Python3爬蟲發(fā)送請求的知識點實例
使用urllib的request模塊，我們可以方便地實現(xiàn)請求的發(fā)送并得到響應，本節(jié)就來看下它的具體用法。
1. urlopen()
urllib.request模塊提供了最基本的構造HTTP請求的方法，利用它可以模擬瀏覽器的一個請求發(fā)起過程，同時它還帶有處理授權驗證（authenticaton）、重定向（redirection)、瀏覽器Cookies以及其他內(nèi)容。
下面我們來看一下它的強大之處。這里以Python官網(wǎng)為例，我們來把這個網(wǎng)頁抓下來：
import urllib.request
response = urllib.request.urlopen('https://www.python.org')
print(response.read().decode('utf-8'))
運行結果如圖3-1所示。
這里我們只用了兩行代碼，便完成了Python官網(wǎng)的抓取，輸出了網(wǎng)頁的源代碼。得到源代碼之后呢？我們想要的鏈接、圖片地址、文本信息不就都可以提取出來了嗎？
接下來，看看它返回的到底是什么。利用type()方法輸出響應的類型：
import urllib.request
response = urllib.request.urlopen('https://www.python.org')
print(type(response))
輸出結果如下：
<class 'http.client.HTTPResponse'>
可以發(fā)現(xiàn)，它是一個HTTPResposne類型的對象。它主要包含read()、readinto()、getheader(name)、getheaders()、fileno()等方法，以及msg、version、status、reason、debuglevel、closed等屬性。
得到這個對象之后，我們把它賦值為response變量，然后就可以調(diào)用這些方法和屬性，得到返回結果的一系列信息了。
例如，調(diào)用read()方法可以得到返回的網(wǎng)頁內(nèi)容，調(diào)用status屬性可以得到返回結果的狀態(tài)碼，如200代表請求成功，404代表網(wǎng)頁未找到等。
下面再通過一個實例來看看：
import urllib.request
response = urllib.request.urlopen('https://www.python.org')
print(response.status)
print(response.getheaders())
print(response.getheader('Server'))
運行結果如下：
200
[('Server', 'nginx'), ('Content-Type', 'text/html; charset=utf-8'), ('X-Frame-Options', 'SAMEORIGIN'),
('X-Clacks-Overhead', 'GNU Terry Pratchett'), ('Content-Length', '47397'), ('Accept-Ranges', 'bytes'),
('Date', 'Mon, 01 Aug 2016 09:57:31 GMT'), ('Via', '1.1 varnish'), ('Age', '2473'), ('Connection', 'close'),
('X-Served-By', 'cache-lcy1125-LCY'), ('X-Cache', 'HIT'), ('X-Cache-Hits', '23'), ('Vary', 'Cookie'),
('Strict-Transport-Security', 'max-age=63072000; includeSubDomains')]
nginx
可見，前兩個輸出分別輸出了響應的狀態(tài)碼和響應的頭信息，最后一個輸出通過調(diào)用getheader()方法并傳遞一個參數(shù)Server獲取了響應頭中的Server值，結果是nginx，意思是服務器是用Nginx搭建的。
利用最基本的urlopen()方法，可以完成最基本的簡單網(wǎng)頁的GET請求抓取。
如果想給鏈接傳遞一些參數(shù)，該怎么實現(xiàn)呢？首先看一下urlopen()函數(shù)的API：
urllib.request.urlopen(url, data=None, [timeout, ]*, cafile=None, capath=None, cadefault=False, context=None)
可以發(fā)現(xiàn)，除了第一個參數(shù)可以傳遞URL之外，我們還可以傳遞其他內(nèi)容，比如data（附加數(shù)據(jù)）、timeout（超時時間）等。
下面我們詳細說明下這幾個參數(shù)的用法。
data參數(shù)
data參數(shù)是可選的。如果要添加該參數(shù)，并且如果它是字節(jié)流編碼格式的內(nèi)容，即bytes類型，則需要通過bytes()方法轉化。另外，如果傳遞了這個參數(shù)，則它的請求方式就不再是GET方式，而是POST方式。
下面用實例來看一下：
import urllib.parse
import urllib.request
data = bytes(urllib.parse.urlencode({'word': 'hello'}), encoding='utf8')
