了。
• error ，即异常处理模块，如果出现请求错误，我们可以捕获这些异常，然后进行重试或其他操作保证程序不会意外终止。
• parse ，是一个工具模块，提供了许多 url 处理方法，比如拆分、解析、合并等等的方法。
• robotparser，主要是用来识别网站的 robots.txt 文件，然后判断哪些网站可以爬，哪些网站不可以爬的，其实用的比较少。

三、request的基础类

（一）request.urlopen

urlopen方法最主要的参数就是目标网站的url地址，可以使str类型，也可以是一个request对象。

get方法请求如下：

from urllib import request,parse
respones = request.urlopen(http://www.baidu.com/)

post方法请求，需要添加data参数（字典格式），它要是字节流编码格式的内容，即 bytes 类型，通过 bytes() 方法可以进行转化，另外如果传递了这个 data 参数，不添加data参数就默认为 get 方式请求。

from urllib import request,parse
url = "http://www.baidu.com/"
wd = {'wd':'哇哈哈哈'}
data = bytes(parse.urlencode(wd),'utf-8')
respones = request.urlopen(url,data=data)

（二）request.request

由于单独使用urlopen() 方法的不能添加user-agent、cookie等headers信息，需要构建一个 request 类型的对象，通过构造这个这个数据结构，一方面我们可以将请求独立成一个对象，另一方面可配置参数更加丰富和灵活。主要参数有：

• url 参数是请求 url，这个是必传参数，其他的都是可选参数。
• data 参数如果要传必须传 bytes（字节流）类型的，如果是一个字典，可以先用 urllib.parse 模块里的 urlencode() 编码。
• headers 参数是一个字典，这个就是 request headers 了，你可以在构造 request 时通过 headers 参数直接构造，也可以通过调用 request 实例的 add_header() 方法来添加, request headers 最常用的用法就是通过修改 user-agent 来伪装浏览器，默认的 user-agent 是 python-urllib，我们可以通过修改它来伪装浏览器。
• origin_req_host 参数指的是请求方的 host 名称或者 ip 地址。
• unverifiable 参数指的是这个请求是否是无法验证的，默认是false。意思就是说用户没有足够权限来选择接收这个请求的结果。例如我们请求一个 html 文档中的图片，但是我们没有自动抓取图像的权限，这时 unverifiable 的值就是 true。
• method 参数是一个字符串，它用来指示请求使用的方法，比如get，post，put等等。
  

通过随机的方法，选择user-agent:

import randomua_list = [
  'mozilla/5.0 (compatible; u; abrowse 0.6; syllable) applewebkit/420+ (khtml, like gecko)',
  'mozilla/5.0 (compatible; msie 8.0; windows nt 6.0; trident/4.0; acoo browser 1.98.744; .net clr 3.5.30729)',
  'mozilla/5.0 (compatible; msie 8.0; windows nt 6.0; trident/4.0; acoo browser 1.98.744; .net clr 3.5.30729)',
  'mozilla/4.0 (compatible; msie 8.0; windows nt 6.0; trident/4.0; acoo browser; gtb5; mozilla/4.0 (compatible; msie 6.0; windows nt 5.1; sv1) ; infopath.1; .net clr 3.5.30729; .net clr 3.0.30618)',
  'mozilla/4.0 (compatible; msie 8.0; windows nt 5.1; trident/4.0; sv1; acoo browser; .net clr 2.0.50727; .net clr 3.0.4506.2152; .net clr 3.5.30729; avant browser)',
  'mozilla/4.0 (compatible; msie 7.0; windows nt 6.0; acoo browser; slcc1; .net clr 2.0.50727; media center pc 5.0; .net clr 3.0.04506)',
  'mozilla/4.0 (compatible; msie 7.0; windows nt 6.0; acoo browser; gtb5; mozilla/4.0 (compatible; msie 6.0; windows nt 5.1; sv1) ; maxthon; infopath.1; .net clr 3.5.30729; .net clr 3.0.30618)',
  'mozilla/4.0 (compatible; mozilla/5.0 (compatible; msie 8.0; windows nt 6.0; trident/4.0; acoo browser 1.98.744; .net clr 3.5.30729); windows nt 5.1; trident/4.0)',
  'mozilla/4.0 (compatible; mozilla/4.0 (compatible; msie 8.0; windows nt 5.1; trident/4.0; gtb6; acoo browser; .net clr 1.1.4322; .net clr 2.0.50727); windows nt 5.1; trident/4.0; maxthon; .net clr 2.0.50727; .net clr 1.1.4322; infopath.2)',
  'mozilla/4.0 (compatible; msie 8.0; windows nt 6.0; trident/4.0; acoo browser; gtb6; mozilla/4.0 (compatible; msie 6.0; windows nt 5.1; sv1) ; infopath.1; .net clr 3.5.30729; .net clr 3.0.30618)'
]

#随机获取一个user-agent
user_agent = random.choice(ua_list)

添加headers头部信息的方法1:

url='http://www.baidu.com/'user_agent = random.choice(ua_list)
headers = {
  'user-agent': user_agent
}
req = request.request(url=url,headers=headers)
respones = request.urlopen(req)

