爬虫-urllib模块的使用

urllib是Python中请求url连接的官方标准库,在Python3中将Python2中的urllib和urllib2整合成了urllib。urllib中一共有四个模块,分别如下:

  • request:主要负责构造和发起网络请求,定义了适用于在各种复杂情况下打开 URL (主要为 HTTP) 的函数和类
  • error:处理异常
  • parse:解析各种数据格式
  • robotparser:解析robot.txt文件

一、request模块

1.urlopen()方法:

  • 在urlopen()方法中,直接写入要访问的url地址字符串,该方法就会主动的访问目标网址,然后返回访问结果,返回的访问结果是一个http.client.HTTPResponse对象,该对象的常见方法有:
  1. read() :获取访问网页获取的数据,bytes类型
  2. info():返回响应头信息
  3. getcode():返回Http状态码。
  4. geturl():返回请求的url
  • 发送简单的GET请求

    from urllib.request import urlopen
    
    #向指定的url发送请求,并返回服务器响应的类文件对象
    resp = urlopen('https://www.baidu.com') 
    print(resp.read().decode())
  • 发送简单的POST请求(data参数)

    from urllib.reuqest import urlopen
    from urllib.parse import urlencode
    
    #将字典类型的数据转换成表单类型的数据格式,如"world=hello"
    data = urlencode({"word":"hello"}).encode()
    response = request.urlopen('http://httpbin.org/post', data=data)
    
    print(response.read().decode())

    默认的访问方式是GET,当在urlopen()方法中传入data参数时,则会发起POST请求。注意:传递的data数据需要为bytes格式

2.Request

  • 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。
  • 为了使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公认的浏览器,在发送请求的时候带上User-Agent头
    from urllib.request import Request,urlopen
    
    url = 'https://www.baidu.com/'
    ua_header = {"User-Agent" : "Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; Trident/5.0;"}
    #url连同headers一起构造request请求,这个请求附带IE 9.0浏览器的User-Agent
    request = Request(url,headers=ua_header)
    #向服务器发送请求
    resp = urlopen(request)
    print(resp.read().decode)

3.ProxyHandler处理器(代理IP)

  • 使用爬虫来爬取数据的时候,如果过于频繁的访问,而且网站还设有限制的话,很有可能会禁封我们的ip地址,这个时候就需要设置代理,来隐藏我们的真实IP。
  • 代理IP的原理:以本机先访问代理IP,再通过代理IP地址访问服务器,这样服务器接受到的访问IP就是代理IP地址。
    from urllib.request import build_opener,urlopen,install_opener,Request,ProxyHandler
    
    # 构建了两个代理Handler,一个有代理IP,一个没有代理IP
    proxy_handler = ProxyHandler({'http': '218.18.232.26:80', 'https': '218.18.232.26:80'})
    nullproxy_handler = ProxyHandler({})
    
    proxySwitch = True #定义一个代理开关
    
    # 通过build_opener()方法使用这些代理Handler对象,创建自定义opener对象
    # 根据代理开关是否打开,使用不同的代理模式
    if proxySwitch:  
        opener = build_opener(proxy_handler)
    else:
        opener = build_opener(nullproxy_handler)
    
    request = Request("http://www.baidu.com/")
    
    # 1. 如果这么写,只有使用opener.open()方法发送请求才使用自定义的代理,而urlopen()则不使用自定义代理。
    resp = opener.open(request)
    
    # 2. 如果这么写,就是将opener应用到全局,之后所有的,不管是opener.open()还是urlopen() 发送请求,都将使用自定义代理。
    # install_opener(opener)
    # resp = urlopen(request)
    
    print (resp.read().decode())

    如果代理需要授权验证,简单的方式是只需要在ProxyHandler传入的参数字典中,将值改为'用户名:密码@ip:端口号'这种形式,比如{"http":"myname:mypasswd@124.88.67.81:80"},如果采用复杂的方式,就需要创建一个密码管理对象,下面会有介绍。

4.HTTPPasswordMgrWithDefaultRealm()

  • 利用这个类创建一个密码管理对象,用来保存 HTTP 请求相关的用户名和密码,主要应用两个场景:
  1. 验证代理授权的用户名和密码 (ProxyBasicAuthHandler())
  2. 验证Web客户端的的用户名和密码 (HTTPBasicAuthHandler())

5.ProxyBasicAuthHandler(代理授权验证)

  • 在使用私密代理时,需要通过授权验证身份
    from urllib.request import HTTPPasswordMgrWithDefaultRealm,ProxyBasicAuthHandler,build_opener,Request
    
    # 私密代理授权的账户
    user = "mr_mao_hacker"
    # 私密代理授权的密码
    passwd = "sffqry9r"
    # 私密代理 IP
    proxyserver = "61.158.163.130:16816"
    
    # 1. 构建一个密码管理对象,用来保存需要处理的用户名和密码
    passwdmgr = HTTPPasswordMgrWithDefaultRealm()
    
    # 2. 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,一般没人管它都是写None,后面三个参数分别是代理服务器、用户名、密码
    passwdmgr.add_password(None, proxyserver, user, passwd)
    
    # 3. 构建一个代理基础用户名/密码验证的ProxyBasicAuthHandler处理器对象,参数是创建的密码管理对象
    #   注意,这里不再使用普通ProxyHandler类了
    proxyauth_handler = ProxyBasicAuthHandler(passwdmgr)
    
    # 4. 通过 build_opener()方法使用这些代理Handler对象,创建自定义opener对象,参数包括构建的 proxy_handler 和 proxyauth_handler
    opener = build_opener(proxyauth_handler)
    
    request = Request("https://www.baidu.com/")
    resp = opener.open(request)
    print (resp.read().decode())

