05.爬虫---urllib与requests请求实战(GET)

GET请求
Python中的GET请求也是HTTP协议中的一种请求方法，用于向服务器请求数据。与POST请求不同，GET请求将数据以查询字符串的形式附加在URL后面，而不是封装在请求体中。通常情况下，GET请求用于向服务器请求某个资源，比如获取网页、图片、视频等。

1.Urllib模块

Urllib官方文档 https://docs.python.org/3/library/urllib.request.html
urllib是Python的标准库，用于发送HTTP请求和处理响应。它提供了urlopen、Request等函数和类来与网络资源进行交互。urllib能够处理的基本请求包括GET、POST、PUT、DELETE等，同时也支持设置请求头、请求体、处理cookies等高级功能，但其API相对较为底层，使用起来比较繁琐。urllib在处理请求时，如果发生错误，可以通过urllib.error模块来捕获异常。
内置4个模块:

• request: http的请求模块,传入UPL及额外的参数，就模拟发送请求
• error 异常处理模块，确保程序不会意外终止
• parse ： 一个工具模块，提供了许多URL处理方法。
• robotparser ： 用来识别robots.txt文件，判断那些网站可以爬

使用示例:
urllib 是 python 内置模块 无需安装，直接引用即可:

import urllib.request

# 发送GET请求
response = urllib.request.urlopen('https://www.baidu.com')
data = response.read()
print(data.decode('utf-8'))

2.Requests模块

Requests 官方文档 https://docs.python-requests.org/

Requests是一个第三方库，提供了一个更简洁、易用的API来发送HTTP请求。它内置了丰富功能，如会话对象、请求重定向、SSL验证、代理支持等，使得它成为了一个非常流行的网络请求库。Requests的API设计遵循了Pythonic原则，使得它更加容易学习和使用。其性能通常比urllib好，因为它提供了连接池管理、会话对象复用等优化措施
Requests是一个第三方库 首先需要安装requests模块 点击终端，输入

pip install requests

如果安装 慢 的话可以通过 镜像源安装 镜像源可参考 8个国内镜像源

pip install requests -i https://mirrors.aliyun.com/pypi/simple/

使用示例:

import requests

# 发送GET请求
response = requests.get('https://www.baidu.com')
print(response.text)

3.对比

特性	urllib	Requests
安装	无需安装，Python自带	需要安装，pip install requests
设计	较底层，需要手动处理更多细节	高阶，提供完整请求方法
功能	基本请求、cookies处理等	全面，包括会话管理、请求重定向等
性能	一般	较好，因为有连接池等优化
易用性	较难上手	易于上手和学习

4.实战

以 https://movie.douban.com/ 为例

• urllib GET 请求

import urllib.request

# 发送GET请求
response = urllib.request.urlopen('https://movie.douban.com/')
data = response.read()
print(data.decode('utf-8'))

# 发送POST请求
data = {'key': 'value'}
response = urllib.request.urlopen('https://www.baidu.com', data=data)
print(response.read().decode('utf-8'))

喔霍，没有想象中的顺利，报错了 urllib.error.HTTPError: HTTP Error 418:

可参考 HTTP响应状态码一览表

HTTP状态码418是一个非标准的HTTP状态码，被定义为"I’m a teapot"（我是一个茶壶）。这个状态码源自1998年的一个愚人节笑话，被写入了RFC 2324，Hyper Text Coffee Pot Control Protocol（超文本咖啡壶控制协议）。在实际的Web开发中，有些网站可能会使用这个状态码作为反爬虫策略的一部分。当服务器返回418状态码时，可能是因为服务器认为你的请求是一个爬虫，而不是一个正常的用户请求。

解决方法：

1. 修改你的请求头，使其看起来更像一个正常的用户（也就是模拟浏览器去发出请求）。

请求头对爬虫来说，就好像一个面具，去模仿人去浏览网站，就不会被网站发现，也可以理解为打开网站的钥匙，上面我们知道，数据在链接中，但是我们申请后，返回状态码是418，请求失败，所有我们现在戴上面具，或者说，拿着钥匙再去申请，看看能不能成功打开。

• 定义一个确定的User-Agent

req.add_header("User-Agent","Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/49.0.2623.221 Safari/537.36 SE 2.X MetaSr 1.0")

打开电脑浏览器----》审查元素—》网络—》点开一个请求—》User-Agent

• 随机User-Agent

from fake_useragent import UserAgent
req.add_header('User-Agent',UserAgent().chrome)

2. 如果网站使用了cookie来跟踪用户，你可能需要在你的爬虫中处理cookie。（设置了User-Agent还未解决的情况下考虑这种情况）
3. 有些网站可能会检查请求之间的时间间隔，如果请求过于频繁，可能会被认为是爬虫。在这种情况下，你可以在你的请求之间添加一些延迟。

time.sleep(random.uniform(0, 0.02))#具体时间可以自行测试

设置请求头后能正常访问的代码:

from urllib import request

url = 'https://movie.douban.com/'
headers = {
    'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/114.0.5735.289 Safari/537.36'
}
req = request.Request(url=url, data=None, headers=headers)
response = request.urlopen(req)
print(response.read().decode('utf-8'))

结果:

• requests GET 请求

import requests
url = 'https://movie.douban.com/'
headers = {
    'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/114.0.5735.289 Safari/537.36'
}
#发送GET请求
response = requests.get(url, headers=headers)
print(response.text)

只是用法不同，结果返回是一样的 如上图所示