Python中的urllib库高级用法教程
作者：ZhiHuaWei
这篇文章主要介绍了Python中的urllib库高级用法教程,想要请求需要设置一些请求头,如果要在请求的时候增加一些请求头,那么就必须使用request.Request类来实现了,比如要增加一个 User-Agent ,增加一个 Referer 头信息等,需要的朋友可以参考下
综述
本系列文档用于对Python爬虫技术进行简单的教程讲解，巩固自己技术知识的同时，万一一不小心又正好对你有用那就更好了。
Python 版本是3.7.4
上篇文章介绍了urllib的基础使用方法本篇文章就来介绍一下urllib稍微高级一点的用法。
网上有很多的网站想要请求需要设置一些请求头，如果要在请求的时候增加一些请求头，那么就必须使用request.Request类来实现了，比如要增加一个 User-Agent ，增加一个 Referer 头信息等。
通常防止爬虫被反主要有以下几个策略：
- 动态设置请求头headers(User-Agent)（随机切换User-Agent，模拟不同用户的浏览器信息）
- 使用IP地址池：VPN和代理IP，现在大部分网站都是根据IP来ban的
- Cookies
- 设置延迟下载（防止访问过于频繁，设置为2秒或更高）要明白爬虫重要的是拿到数据(这个用到time库的time.sleep()方法，在这里不在说明)
设置请求头(urllib.request.Request)
urllib.request.Request是urllib的一个抽象类，用于构造一个http请求对象实例。 request类Request方法常用的内置方法：
- Request.add_data(data)设置data参数，如果一开始创建的时候没有给data参数，那么可以使用该方法追加data参数；
- Request.get_method() 返回HTTP请求方法，一般返回GET或是POST；
- Request.has_data() 查看是否设置了data参数；
- Request.get_data() 获取data参数的数据；
- Request.add_header(key, val) 添加头部信息，key为头域名，val为域值；
- Request.get_full_url() 获取请求的完整url；
- Request.get_host() 返回请求url的host（主域名）；
- Request.set_proxy(host, type) 设置代理，第一个参数是代理ip和端口，第二个参数是代理类型（http/https)。
代码示例
# 导入urllib库
import urllib.parse
import urllib.request
# 声明定义请求头
headers = {
# 在这个头字典里面可以将你所有需要传递的头添加进来
'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/70.0.3538.110 Safari/537.36'
}
# 向指定的url发送请求，并返回
post_url = 'https://fanyi.baidu.com/sug'
# 传入参数
form_data = {
'kw': 'honey'
}
# 格式化参数
form_data = urllib.parse.urlencode(form_data).encode()
# 创建Request类
req = urllib.request.Request(url=post_url, headers=headers, data=form_data)
# 进行请求，打印结果
ret = urllib.request.urlopen(req)
print(ret.read())
爬虫示例
爬取拉勾网Python职位招聘信息（由于拉勾网进行了防爬，访问其接口需要传递Cookie，本人直接在浏览器复制出来写入到请求头中的）。
# 引入urllib库
import urllib.parse
import urllib.request
# 声明定义请求头
headers = {
'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/70.0.3538.110 Safari/537.36',
'Referer': 'https://www.lagou.com/jobs/list_python?labelWords=&fromSearch=true&suginput=',
'Host': 'www.lagou.com',
'Origin': 'https://www.lagou.com',
'X-Requested-With': 'XMLHttpRequest',
'Cookie': '_ga=GA1.2.1158944803.1554684888; user_trace_token=20190408085447-e8216b55-5998-11e9-8cbc-5254005c3644; LGUID=20190408085447-e8216df3-5998-11e9-8cbc-5254005c3644; JSESSIONID=ABAAABAAAFCAAEG89414A0A463BB593A6FCB8B25161B297; WEBTJ-ID=20190803154150-16c566d76a7a71-0d0261dbc1a413-a7f1a3e-2073600-16c566d76a8664; _gid=GA1.2.646413362.1564818110; Hm_lvt_4233e74dff0ae5bd0a3d81c6ccf756e6=1564818110; LGSID=20190803154149-2746a012-b5c2-11e9-8700-525400f775ce; PRE_UTM=; PRE_HOST=www.baidu.com; PRE_SITE=https%3A%2F%2Fwww.baidu.com%2F; PRE_LAND=https%3A%2F%2Fwww.lagou.com%2F; index_location_city=%E5%85%A8%E5%9B%BD; X_HTTP_TOKEN=7b450c20fc1c8ebb1028184651d95c44e86182119a; Hm_lpvt_4233e74dff0ae5bd0a3d81c6ccf756e6=1564818202; _gat=1; LGRID=20190803154322-5e321a85-b5c2-11e9-8700-525400f775ce; TG-TRACK-CODE=index_search; SEARCH_ID=f2eeeba9273a435281d59597e5b8b7ba',