response = urllib.request.urlopen('http://httpbin.org/post', data=data)
print(response.read())
這里我們傳遞了一個參數(shù)word，值是hello。它需要被轉碼成bytes（字節(jié)流）類型。其中轉字節(jié)流采用了bytes()方法，該方法的第一個參數(shù)需要是str（字符串）類型，需要用urllib.parse模塊里的urlencode()方法來將參數(shù)字典轉化為字符串；第二個參數(shù)指定編碼格式，這里指定為utf8。
這里請求的站點是httpbin.org，它可以提供HTTP請求測試。本次我們請求的URL為http://httpbin.org/post，這個鏈接可以用來測試POST請求，它可以輸出請求的一些信息，其中包含我們傳遞的data參數(shù)。
運行結果如下：
{
"args": {},
"data": "",
"files": {},
"form": {
"word": "hello"
},
"headers": {
"Accept-Encoding": "identity",
"Content-Length": "10",
"Content-Type": "application/x-www-form-urlencoded",
"Host": "httpbin.org",
"User-Agent": "Python-urllib/3.5"
},
"json": null,
"origin": "123.124.23.253",
"url": "http://httpbin.org/post"
}
我們傳遞的參數(shù)出現(xiàn)在了form字段中，這表明是模擬了表單提交的方式，以POST方式傳輸數(shù)據(jù)。
timeout參數(shù)
timeout參數(shù)用于設置超時時間，單位為秒，意思就是如果請求超出了設置的這個時間，還沒有得到響應，就會拋出異常。如果不指定該參數(shù)，就會使用全局默認時間。它支持HTTP、HTTPS、FTP請求。
下面用實例來看一下：
import urllib.request
response = urllib.request.urlopen('http://httpbin.org/get', timeout=1)
print(response.read())
運行結果如下：
During handling of the above exception, another exception occurred:
Traceback (most recent call last): File "/var/py/python/urllibtest.py", line 4, in <module> response = urllib.
request.urlopen('http://httpbin.org/get', timeout=1)
...
urllib.error.URLError: <urlopen error timed out>
這里我們設置超時時間是1秒。程序1秒過后，服務器依然沒有響應，于是拋出了URLError異常。該異常屬于urllib.error模塊，錯誤原因是超時。
因此，可以通過設置這個超時時間來控制一個網(wǎng)頁如果長時間未響應，就跳過它的抓取。這可以利用try except語句來實現(xiàn)，相關代碼如下：
import socket
import urllib.request
import urllib.error
try:
response = urllib.request.urlopen('http://httpbin.org/get', timeout=0.1)
except urllib.error.URLError as e:
if isinstance(e.reason, socket.timeout):
print('TIME OUT')
這里我們請求了http://httpbin.org/get測試鏈接，設置超時時間是0.1秒，然后捕獲了URLError異常，接著判斷異常是socket.timeout類型（意思就是超時異常），從而得出它確實是因為超時而報錯，打印輸出了TIME OUT。
運行結果如下：
TIME OUT
按照常理來說，0.1秒內(nèi)基本不可能得到服務器響應，因此輸出了TIME OUT的提示。
通過設置timeout這個參數(shù)來實現(xiàn)超時處理，有時還是很有用的。
其他參數(shù)
除了data參數(shù)和timeout參數(shù)外，還有context參數(shù)，它必須是ssl.SSLContext類型，用來指定SSL設置。
此外，cafile和capath這兩個參數(shù)分別指定CA證書和它的路徑，這個在請求HTTPS鏈接時會有用。
cadefault參數(shù)現(xiàn)在已經(jīng)棄用了，其默認值為False。
前面講解了urlopen()方法的用法，通過這個最基本的方法，我們可以完成簡單的請求和網(wǎng)頁抓取。若需更加詳細的信息，可以參見官方文檔：https://docs.python.org/3/library/urllib.request.html。
2. Request
我們知道利用urlopen()方法可以實現(xiàn)最基本請求的發(fā)起，但這幾個簡單的參數(shù)并不足以構建一個完整的請求。如果請求中需要加入Headers等信息，就可以利用更強大的Request類來構建。
