官方文档链接:https://docs.python.org/3/library/urllib.html
首先,了解一下urllib库,它是Python内置的HTTP请求库,也就是说不需要额外安装即可使用。它包含如下4个模块。
request
:它是最基本的HTTP请求模块,可以用来模拟发送请求。只需要给库方法传入URL以及额外的参数,就可以模拟实现请求过程了。error
:异常处理模块,如果出现请求错误,我们可以捕获这些异常,然后进行修正。parse
:一个工具模块,提供了许多URL处理方法,比如拆分、解析、合并等。robotparser
:主要是用来识别网站的robots.txt文件,判断哪些网站可以爬哪些网站不可以爬,其实用得比较少。
这里重点讲解一下前3个模块。
request
使用urllib的request
模块,我们可以方便地实现请求的发送并得到响应
1.urlopen()
urllib.request
模块提供了最基本的构造HTTP请求的方法,利用它可以模拟浏览器的一个请求发起过程,同时它还带有处理授权验证(authenticaton)、重定向(redirection)、浏览器Cookies以及其他内容。
import urllib.request
response = urllib.request.urlopen('https://www.python.org')
print(response.read().decode('utf-8'))
这里我们只用了两行代码,便完成了Python官网的抓取,输出了网页的源代码。
得到源代码之后呢?我们想要的链接、图片地址、文本信息不就都可以提取出来了吗?
response返回的是一个HTTPResposne
类型的对象。它主要包含read()
、readinto()
、getheader(name)
、getheaders()
、fileno()
等方法,以及msg
、version
、status
、reason
、debuglevel
、closed
等属性。得到这个对象之后,我们把它赋值为response
变量,然后就可以调用这些方法和属性,得到返回结果的一系列信息了。例如,调用read()
方法可以得到返回的网页内容,调用status
属性可以得到返回结果的状态码。
利用最基本的urlopen()
方法,可以完成最基本的简单网页的GET请求抓取。
如果想给链接传递一些参数,该怎么实现呢?首先看一下urlopen()
函数的API:
urllib.request.urlopen(url, data=None, [timeout,]*,cafile=None,capath=None,cadefault=False, context=None)
下面我们详细说明下这几个参数的用法。data
参数是可选的。如果要添加该参数,并且如果它是字节流编码格式的内容,即bytes
类型,则需要通过bytes()
方法转化。另外,如果传递了这个参数,则它的请求方式就不再是GET方式,而是POST方式。timeout
参数用于设置超时时间,单位为秒,意思就是如果请求超出了设置的这个时间,还没有得到响应,就会抛出异常。如果不指定该参数,就会使用全局默认时间。它支持HTTP、HTTPS、FTP请求。context
参数,它必须是ssl.SSLContext
类型,用来指定SSL设置。cafile
和capath
这两个参数分别指定CA证书和它的路径,这个在请求HTTPS链接时会有用。cadefault
参数现在已经弃用了,其默认值为False
。
2.Request
我们知道利用urlopen()
方法可以实现最基本请求的发起,但这几个简单的参数并不足以构建一个完整的请求。如果请求中需要加入Headers等信息,就可以利用更强大的Request
类来构建。
我们依然用urlopen()
方法来发送请求,只不过这次的参数不再是URL,而是一个Request
类型的对象。通过构造这个数据结构,一方面我们可以将请求独立成一个对象,另一方面可更加丰富和灵活地配置参数。
Request
的构造方法如下:
class urllib.request.Request(url, data=None, headers={}, origin_req_host=None, unverifiable=False, method=None)
url
用于请求URL,这是必传参数,其他都是可选参数。data
如果要传,必须传bytes
(字节流)类型的。如果它是字典,可以先用urllib.parse
模块里的urlencode()
编码。headers
是一个字典,它就是请求头,我们可以在构造请求时通过headers
参数直接构造,也可以通过调用请求实例add_header()
方法添加。添加请求头最常用的用法就是通过修改
User-Agent
来伪装浏览器,默认的User-Agent
是Python-urllib,我们可以通过修改它来伪装浏览器。origin_req_host
指的是请求方的host名称或者IP地址。unverifiable
表示这个请求是否是无法验证的,默认是False
,意思就是说用户没有足够权限来选择接收这个请求的结果。例如,我们请求一个HTML文档中的图片,但是我们没有自动抓取图像的权限,这时unverifiable的值就是
True`。method
是一个字符串,用来指示请求使用的方法,比如GET、POST和PUT等。
下面我们传入多个参数构建请求来看一下:
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'))
这里我们通过4个参数构造了一个请求,其中url
即请求URL,headers
中指定了User-Agent
和Host
,参数data
用urlencode()
和bytes()
方法转成字节流。另外,指定了请求方式为POST。
3. 高级用法
在上面的过程中,我们虽然可以构造请求,但是对于一些更高级的操作(比如Cookies处理、代理设置等),我们该怎么办呢?
