Python-爬虫03:urllib.request模块的使用
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
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
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
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
上一篇: 快速排序模板
下一篇: 篮球经理什么手机能玩 适配手机型号一览表
推荐阅读