urllib库


urllib

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,向指定服务器发送一个请求,并可以保存服务器返回的数据。

urlopen 函数

在 Python3 的 urllib 库中,所有和网络相求相关的方法都被集成到 urlli.request 模块下了,urlopen 函数基本使用方法

from urllib import request
response = request.urlopen('http://www.baidu.com')
print(response.read())
  • url:请求的 url
  • data:请求的 data,如果设置了这个值,那么将变成 POST 请求
  • 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、getcode 等方法

实际上,使用浏览器访问百度,右键查看源代码,会发现和代码打印出来的数据是一模一样的。

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

// 以下代码可以将百度首页代码下载到本地
from urllib import request
request.urlretrieve('http://www.baidu.com', 'baidu.html')

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

from urllib import parse
data = ['name':'阿星Plus','age':25,]
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

form urllib import parse
qs = 'name=%E9%98%BF%E6%98%9FPlus&age=25'
print(parse.parse_qs(qs))

urlparse 和 urlsplit

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 urlsplit 来进行分割

form urllib import request,parse

url = 'https://www.baidu.com/s?wd=阿星Plus'

# 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,唯一不一样的是,urlparse 里面多了一个 params 属性,而 urlsplit 没有这个 params 属性。

request.Request 类

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

from urllib import request

headers = {
    'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/74.0.3729.131 Safari/537.36'
}
req = request.Request('http://www.baidu.com', headers=headers)
resp = request.urlopen(req)
print(resp.read()

ProxyHandler 处理器(设置代理)

  • 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
# 没有设置代理
resp = request.urlopen('http://httpbin.org/get')
print(resp.read().decode("utf-8"))

# 设置代理
handler = request.ProxyHandler({"http":"132.232.126.92"})
opener = request.build_opener(handler)
req = request.Request('http://httpbin.org/ip')
resp = opener.open(req)
print(resp.read()

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并登录成功后,第二次请求服务器依然不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。

Set-Cookie: NAME=VALUE;Expires/Max-age=DATE;Path=PATH;Domain=DOMAIN_NAME;SECURE
  • NAME:cookie 的名字
  • VALUE:cookie 的值
  • Expires:cookie 的过期时间
  • Path:cookie 的作用路径
  • Domain:cookie 作用的域名
  • SECURE:是否只在 https 协议下起作用

使用 cookielib 库和 HTTPCookieProcessor 模拟登录

  • Cookie 是指网站服务器为了辨别用户身份和进行 Session 跟踪而储存在用户浏览器上的文本文件,Cookie 可以保持登录信息到用户下次与服务器的会话
  • 这里以人人网为例,人人网中,要访问某个人的主页,必须先登录才能访问,登录就是需要有 cookie 信息。解决方案有两种,第一种是使用浏览器访问,然后将 cookie 信息复制下来,放到 headers 中
from urllib import request
headers = {
    'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/74.0.3729.131 Safari/537.36',
    'Cookie': 'anonymid=jy8dyj742asuaj; depovince=SH; _r01_=1; JSESSIONID=abc_7R4FWXud3fWjCgeWw; ick_login=501ccd78-b0b4-4253-b815-9992020c05de; jebecookies=c50e000a-723a-4f2f-ad13-6371cf5b4a63|||||; _de=2A184C89A453DAE2ECD78F48F9B08787; p=8de679b3735cc2d3245b06d272bc08665; first_login_flag=1; ln_uact=13477996338; ln_hurl=http://head.xiaonei.com/photos/0/0/men_main.gif; t=28a3a7049b82d64a7ef87911c789ac0a5; societyguester=28a3a7049b82d64a7ef87911c789ac0a5; id=971368245; xnsid=fbe5d896; ver=7.0; loginfrom=null; jebe_key=cb9f1dc6-cf33-4933-87e6-3289dc7cf36a%7C8ddf4c90ebf64a7cc8163133aa871bf1%7C1563436919308%7C1%7C1563436918703; jebe_key=cb9f1dc6-cf33-4933-87e6-3289dc7cf36a%7C8ddf4c90ebf64a7cc8163133aa871bf1%7C1563436919308%7C1%7C1563436918708; wp_fold=0'
}

url = 'http://www.renren.com/971368245/profile'
req = request.Request(url, headers=headers)
resp = request.urlopen(req)
with open('renren.html', 'w') as fp:
    fp.write(resp.read().decode('utf-8'))

但是每次在访问需要 cookie 的页面都要从浏览器中复制 cookie 比较麻烦。在 Python 中处理 cookie,一般是通过 http.cookiejar 模块和 urllib 模块的 HTTPCookieProcessor 处理器类一起使用。http.cookiejar 模块主要作用是提供用于存储 cookie 的对象,而 HTTPCookieProcessor 处理器主要作用是处理这些 cookie 对象,并构建 handler 对象。

http.cookiejar 模块

该模块主要的类有 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 时支持延迟访问文件,既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,创建于 Mozilla 浏览器 cookies.txt 兼容的 FileCookieJar 实例
  • LWPCookieJar(filename,delayload=None,policy=None):从 FileCookieJar 派生而来,创建于 libwww-pert 标准的 Set-Cookie3 文件格式兼容的 FileCookieJar 实例

使用 http.cookiejar 和 request.HTTPCookieProcessor 模拟登录

from urllib import request,parse
from http.cookiejar import CookieJar
headers = {
    'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/74.0.3729.131 Safari/537.36'
}

def get_opener():
    cookiejar = CookieJar()
    handler = request.HTTPCookieProcessor(cookiejar)
    opener = request.build_opener(handler)
    return opener

def login_renren(opener):
    data = {"email": "", "password": ""}
    data = parse.urlencode(data).encode('utf-8')
    login_url = "http://www.renren.com/PLogin.do"
    req = request.Request(login_url, headers=headers, data=data)
    opener.open(req)

def visit_profile(opener):
    url = 'http://www.renren.com/971368245/profile'
    req = request.Request(url,headers=headers)
    resp = opener.open(req)
    with open('renren.html','w') as fp:
        fp.write(resp.read().decode("utf-8"))

if __name__ == '__main__':
    opener = get_opener()
    login_renren(opener)
    visit_profile(opener)

保存 cookie 到本地,可以使用 cookiejar 的 save 方法,并且需要指定一个文件名

from urllib import request
from http.cookiejar import MozillaCookieJar

headers = {
    'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/74.0.3729.131 Safari/537.36'
}

cookiejar = MozillaCookieJar('cookie.txt')
handler = request.HTTPCookieProcessor(cookiejar)
opener = request.build_opener(handler)

req = request.Request('http://httpbin.org/cookies',headers=headers)
resp = opener.open(req)
print(resp.read())
cookiejar.save(ignore_discard=True,ignore_expires=True)

从本地加载 cookie,需要使用 cookiejar 的 load 方法,并且也需要指定方法

from urllib import request
from http.cookiejar import MozillaCookieJar

headers = {
    'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/74.0.3729.131 Safari/537.36'
}

cookiejar = MozillaCookieJar("cookie.txt")
cookiejar.load(ignore_expires=True,ignore_discard=True)
handler = request.HTTPCookieProcessor(cookiejar)
opener = request.build_opener(handler)

req = request.Request('http://httpbin.org/cookies',headers=headers)
resp = opener.open(req)
print(resp.read())

文章作者: 阿星𝑷𝒍𝒖𝒔
版权声明: 本博客所有文章除特別声明外,均采用 CC BY 4.0 许可协议。转载请注明来源 阿星𝑷𝒍𝒖𝒔 !
评论
  目录