python3 urllib及requests基本使用

在python中，urllib是请求url连接的标准库，在python2中，分别有urllib和urllib，在python3中，整合成了一个，称谓urllib

1、urllib.request

　　request主要负责构建和发起网络请求

　　1）GET请求（不带参数）

　　　　response = urllib.request.urlopen(url,data=None, [timeout, ]*)

　　　　返回的response是一个http.client.HTTPResponse object

　　　　response操作：

　　　　　　a) response.info() 可以查看响应对象的头信息,返回的是http.client.HTTPMessage object

　　　　　　b) getheaders() 也可以返回一个list列表头信息

　　　　　　c) response可以通过read(), readline(), readlines()读取，但是获得的数据是二进制的所以还需要decode将其转化为字符串格式。

　　　　　　d) getCode() 查看请求状态码

　　　　　　e) geturl() 获得请求的url

　　　　

　　　　>>>>>>>

　　　　

　　2）GET请求（带参数）

　　　　需要用到urllib下面的parse模块的urlencode方法

　　　　param = {"param1":"hello", "param2":"world"}

　　　　param = urllib.parse.urlencode(param)　　　　# 得到的结果为：param2=world&param1=hello

　　　　url = "?".join([url, param])　　# http://httpbin.org/ip?param1=hello&param2=world

　　　　response = urllib.request.urlopen(url)

　　3）POST请求：

　　　　urllib.request.urlopen()默认是get请求，但是当data参数不为空时，则会发起post请求

　　　　传递的data需要是bytes格式

　　　　设置timeout参数，如果请求超出我们设置的timeout时间，会跑出timeout error 异常。

　　　　param = {"param1":"hello", "param2":"world"}

　　　　param = urllib.parse.urlencode(param).encode("utf8") # 参数必须要是bytes

　　　　response = urllib.request.urlopen(url, data=param, timeout=10)

　　4）添加headers

　　　　通过urllib发起的请求，会有一个默认的header：Python-urllib/version，指明请求是由urllib发出的，所以遇到一些验证user-agent的网站时，我们需要伪造我们的headers

　　　　伪造headers，需要用到urllib.request.Request对象

　　　　

　　　　headers = {"user-agent:"Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/68.0.3440.106 Safari/537.36"}

　　　　req = urllib.request.Request(url, headers=headers)

　　　　resp = urllib.request.urlopen(req)

　　　　

　　　　

　　　　对于爬虫来说，如果一直使用同一个ip同一个user-agent去爬一个网站的话，可能会被禁用，所以我们还可以用用户代理池，循环使用不同的user-agent

　　　　原理：将各个浏览器的user-agent做成一个列表，然后每次爬取的时候，随机选择一个代理去访问

　　　　uapool = ["谷歌代理", 'IE代理', '火狐代理',...]

　　　　curua = random.choice(uapool)

　　　　headers = {"user-agent": curua}

　　　　req = urllib.request.Request(url, headers=headers)

　　　　resp = urllib.request.urlopen(req)

　　5）添加cookie

　　　　为了在请求的时候，带上cookie信息，需要构造一个opener

　　　　需要用到http下面的cookiejar模块

　　　　from http import cookiejar

　　　　from urllib import request

　　　　a) 创建一个cookiejar对象

　　　　　　cookie = cookiejar.CookieJar()

　　　　b) 使用HTTPCookieProcessor创建cookie处理器

　　　　　　cookies = request.HTTPCookieProcessor(cookie)

　　　　c) 以cookies处理器为参数创建opener对象

　　　　　　opener = request.build_opener(cookies)

　　　　d) 使用这个opener来发起请求

　　　　　　resp = opener.open(url)

　　　　e) 使用opener还可以将其设置成全局的，则再使用urllib.request.urlopen发起的请求，都会带上这个cookie

　　　　　　request.build_opener(opener)

　　　　　　request.urlopen(url)

