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!