《爬虫学习》（urllib库使用）

Posted 2021-03-13 whgy

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。

1.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())

实际上，使用浏览器访问百度，右键查看源代码。你会发现，跟我们刚才打印出来的数据是一模一样的。也就是说，上面的三行代码就已经帮我们把百度的首页的全部代码爬下来了。一个基本的url请求对应的python代码真的非常简单。
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。

2.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‘)

 

3.编码解码urlencode函数/parse_qs函数：

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))

4.urlpares函数/urlsplit函数：

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。

5.request.Request函数：

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())

6.代理器设置(ProxyHandler)：

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())

代码：

from urllib import request
from urllib import parse
#resp = request.urlopen(‘https://www.sohu.com‘)打开

#print(resp.readlines())

#resp = request.urlretrieve(‘http://www.jd.com‘, ‘jd.html‘)下载

# 编码
# infomation = {‘name‘:‘张三‘, ‘age‘:18, ‘code‘:‘niu‘}
# result = parse.urlencode(infomation)
# print(result)

# url = "http://www.sogou.com"
# par = {‘query‘:‘武佩齐‘}
# qs = parse.urlencode(par)
# url = url + "/web?" +qs
# request.urlretrieve(url, ‘1.html‘)

# 解码
# infomation = {‘name‘:‘张三‘, ‘age‘:18, ‘code‘:‘niu‘}
# qs = parse.urlencode(infomation)
# res = parse.parse_qs(qs)
# print(res)

#解析
# url = ‘http://www.baidu.com/s?wd=python&username=jd#1‘
#
# result = parse.urlparse(url)
# print(result.netloc)
# result = parse.urlsplit(url)
# print(result)

# 实战
# url = ‘https://search.bilibili.com/all?keyword=opencv&from_source=nav_search_new‘
# head = {
#     ‘User-Agent‘:‘Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/70.0.3538.25 Safari/537.36 Core/1.70.3741.400 QQBrowser/10.5.3863.400‘,
#     ‘Referer‘: ‘https://www.bilibili.com/‘
#
# }
# data = {
#     ‘first‘:‘true‘,
#     ‘pn‘:1,
#     ‘kd‘:‘opencv‘
# }
#
# req = request.Request(url, headers=head,data=parse.urlencode(data).encode(‘utf-8‘), method=‘GET‘)
# resp = request.urlopen(req)
# print(resp.read().decode(‘utf-8‘))

# 代理服务器
# 没有使用代理
# url = ‘http://www.httpbin.org/ip‘
# resp = request.urlopen(url)
# print(resp.read())
# 使用代理
# url = ‘http://www.httpbin.org/ip‘
# # 1.使用request.ProxyHandler创建hander
# hander = request.ProxyHandler({"http":"125.123.137.33:9999"})
# # 2.使用request.build_opener创建opener，通过hander
# opener = request.build_opener(hander)
# # 3.使用opener进行open连接
# resp = opener.open(url)
# print(resp.read())

 

补充：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。