　　6）IP代理

　　　　使用爬虫来爬取数据的时候，常常需要隐藏我们真实的ip地址，这时候需要使用代理来完成

　　　　IP代理可以使用西刺（免费的，但是很多无效），大象代理（收费）等

　　　　代理池的构建可以写固定ip地址，也可以使用url接口获取ip地址

　　　　固定ip：

　　　　　　from urllib import request

　　　　　　import random

　　　　　　ippools = ["36.80.114.127:8080","122.114.122.212:9999","186.226.178.32:53281"]

　　　　　　def ip(ippools):

　　　　　　　　cur_ip = random.choice(ippools)

　　　　　　　　# 创建代理处理程序对象

　　　　　　　　proxy = request.ProxyHandler({"http":cur_ip})

　　　　　　　　# 构建代理

　　　　　　　　opener = request.build_opener(proxy, request.HttpHandler)

　　　　　　　　# 全局安装

　　　　　　　　request.install_opener(opener)

　　　　　　for i in range(5):

　　　　　　　　try:

　　　　　　　　　　ip(ippools)

　　　　　　　　　　cur_url = "http://www.baidu.com"

　　　　　　　　　　resp = request.urlopen(cur_url).read().decode("utf8")

　　　　　　　　excep Exception as e:

　　　　　　　　　　print(e)

　　　　使用接口构建IP代理池（这里是以大象代理为例）

　　　　　　def api():

　　　　　　　　all=urllib.request.urlopen("http://tvp.daxiangdaili.com/ip/?tid=订单号&num=获取数量&foreign=only")

　　　　　　　　ippools = []

　　　　　　　　for item in all:

　　　　　　　　　　ippools.append(item.decode("utf8"))

　　　　　　　　return ippools

　　　　　　其他的和上面使用方式类似

　　7）爬取数据并保存到本地 urllib.request.urlretrieve()

　　　　如我们经常会需要爬取一些文件或者图片或者音频等，保存到本地

　　　　urllib.request.urlretrieve(url, filename)

　　8）urllib的parse模块

　　　　前面第2）中，我们用到了urllib.parse.urlencode()来编码我们的url

　　　　a）urllib.parse.quote()

　　　　　　这个多用于特殊字符的编码，如我们url中需要按关键字进行查询，传递keyword='诗经'

　　　　　　url是只能包含ASCII字符的，特殊字符及中文等都需要先编码在请求

　　　　　　

　　　　　　要解码的话，使用unquote

　　　　　　

　　　　b）urllib.parse.urlencode()

　　　　　　这个通常用于多个参数时，帮我们将参数拼接起来并编译，向上面我们使用的一样

　　　　　　

　　9）urllib.error

　　　　urllib中主要两个异常，HTTPError，URLError，HTTPError是URLError的子类

　　　　HTTPError包括三个属性：

　　　　　　code：请求状态码

　　　　　　reason：错误原因

　　　　　　headers：请求报头

　　　　

2、requests

　　requests模块在python内置模块上进行了高度的封装，从而使得python在进行网络请求时，变得更加人性化，使用requests可以轻而易举的完成浏览器可有的任何操作。

　　1）get：

　　　　requests.get(url)　　#不带参数的get请求

　　　　requests.get(url, params={"param1":"hello"})　　# 带参数的get请求，requests会自动将参数添加到url后面

　　2）post：

　　　　requests.post(url, data=json.dumps({"key":"value"}))

　　3）定制头和cookie信息

　　　　header = {"content-type":"application/json"，"user-agent":"Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/68.0.3440.106 Safari/537.36"}

　　　　cookie = {"cookie":"cookieinfo"}

　　　　requests.post(url, headers=header, cookie=cookie)

　　　　requests.get(url, headers=header, cookie=cookie)