}
# 拉钩接口地址
url = 'https://www.lagou.com/jobs/positionAjax.json?needAddtionalResult=false'
# 接口参数
data = {
'first': 'true',
'pn': '1',
'kd': 'python'
}
from_data = urllib.parse.urlencode(data).encode()
# 声明定义Request类
req = urllib.request.Request(url=url, headers=headers, data=from_data)
# 请求接口，打印结果
res = urllib.request.urlopen(req)
print(res.read().decode())
使用代理(urllib.request.ProxyHandle)
很多网站会员检测某一时间内某个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，它就会禁止这个IP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。
基本原理
代理实际上指的就是代理服务器，它的功能是代理网络用户去取得网络信息。形象地说，它是网络信息的中转站。在我们正常请求一个网站时，其实是发送了请求给Web服务器，Web服务器把响应传回给我们。如果设置了代理服务器，实际上就是在本机和服务器之间搭建了一个桥，此时本机不是直接向Web服务器发起请求，而是向代理服务器发出请求，请求会发送给代理服务器，然后由代理服务器再发送给Web服务器，接着由代理服务器再把Web服务器返回的响应转发给本机。这样我们同样可以正常访问网页，但这个过程中Web服务器识别出的真实IP就不再是我们本机的IP了，就成功实现了IP伪装，这就是代理的基本原理。
作用
- 突破自身IP访问限制，访问一些平时不能访问的站点；
- 提高访问速度；
- 隐藏真实IP。
常用的代理
- 西刺代理 : https://www.xicidaili.com/
- 快代理 : https://www.kuaidaili.com/
- 云代理 : http://www.ip3366.net/
用法示例
# 引入所需要的库
import random
import urllib.request
# 声明定义代理服务器列表
proxy_list = [
{"http": "220.184.144.80:8060"},
{"http": "180.175.170.210:8060"},
{"http": "116.226.28.17:8060"},
{"http": "123.123.137.72:8060"},
{"http": "116.226.31.161:8060"}
]
# 随机选择一个代理
proxy = random.choice(proxy_list)
# 使用选择的代理构建代理处理器对象
http_proxy_handler = urllib.request.ProxyHandler(proxy)
# 通过 urllib.request.build_opener(),创建自定义opener对象
opener = urllib.request.build_opener(http_proxy_handler)
# 创建Request对象
url = 'http://www.baidu.com/s?ie=UTF-8&wd=ip'
headers = {
'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/70.0.3538.110 Safari/537.36'
}
req = urllib.request.Request(url=url, headers=headers)
# 使用opener.open()方法发送请求才使用自定义的代理，而urlopen()则不使用自定义代理
# 这么写，就是将opener应用到全局，之后所有的，不管是opener.open()还是urlopen()发送请求，都将使用自定义代理
res = opener.open(req)
print(res.read().decode())
Cookie(urllib.request.HTTPCookieProcessor)
cookie是什么
在网站中，http请求时无状态的，也就是说即使第一次和服务器链接后并且登陆成功后，第二次请求服务器依然不能知道当前请求是那个用户，cookie的出现就是为了解决这个问题，第一次登陆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，当该用户第二次请求的时候，就会自动把上次请求的cookie数据自动的携带给服务器，服务器通过浏览器携带的cookie数据就能判断当前的用户是那个了。cookie存储的数据有限，不同的浏览器又不同的存储大小，但一般不超过4kb，因此使用cookie只能存储一些小量的数据。(解释比较简单，详细的cookie说明可以看百科介绍)
cookie格式
Set－Cookie: NAME=VALUE; Expires=DATE; Domain=DOMAIN_NAME; Path=PATH; SECURE
- NAME=VALUE：这是每一个Cookie均必须有的部分。NAME是该Cookie的名称，VALUE是该Cookie的值。在字符串“NAME=VALUE”中，不含分号、逗号和空格等字符；
- Expires=DATE：Expires变量是一个只写变量，它确定了Cookie有效终止日期。该变量可省，如果缺省时，则Cookie的属性值不会保存在用户的硬盘中，而仅仅保存在内存当中，Cookie文件将随着浏览器的关闭而自动消失；