首先，我們用實例來感受一下Request的用法：
import urllib.request
request = urllib.request.Request('https://python.org')
response = urllib.request.urlopen(request)
print(response.read().decode('utf-8'))
可以發(fā)現(xiàn)，我們依然是用urlopen()方法來發(fā)送這個請求，只不過這次該方法的參數(shù)不再是URL，而是一個Request類型的對象。通過構造這個數(shù)據(jù)結構，一方面我們可以將請求獨立成一個對象，另一方面可更加豐富和靈活地配置參數(shù)。
下面我們看一下Request可以通過怎樣的參數(shù)來構造，它的構造方法如下：
class urllib.request.Request(url, data=None, headers={}, origin_req_host=None, unverifiable=False, method=None)
第一個參數(shù)url用于請求URL，這是必傳參數(shù)，其他都是可選參數(shù)。
第二個參數(shù)data如果要傳，必須傳bytes（字節(jié)流）類型的。如果它是字典，可以先用urllib.parse模塊里的urlencode()編碼。
第三個參數(shù)headers是一個字典，它就是請求頭，我們可以在構造請求時通過headers參數(shù)直接構造，也可以通過調(diào)用請求實例的add_header()方法添加。
添加請求頭最常用的用法就是通過修改User-Agent來偽裝瀏覽器，默認的User-Agent是Python-urllib，我們可以通過修改它來偽裝瀏覽器。比如要偽裝火狐瀏覽器，你可以把它設置為：
Mozilla/5.0 (X11; U; Linux i686) Gecko/20071127 Firefox/2.0.0.11
第四個參數(shù)origin_req_host指的是請求方的host名稱或者IP地址。
第五個參數(shù)unverifiable表示這個請求是否是無法驗證的，默認是False，意思就是說用戶沒有足夠權限來選擇接收這個請求的結果。例如，我們請求一個HTML文檔中的圖片，但是我們沒有自動抓取圖像的權限，這時unverifiable的值就是True`。
第六個參數(shù)method是一個字符串，用來指示請求使用的方法，比如GET、POST和PUT等。
下面我們傳入多個參數(shù)構建請求來看一下：
from urllib import request, parse
url = 'http://httpbin.org/post'
headers = {
'User-Agent': 'Mozilla/4.0 (compatible; MSIE 5.5; Windows NT)',
'Host': 'httpbin.org'
}
dict = {
'name': 'Germey'
}
data = bytes(parse.urlencode(dict), encoding='utf8')
req = request.Request(url=url, data=data, headers=headers, method='POST')
response = request.urlopen(req)
print(response.read().decode('utf-8'))
這里我們通過4個參數(shù)構造了一個請求，其中url即請求URL，headers中指定了User-Agent和Host，參數(shù)data用urlencode()和bytes()方法轉成字節(jié)流。另外，指定了請求方式為POST。
運行結果如下：
{
"args": {},
"data": "",
"files": {},
"form": {
"name": "Germey"
},
"headers": {
"Accept-Encoding": "identity",
"Content-Length": "11",
"Content-Type": "application/x-www-form-urlencoded",
"Host": "httpbin.org",
"User-Agent": "Mozilla/4.0 (compatible; MSIE 5.5; Windows NT)"
},
"json": null,
"origin": "219.224.169.11",
"url": "http://httpbin.org/post"
}
觀察結果可以發(fā)現(xiàn)，我們成功設置了data、headers和method。
另外，headers也可以用add_header()方法來添加：
req = request.Request(url=url, data=data, method='POST')
req.add_header('User-Agent', 'Mozilla/4.0 (compatible; MSIE 5.5; Windows NT)')
如此一來，我們就可以更加方便地構造請求，實現(xiàn)請求的發(fā)送啦。
3. 高級用法
在上面的過程中，我們雖然可以構造請求，但是對于一些更高級的操作（比如Cookies處理、代理設置等），我們該怎么辦呢？
接下來，就需要更強大的工具Handler登場了。簡而言之，我們可以把它理解為各種處理器，有專門處理登錄驗證的，有處理Cookies的，有處理代理設置的。利用它們，我們幾乎可以做到HTTP請求中所有的事情。