　　4）返回对象操作：

　　　　使用requests.get/post后会返回一个response对象，其存储了服务器的响应内容，我们可以通过下面方法读取响应内容

　　　　resp = requests.get(url)

　　　　resp.url　　　　　　　　   # 获取请求url

　　　　resp.encoding　　　　       # 获取当前编码

　　　　resp.encoding='utf8'    　　# 设置编码

　　　　resp.text　　    　　　　    # 以encoding解析返回内容。字符串形式的响应体会自动根据响应头部的编码方式进行解码

　　　　resp.content    　　　　　 # 以字节形式（二进制）返回。字节方式的响应体，会自动解析gzip和deflate压缩

　　　　resp.json()  　　　　　　  # requests中内置的json解码器。以json形式返回，前提是返回的内容确实是json格式的，否则会报错

　　　　resp.headers　　　　   　 # 以字典形式存储服务器响应头。但是这个字典不区分大小写，若key不存在，则返回None

　　　　resp.request.headers　 　# 返回发送到服务器的头信息

　　　　resp.status_code　　 　   # 响应状态码

　　　　resp.raise_for_status()　   # 失败请求抛出异常

　　　　resp.cookies　　　　　　 # 返回响应中包含的cookie

　　　　resp.history　　　　　　   # 返回重定向信息。我们可以在请求时加上allow_redirects=False 来阻止重定向

　　　　resp.elapsed　　　　　　 # 返回timedelta，响应所用的时间 

　　　　具体的有哪些方法或属性，可以通过dir(resp)去查看。

　　5）Session()

　　　　会话对象，能够跨请求保持某些参数。最方便的是在同一个session发出的所有请求之间保持cookies

　　　　s = requests.Session()

　　　　header={"user-agent":""}

　　　　s.headers.update(header)

　　　　s.auth = {"auth", "password"}

　　　　resp = s.get(url)

　　　　resp1 = s.port(url)

　　6）代理

　　　　proxies = {"http":"ip1", "https":"ip2"}

　　　　requests.get(url, proxies=proxies)

　　7）上传文件

　　　　requests.post(url, files={"file": open(file, 'rb')})

　　　　把字符串当做文件上传方式：

　　　　requests.post(url, files={"file":('test.txt', b'hello world')}})　　# 显示的指明文件名为test.txt

　　8）身份认证（HTTPBasicAuth）

　　　　from requests.auth import HTTPBasicAuth

　　　　resp = request.get(url, auth=HTTPBasicAuth("user", "password"))

　　　　另一种非常流行的HTTP身份认证形式是摘要式身份认证

　　　　requests.get(url, HTTPDigestAuth("user", "password"))

　　9）模拟登陆GitHub demo

　　　　from bs4 import BeautifulSoup

　　　　# 访问登陆界面，获取登陆需要的authenticity_token

　　　　url = "https://github.com/login"

　　　　resp = requests.get(url)

　　　　# 使用BeautifulSoup解析爬取的html代码并获取authenticity_token的值

　　　　

　　　　s = BeautifulSoup(resp.text, "html.parser")

　　　　token = s.find("input", attrs={"name":"authenticity_token"}).get("value")

　　　　# 获取登陆需要携带的cookie

　　　　cookie = resp.cookies.get_dict()

　　　　# 带参数登陆

　　　　login_url = "https://github.com/session"

　　　　

　　　　login_data = {

　　　　　　"commit":"Sign+in",

　　　　　　"utf8":"✓",

　　　　　　"authenticity_token":token,

　　　　　　"login":username,

　　　　　　　"password":password

　　　　}

　　　　resp2 = requests.post(login_url, data=login_data, cookies=cookie)

　　　　# 获取登陆后的cookie

　　　　logged_cookie = resp2.cookies.get_dict()

　　　　# 携带cookie就可以访问你想要访问的任意网页了

　　　　requests.get(url, cookies=logged_cookie)

　　　　# 也可以把爬取的网页写入本地文件

　　　　with open(file, "w", encoding='utf8') as f:

　　　　　　f.write(resp2.text)

 

参考：https://www.cnblogs.com/ranxf/p/7808537.html