- Domain=DOMAIN－NAME：Domain该变量是一个只写变量，它确定了哪些Internet域中的Web服务器可读取浏览器所存取的Cookie，即只有来自这个域的页面才可以使用Cookie中的信息。这项设置是可选的，如果缺省时，设置Cookie的属性值为该Web服务器的域名；
- Path=PATH：Path属性定义了Web服务器上哪些路径下的页面可获取服务器设置的Cookie；
- SECURE：在Cookie中标记该变量，表明只有当浏览器的通信协议为加密认证协议时，浏览器才向服务器提交相应的Cookie。当前这种协议只有一种，即为HTTPS。
http.cookiejar
cookielib一般用于客户端处理HTTP cookie信息，通过它可以从服务器端获取cookie信息，反过来又可以通过它将获取到的cookie发送给服务器。cookielib提供了不同的类来自动处理HTTP的cookie信息，使用比较多的类包括了CookieJar、MozillaCookieJar以及Cookie。
代码使用示例(使用http.cookiejar和urllib.request.HTTPCookieProcessor登陆人人网):
# 引入所需要的库
import http.cookiejar
import urllib.parse
import urllib.request
# 真实的模拟浏览器，当发送完post请求的时候，将cookie保存到代码中
# 创建一个cookiejar对象
cj = http.cookiejar.CookieJar()
# 通过cookiejar创建一个handler
handler = urllib.request.HTTPCookieProcessor(cj)
# 根据handler创建一个opener
opener = urllib.request.build_opener(handler)
# 人人网登陆地址
post_uel = 'http://www.renren.com/ajaxLogin/login?1=1&uniqueTimestamp=2019621044248'
form_data = {
'email': '188****7357', # 这是人人网账号
'icode': '',
'origURL': 'http://www.renren.com/home',
'domain': 'renren.com',
'key_id': '1',
'captcha_type': 'web_login',
'password': '01cb55635986f56265d3b55aaddaa79337d094cb56d6cf7724343a93ad586fe7',
'rkey': 'd5ff51375d8eb17a011cad5622d835fd',
'f': 'http%3A%2F%2Fwww.renren.com%2F971686685%2Fprofile'
}
# 声明定义header
headers = {
'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/70.0.3538.110 Safari/537.36'
}
# 创建Request对象,格式化参数
req = urllib.request.Request(url=post_uel, headers=headers)
form_data = urllib.parse.urlencode(form_data).encode()
# 构造访问
res = opener.open(req, data=form_data)
print(res.read().decode())
print('*' * 50)
# 人人网个人中心地址
get_url = 'http://www.renren.com/971686685/profile'
# 创建Request对象
req1 = urllib.request.Request(url=get_url, headers=headers)
# 构造访问(自带cookie),打印结果
res1 = opener.open(req1)
print(res1.read().decode())
cookie信息的保存
# 引入所需要的库
import urllib.request
from http.cookiejar import MozillaCookieJar
# 声明cookiejar
cj = MozillaCookieJar('cookie.txt')
# 创建handler\opener
handler = urllib.request.HTTPCookieProcessor(cj)
opener = urllib.request.build_opener(handler)
# 声明定义url,进行访问
url = 'http://httpbin.org/cookies/set?wei=weizhihua'
res = opener.open(url)
# 保存cookie, ignore_discard 设置为True,将过期的cookie也进行保存
# 如果在声明cookiejar时没有写入文件保存地址,则在save()函数中需写入文件地址参数
cj.save(ignore_discard=True)
cookie信息的加载
import urllib.request
from http.cookiejar import MozillaCookieJar
# 声明cookiejar
cj = MozillaCookieJar('cookie.txt')
# ignore_discard 设置为True,将过期的cookie也加载出来
cj.load(ignore_discard=True)
# 打印内容
for cookie in cj:
print(cookie)
到此这篇关于Python中的urllib库高级用法教程的文章就介绍到这了,更多相关urllib库高级用法内容请搜索脚本之家以前的文章或继续浏览下面的相关文章希望大家以后多多支持脚本之家！