添加headers头部信息的方法2:

url='http://www.baidu.com'
headers = {
  'user-agent': user_agent
}
#添加user-agent的方法2
req = request.request(url)
#请求添加user-agent
req.add_header("user-agent",user_agent)
#获取请求的user-agent agent的a要小写
print(req.get_header("user-agent"))
response = request.urlopen(req)print(respones.read().decode('utf-8'))

三、request的高级类

在urllib.request模块里的basehandler类，他是所有其他handler的父类，他是一个处理器，比如用它来处理登录验证，处理cookies，代理设置，重定向等。它提供了直接使用和派生类使用的方法：

• add_parent(director)：添加director作为父类
• close()：关闭它的父类
• parent()：打开使用不同的协议或处理错误
• defautl_open(req)：捕获所有的url及子类，在协议打开之前调用
  

handler的子类包括：

httpdefaulterrorhandler：用来处理http响应错误，错误会抛出httperror类的异常
httpredirecthandler：用于处理重定向
httpcookieprocessor：用于处理cookies
proxyhandler：用于设置代理，默认代理为空
httppasswordmgr：永远管理密码，它维护用户名和密码表
httpbasicauthhandler：用户管理认证，如果一个链接打开时需要认证，可以使用它来实现验证功能

（一）proxyhandler

如果爬虫需要大量爬取网站数据，为了避免被封号，需要使用代理，通过request.build_opener()方法生成一个opener对象，添加代理的方法如下：

from urllib import request

#代理开关，表示是否开启代理
proxyswitch =true

#构建一个handler处理器对象，参数是一个字典类型，包括代理类型和代理服务器ip+port
proxyhandler = request.proxyhandler({"http":"191.96.42.80:3128"})
#如果是带用户名和密码的代理，格式为{"http":"username:passwd@191.96.42.80:3128"}

#不加代理的handler处理器对象
nullproxyhandler = request.proxyhandler()

if proxyswitch:
  opener = request.build_opener(proxyhandler)
else:
  opener = request.build_opener(nullproxyhandler)

req = request.request("http://www.baidu.com/")

response = opener.open(req)

print(response.read().decode("utf-8"))

（二）proxybasicauthhandler

通过密码管理器的方法实现代理服务器功能

from urllib import request
#代理密码管理，也可以管理服务器账户密码

#账户密码
user = "username"
passwd = "passwd"

#代理服务器
proxyserver = "1.1.1.1:9999"

#构建密码管理对象，保存需要处理的用户名和密码
passmgr = request.httppasswordmgrwithdefaultrealm()

#添加账户信息，第一个参数realm是与远程服务器相关的域信息
passmgr.add_password(none,proxyserver,user,passwd)

#构建基础proxybasicauthhandler处理器对象
proxyauth_handler = request.proxybasicauthhandler(passmgr)

opener = request.build_opener(proxyauth_handler)

req = request.request("http://www.baidu.com/")

response = opener.open(req)

（三）proxybasicauthhandler

通过密码管理器的方法实现web认证登陆功能

#web验证
from urllib import request

test = "test"
passwd = "123456"

webserver = "1.1.1.1"

#构建密码管理器handler
passwdmgr = request.httppasswordmgrwithdefaultrealm()
#添加密码信息
passwdmgr.add_password(none,webserver,test,passwd)

#http基础验证处理器类
http_authhandler = request.httpbasicauthhandler(passwdmgr)

opener = request.build_opener(http_authhandler)

req = request.request("http://"+webserver)

response = opener.open(req)

四、cookie处理

 通过http.cookiejar中的httpcookieprocessor构建cookie处理器对象，处理cookie信息

import http.cookiejar
from urllib import request,parse
#模拟登陆先post账户密码
#然后保存生成的cookie

#通过cookiejar类构件一个coociejar对象,从来保存cookie值
cookie = http.cookiejar.cookiejar()

#构件cookie处理器对象，用来处理cookie
cookie_handler = request.httpcookieprocessor(cookie)

#构件一个自定义的opener
opener = request.build_opener(cookie_handler)

#通过自定义的opener的addheaders参数，可以添加http报头参数
opener.addheaders = [("user-agent","mozilla/5.0 (compatible; u; abrowse 0.6; syllable) applewebkit/420+ (khtml, like gecko)"),]

#需要登陆的接口
url = 'http://www.renren.com/plogin.do'

#需要登陆的账户密码
data = {
  "email":"renren账号",
  "password":"密码"
}
#数据处理
data = bytes(parse.urlencode(data),'utf-8')
#第一次是post请求，通过登陆账户密码，得到cookie
req = request.request(url,data=data)
#发送第一次post请求，生成登陆后的cookie
response = opener.open(req)

print(response.read().decode("utf-8"))

#此时的opener已经包含了该链接下的cookie，此时使用该opener就可以直接访问该站点下其他的网页而不需要再登陆了
opener.open(http://www.renren.com/plogin.doxxxxxxxxxxxxx)

以上就是python爬虫基础之urllib的使用的详细内容，更多关于python 爬虫urllib的资料请关注其它相关文章！