    注:通常用户名和密码不直接写在程序中,而是存放在环境变量,或者单独写入一个模块,然后从模块导入

6.HTTPBasicAuthHandler(WEB客户端授权验证)

  • 有些Web服务器(包括HTTP/FTP等)访问时,需要进行用户身份验证,爬虫直接访问会报HTTP 401 错误,表示访问身份未经授权
  • 如果我们有客户端的用户名和密码,只需要将上述代理授权验证代码中的ProxyBasicAuthHandler改成HTTPBasicAuthHandler即可

7.Cookies

  • Cookies在爬虫方面最典型的应用是判定注册用户是否已经登录网站,用户可能会得到提示,是否在下一次进入此网站时保留用户信息以便简化登录手续。
  • 由于urllib并没有很好的处理cookie的对象,所以在这里我们需要用到一个别的库,即http库,并使用里面的cookiejar来进行cookie的管理,该模块主要的对象有CookieJar、FileCookieJar、MozillaCookieJar、LWPCookieJar:
    • 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。

    • 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。

    • 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。

    • 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。

  • 大多数情况下,我们只需要用到CookieJar(),如果需要和本地文件进行交互,就要用MozillaCookieJar()和LWPCookieJar(),下面就介绍几种案例:
  1. 获取cookie,并保存到CookieJar()中

    from http.cookiejar import CookieJar
    from urllib.request import Request,build_opener,HTTPCookieProcessor
    
    # 构建一个CookieJar对象实例来保存cookie
    cookiejar = cookielib.CookieJar()
    
    # 使用HTTPCookieProcessor()来创建cookie处理器对象,参数为CookieJar()对象
    handler=HTTPCookieProcessor(cookiejar)
    
    opener = build_opener(handler)
    
    # 以get方法访问页面,访问之后会自动保存cookie到cookiejar中
    resp = opener.open("http://www.baidu.com")
    
    # 可以按标准格式将保存的Cookie打印出来
    cookieStr = ""
    for item in cookiejar:
        cookieStr = cookieStr + item.name + "=" + item.value + ";"
    
    # 舍去最后一位的分号
    print cookieStr[:-1]
  2. 访问网站获得cookie,并将cookie保存在本地文件中

    from http.cookiejar import MozillaCookieJar
    from urllib.request import Request,build_opener,HTTPCookieProcessor
    
    # 保存cookie的本地磁盘文件名
    filename = 'cookie.txt'
    
    #声明一个MozillaCookieJar(有save实现)对象实例来保存cookie,之后写入文件
    cookiejar = MozillaCookieJar(filename)
    
    # 使用HTTPCookieProcessor()来创建cookie处理器对象,参数为CookieJar()对象
    handler = HTTPCookieProcessor(cookiejar)
    
    opener = build_opener(handler)
    response = opener.open("https://www.baidu.com/")
    
    # 保存cookie到本地文件
    cookiejar.save()
  3. 从文件中获取cookie

    from http.cookiejar import MozillaCookieJar
    from urllib.request import Request,build_opener,HTTPCookieProcessor
    
    #创建MozillaCookieJar(有load实现)实例对象
    cookiejar = MozillaCookieJar()
    
    #从文件中读取cookie内容到对象
    cookiejar.load('cookie.txt')
    
    # 使用HTTPCookieProcessor()来创建cookie处理器对象,参数为CookieJar()对象
    handler = HTTPCookieProcessor(cookiejar)
    
    opener = build_opener(handler)
    response = opener.open("https://www.baidu.com/")

8.处理HTTPS请求SSL证书验证

  • 最简单的方法就是通过添加忽略ssl证书验证关闭证书验证,由于urllib并没有很好的处理ssl的对象,所以在这里我们需要用到一个别的库,即ssl库,如下:
    import ssl
    from urllib.request import urlopen,Request
    
    # 表示忽略未经核实的SSL证书认证
    context = ssl._create_unverified_context()
    
    url = "https://www.12306.cn/mormhweb/"
    headers = {"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/54.0.2840.99 Safari/537.36"}
    request = Request(url,headers=headers)
    
    # 在urlopen()方法里 指明添加 context 参数
    resp = urlopen(request, context=context)
    print(resp.read().decode())

二、error模块

  • 在urllib中主要设置了两个异常,一个是URLError,一个是HTTPError,HTTPError是URLError的子类。

1.URLError

  • URLError产生的原因主要有:
  1. 没有网络连接
  2. 服务器连接失败
  3. 找不到指定的服务器
  • 下面访问一个不存在的域名:
    from urllib.error import URLError
    from urllib.request import Request,urlopen
    
    request = Request('http://www.fafafasfdaffaf.com/')
    try:
        resp = urlopen(request)
    except URLError as e:
        print(e)

2.HTTPError

  • HTTPError包含了三个属性:
  1. code:请求的状态码
  2. reason:错误的原因
  3. headers:响应的报头
    from urllib.error import HTTPError
    from urllib.request import Request,urlopen
    
    requset = Request('http://www.baidu.com/lfafdaflafapae.html')
    
    try:
        resp = urlopen(requset)
    except HTTPError as e:
        print(e)
        print(e.code)
        print(e.reason)
        print(e.headers)

三、parse模块

data参数需要用urllib.parse模块对其进行数据格式处理。

  • urllib.parse.quote(url):(URL编码处理)主要对URL中的非ASCII码编码处理
  • urllib.parse.unquote(url):(URL解码处理)URL上的特殊字符还原
  • urllib.parse.urlencode(data):对请求数据data进行格式转换

 

发表评论

评论已关闭。

相关文章