首先，介紹一下urllib.request模塊里的BaseHandler類，它是所有其他Handler的父類，它提供了最基本的方法，例如default_open()、protocol_request()等。
接下來，就有各種Handler子類繼承這個BaseHandler類，舉例如下。
HTTPDefaultErrorHandler：用于處理HTTP響應錯誤，錯誤都會拋出HTTPError類型的異常。
HTTPRedirectHandler：用于處理重定向。
HTTPCookieProcessor：用于處理Cookies。
ProxyHandler：用于設置代理，默認代理為空。
HTTPPasswordMgr：用于管理密碼，它維護了用戶名和密碼的表。
HTTPBasicAuthHandler：用于管理認證，如果一個鏈接打開時需要認證，那么可以用它來解決認證問題。
另外，還有其他的Handler類，這里就不一一列舉了，詳情可以參考官方文檔：https://docs.python.org/3/library/urllib.request.html#urllib.request.BaseHandler。
關于怎么使用它們，現(xiàn)在先不用著急，后面會有實例演示。
另一個比較重要的類就是OpenerDirector，我們可以稱為Opener。我們之前用過urlopen()這個方法，實際上它就是urllib為我們提供的一個Opener。
那么，為什么要引入Opener呢？因為需要實現(xiàn)更高級的功能。之前使用的Request和urlopen()相當于類庫為你封裝好了極其常用的請求方法，利用它們可以完成基本的請求，但是現(xiàn)在不一樣了，我們需要實現(xiàn)更高級的功能，所以需要深入一層進行配置，使用更底層的實例來完成操作，所以這里就用到了Opener。
Opener可以使用open()方法，返回的類型和urlopen()如出一轍。那么，它和Handler有什么關系呢？簡而言之，就是利用Handler來構建Opener。
下面用幾個實例來看看它們的用法。
驗證
有些網(wǎng)站在打開時就會彈出提示框，直接提示你輸入用戶名和密碼，驗證成功后才能查看頁面，如圖3-2所示。
圖3-2 驗證頁面
那么，如果要請求這樣的頁面，該怎么辦呢？借助HTTPBasicAuthHandler就可以完成，相關代碼如下：
from urllib.request import HTTPPasswordMgrWithDefaultRealm, HTTPBasicAuthHandler, build_opener
from urllib.error import URLError
username = 'username'
password = 'password'
url = 'http://localhost:5000/'
p = HTTPPasswordMgrWithDefaultRealm()
p.add_password(None, url, username, password)
auth_handler = HTTPBasicAuthHandler(p)
opener = build_opener(auth_handler)
try:
result = opener.open(url)
html = result.read().decode('utf-8')
print(html)
except URLError as e:
print(e.reason)
這里首先實例化HTTPBasicAuthHandler對象，其參數(shù)是HTTPPasswordMgrWithDefaultRealm對象，它利用add_password()添加進去用戶名和密碼，這樣就建立了一個處理驗證的Handler。
接下來，利用這個Handler并使用build_opener()方法構建一個Opener，這個Opener在發(fā)送請求時就相當于已經(jīng)驗證成功了。
接下來，利用Opener的open()方法打開鏈接，就可以完成驗證了。這里獲取到的結果就是驗證后的頁面源碼內(nèi)容。
代理
在做爬蟲的時候，免不了要使用代理，如果要添加代理，可以這樣做：
from urllib.error import URLError
from urllib.request import ProxyHandler, build_opener
proxy_handler = ProxyHandler({
'http': 'http://127.0.0.1:9743',
'https': 'https://127.0.0.1:9743'
})
opener = build_opener(proxy_handler)
try:
response = opener.open('https://www.baidu.com')
print(response.read().decode('utf-8'))
except URLError as e:
print(e.reason)
這里我們在本地搭建了一個代理，它運行在9743端口上。
這里使用了ProxyHandler，其參數(shù)是一個字典，鍵名是協(xié)議類型（比如HTTP或者HTTPS等），鍵值是代理鏈接，可以添加多個代理。
然后，利用這個Handler及build_opener()方法構造一個Opener，之后發(fā)送請求即可。
Cookies
Cookies的處理就需要相關的Handler了。
我們先用實例來看看怎樣將網(wǎng)站的Cookies獲取下來，相關代碼如下：