接下来,就需要更强大的工具Handler登场了。简而言之,我们可以把它理解为各种处理器,有专门处理登录验证的,有处理Cookies的,有处理代理设置的。利用它们,我们几乎可以做到HTTP请求中所有的事情。
首先,介绍一下urllib.request
模块里的BaseHandler
类,它是所有其他Handler
的父类,它提供了最基本的方法,例如default_open()
、protocol_request()
等。
接下来,就有各种Handler
子类继承这个BaseHandler
类,举例如下。
HTTPDefaultErrorHandler
:用于处理HTTP响应错误,错误都会抛出HTTPError
类型的异常。HTTPRedirectHandler
:用于处理重定向。HTTPCookieProcessor
:用于处理Cookies。ProxyHandler
:用于设置代理,默认代理为空。HTTPPasswordMgr
:用于管理密码,它维护了用户名和密码的表。HTTPBasicAuthHandler
:用于管理认证,如果一个链接打开时需要认证,那么可以用它来解决认证问题。
另外,还有其他的Handler
类,这里就不一一列举了,详情可以参考官方文档:https://docs.python.org/3/library/urllib.request.html#urllib.request.BaseHandler。
另一个比较重要的类就是OpenerDirector
,我们可以称为Opener
。我们之前用过urlopen()
这个方法,实际上它就是urllib为我们提供的一个Opener
。为什么要引入Opener
呢?因为需要实现更高级的功能。之前使用的Request
和urlopen()
相当于类库为你封装好了极其常用的请求方法,利用它们可以完成基本的请求,但是现在不一样了,我们需要实现更高级的功能,所以需要深入一层进行配置,使用更底层的实例来完成操作,所以这里就用到了Opener
。
Opener
可以使用open()
方法,返回的类型和urlopen()
如出一辙。那么,它和Handler
有什么关系呢?简而言之,就是利用Handler
来构建Opener
。
下面用几个实例来看看它们的用法。
验证
有些网站在打开时就会弹出提示框,直接提示你输入用户名和密码,验证成功后才能查看页面。
如果要请求这样的页面,借助HTTPBasicAuthHandler
就可以完成,相关代码如下:
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)
这里首先实例化HTTPBasicAuthHandler
对象,其参数是HTTPPasswordMgrWithDefaultRealm
对象,它利用add_password()
添加进去用户名和密码,这样就建立了一个处理验证的Handler
。
接下来,利用这个Handler
并使用build_opener()
方法构建一个Opener
,这个Opener
在发送请求时就相当于已经验证成功了。
接下来,利用Opener
的open()
方法打开链接,就可以完成验证了。
代理
在做爬虫的时候,免不了要使用代理,如果要添加代理,可以这样做:
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)
这里我们在本地搭建了一个代理,它运行在9743端口上。
这里使用了ProxyHandler
,其参数是一个字典,键名是协议类型(比如HTTP或者HTTPS等),键值是代理链接,可以添加多个代理。
然后,利用这个Handler及build_opener()
方法构造一个Opener
,之后发送请求即可。
Cookies
Cookies的处理就需要相关的Handler
了。我们先用实例来看看怎样将网站的Cookies获取下来,相关代码如下:
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,我们必须声明一个CookieJar
对象。接下来,就需要利用HTTPCookieProcessor
来构建一个Handler
,最后利用build_opener()
方法构建出Opener
,执行open()
函数即可。
如果我们想输出成文件格式呢?我们知道Cookies实际上也是以文本形式保存的。这时CookieJar
就需要换成MozillaCookieJar
,它在生成文件时会用到,是CookieJar
的子类,可以用来处理Cookies和文件相关的事件,比如读取和保存Cookies,可以将Cookies保存成Mozilla型浏览器的Cookies格式。
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)
另外,LWPCookieJar
同样可以读取和保存Cookies,但是保存的格式和MozillaCookieJar
不一样,它会保存成libwww-perl(LWP)格式的Cookies文件。要保存成LWP格式的Cookies文件,可以在声明时就改为:
cookie = http.cookiejar.LWPCookieJar(filename)
那么,生成了Cookies文件后,怎样从文件中读取并利用呢?
下面我们以LWPCookieJar
格式为例来看一下:
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,这里调用load()
方法来读取本地的Cookies文件,获取到了Cookies的内容。不过前提是我们首先生成了LWPCookieJar格式的Cookies,并保存成文件,然后读取Cookies之后使用同样的方法构建Handler和Opener即可完成操作。