import http.cookiejar, urllib.request
cookie = http.cookiejar.CookieJar()
handler = urllib.request.HTTPCookieProcessor(cookie)
opener = urllib.request.build_opener(handler)
response = opener.open('http://www.baidu.com')
for item in cookie:
print(item.name+"="+item.value)
首先，我們必須聲明一個CookieJar對象。接下來，就需要利用HTTPCookieProcessor來構建一個Handler，最后利用build_opener()方法構建出Opener，執(zhí)行open()函數(shù)即可。
運行結果如下：
BAIDUID=2E65A683F8A8BA3DF521469DF8EFF1E1:FG=1 BIDUPSID=2E65A683F8A8BA3DF521469DF8EFF1E1 H_PS_PSSID=20987_1421_18282_17949_21122_17001_21227_21189_21161_20927 PSTM=1474900615 BDSVRTM=0 BD_HOME=0
可以看到，這里輸出了每條Cookie的名稱和值。
不過既然能輸出，那可不可以輸出成文件格式呢？我們知道Cookies實際上也是以文本形式保存的。
答案當然是肯定的，這里通過下面的實例來看看：
filename = 'cookies.txt'
cookie = http.cookiejar.MozillaCookieJar(filename)
handler = urllib.request.HTTPCookieProcessor(cookie)
opener = urllib.request.build_opener(handler)
response = opener.open('http://www.baidu.com')
cookie.save(ignore_discard=True, ignore_expires=True)
這時CookieJar就需要換成MozillaCookieJar，它在生成文件時會用到，是CookieJar的子類，可以用來處理Cookies和文件相關的事件，比如讀取和保存Cookies，可以將Cookies保存成Mozilla型瀏覽器的Cookies格式。
運行之后，可以發(fā)現(xiàn)生成了一個cookies.txt文件，其內(nèi)容如下：
# Netscape HTTP Cookie File # http://curl.haxx.se/rfc/cookie_spec.html # This is a generated file! Do not edit. .baidu.com TRUE / FALSE 3622386254 BAIDUID 05AE39B5F56C1DEC474325CDA5 22D44F:FG=1 .baidu.com TRUE / FALSE 3622386254 BIDUPSID 05AE39B5F56C1DEC474325CDA522D44F .baidu.com TRUE / FALSE H_PS_PSSID 19638_1453_17710_18240_21091_18560 _17001_21191_21161 .baidu.com TRUE / FALSE 3622386254 PSTM 1474902606 www.baidu.com FALSE / FALSE BDSVRTM 0 www.baidu.com FALSE / FALSE BD_HOME 0
另外，LWPCookieJar同樣可以讀取和保存Cookies，但是保存的格式和MozillaCookieJar不一樣，它會保存成libwww-perl(LWP)格式的Cookies文件。
要保存成LWP格式的Cookies文件，可以在聲明時就改為：
cookie = http.cookiejar.LWPCookieJar(filename)
此時生成的內(nèi)容如下：
#LWP-Cookies-2.0 Set-Cookie3: BAIDUID="0CE9C56F598E69DB375B7C294AE5C591:FG=1"; path="/"; domain=".baidu.com"; path_spec; domain_dot; expires="2084-10-14 18:25:19Z"; version=0 Set-Cookie3: BIDUPSID=0CE9C56F598E69DB375B7C294AE5C591; path="/"; domain=".baidu.com"; path_spec; domain_dot; expires="2084-10-14 18:25:19Z"; version=0 Set-Cookie3: H_PS_PSSID=20048_1448_18240_17944_21089_21192_21161_20929; path="/"; domain=".baidu.com"; path_spec; domain_dot; discard; version=0 Set-Cookie3: PSTM=1474902671; path="/"; domain=".baidu.com"; path_spec; domain_dot; expires="2084-10-14 18:25:19Z"; version=0 Set-Cookie3: BDSVRTM=0; path="/"; domain="www.baidu.com"; path_spec; discard; version=0 Set-Cookie3: BD_HOME=0; path="/"; domain="www.baidu.com"; path_spec; discard; version=0
由此看來，生成的格式還是有比較大差異的。
那么，生成了Cookies文件后，怎樣從文件中讀取并利用呢？
下面我們以LWPCookieJar格式為例來看一下：
cookie = http.cookiejar.LWPCookieJar()
cookie.load('cookies.txt', ignore_discard=True, ignore_expires=True)
handler = urllib.request.HTTPCookieProcessor(cookie)
opener = urllib.request.build_opener(handler)
response = opener.open('http://www.baidu.com')
print(response.read().decode('utf-8'))
可以看到，這里調(diào)用load()方法來讀取本地的Cookies文件，獲取到了Cookies的內(nèi)容。不過前提是我們首先生成了LWPCookieJar格式的Cookies，并保存成文件，然后讀取Cookies之后使用同樣的方法構建Handler和Opener即可完成操作。
運行結果正常的話，會輸出百度網(wǎng)頁的源代碼。
通過上面的方法，我們可以實現(xiàn)絕大多數(shù)請求功能的設置了。
這便是urllib庫中request模塊的基本用法，如果想實現(xiàn)更多的功能，可以參考官方文檔的說明：https://docs.python.org/3/library/urllib.request.html#basehandler-objects。
到此這篇關于Python3爬蟲發(fā)送請求的知識點實例的文章就介紹到這了,更多相關Python3爬蟲發(fā)送請求內(nèi)容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關文章希望大家以后多多支持腳本之家！
相關文章
Python統(tǒng)計文本詞匯出現(xiàn)次數(shù)的實例代碼
這篇文章主要介紹了Python統(tǒng)計文本詞匯出現(xiàn)次數(shù)，這種問題在統(tǒng)計文本詞匯的次數(shù)時經(jīng)常會遇到，今天給大家分享解決方案，通過實例代碼給大家講解,需要的朋友可以參考下2020-02-02
枚舉（Enum）是一種有助于提高代碼可讀性和可維護性的數(shù)據(jù)類型,允許我們?yōu)橐唤M相關的常量賦予有意義的名字,在Python中,枚舉類（Enum）提供了一種簡潔而強大的方式來定義和使用枚舉2023-11-11
這篇文章主要為大家介紹了python調(diào)用matlab，具有一定的參考價值，感興趣的小伙伴們可以參考一下，希望能夠給你帶來幫助2021-11-11
arcgis使用Python腳本進行批量截圖功能實現(xiàn)
最近公司數(shù)據(jù)部那邊有個需求，需要結合矢量數(shù)據(jù)和影像數(shù)據(jù)，進行批量截圖，并且截圖中只能有一個圖斑，還要添加上相應的水印，這篇文章主要介紹了arcgis使用Python腳本進行批量截圖,需要的朋友可以參考下2023-01-01
Pandas 中的多級索引是一種強大的工具,用于處理具有多個維度或層次的數(shù)據(jù),本文主要介紹了Pandas多級索引的實現(xiàn)示例,具有一定的參考價值,感興趣的可以了解一下2024-01-01
Scrapy是純python實現(xiàn)的一個為了爬取網(wǎng)站數(shù)據(jù)、提取結構性數(shù)據(jù)而編寫的應用框架。這篇文章主要介紹了Python爬蟲框架-scrapy的使用,需要的朋友可以參考下2021-04-04
Python實現(xiàn)定時備份mysql數(shù)據(jù)庫并把備份數(shù)據(jù)庫郵件發(fā)送
這篇文章主要介紹了Python實現(xiàn)定時備份mysql數(shù)據(jù)庫并把備份數(shù)據(jù)庫郵件發(fā)送的相關資料,需要的朋友可以參考下2018-03-03
這篇文章主要為大家詳細介紹了如何基于 Python編寫一個tkinter 和 pyserial 的串口調(diào)試工具,可以方便地進行串口通信的設置等操作,感興趣的小伙伴可以了解下2025-02-02
Google colab中從kaggle中接入數(shù)據(jù)的操作方法
這篇文章主要介紹了Google colab中如何從kaggle中接入數(shù)據(jù),本文涉及到兩大平臺內(nèi)容,所以我默認你已經(jīng)擁有了,并且使用過了一段時間的google賬號和kaggle賬號,需要的朋友可以參考下2024-03-03
python?sklearn數(shù)據(jù)預處理之數(shù)據(jù)縮放詳解
數(shù)據(jù)的預處理是數(shù)據(jù)分析,或者機器學習訓練前的重要步驟,這篇文章主要為大家詳細介紹了sklearn數(shù)據(jù)預處理中數(shù)據(jù)縮放的相關知識,感興趣的小伙伴可以學習一下2023-10-10