简单的自定义opener()
import urllib.request #构建一个HTTPHandler处理器对象，支持处理HTTP请求 http_handler=urllib.request.HTTPHandler() #构建一个HTTPHandler处理器对象，支持处理HTTPS请求 # http_handler=urllib.request.HTTPHandler() #调用urllib.request.build_opener()方法，创建支持处理HTTP请求的opener对象 opener=urllib.request.build_opener(http_handler) #构建Request请求 request=urllib.request.Request("http://www.baidu.com/") #调用自定义opener对象的open()方法，发送request请求 response=opener.open(request) print(response.read().decode('utf-8'))
ProxyHandler处理器（代理设置）
使用代理IP，这是爬虫/反爬虫的第二大招，通常也是最好用的。
很多网站会检测某一段时间某个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，它会禁止这个IP的访问。
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。
import urllib.request # 构建了两个代理Handler，一个有代理IP，一个没有代理IP httpproxy_handler = urllib.request.ProxyHandler({"http": "120.26.110.59:8080"}) nullproxy_handler = urllib.request.ProxyHandler({}) proxySwitch = True #定义一个代理开关 # 通过 urllib2.build_opener()方法使用这些代理Handler对象，创建自定义opener对象 # 根据代理开关是否打开，使用不同的代理模式 if proxySwitch: opener = urllib.request.build_opener(httpproxy_handler) else: opener = urllib.request.build_opener(nullproxy_handler) request = urllib.request.Request("http://www.baidu.com/") # 1. 如果这么写，只有使用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。 response = opener.open(request) # 2. 如果这么写，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。 # urllib2.install_opener(opener) # response = urlopen(request) print(response.read().decode('utf-8'))
如果代理IP足够多，就可以像随机获取User-Agent一样，随机选择一个代理去访问网站。
import urllib.request import random #代理列表 proxy_list = [ {"http" : "124.88.67.81:80"}, {"http": "120.26.110.59:8080"}, {"http" : "124.88.67.81:80"}, {"http" : "124.88.67.81:80"}, {"http" : "124.88.67.81:80"} ] # 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 httpproxy_handler = urllib.request.ProxyHandler(proxy) opener = urllib.request.build_opener(httpproxy_handler) request = urllib.request.Request("http://www.baidu.com/") response = opener.open(request) print(response.read().decode('utf-8'))
HTTPPasswordMgrWithDefaultRealm()
HTTPPasswordMgrWithDefaultRealm()类将创建一个密码管理对象，用来保存 HTTP 请求相关的用户名和密码，主要应用两个场景：
- 验证代理授权的用户名和密码 (
ProxyBasicAuthHandler()) - 验证Web客户端的的用户名和密码 (
HTTPBasicAuthHandler())
ProxyBasicAuthHandler(代理授权验证)
如果我们使用之前的代码来使用私密代理，会报 HTTP 407 错误，表示代理没有通过身份验证
import urllib.request #私密代理授权的账户 user="mr_mao_hacker" #私密代理授权的密码 passwd="sffqry9r" #私密代理IP proxyserver="61.158.163.130:16816" #1.构建一个密码管理对象,用来保存需要处理的用户名和密码 passwdmgr=urllib.request.HTTPPasswordMgrWithDefaultRealm() #2.添加账户信息，第一个参数realm是与远程服务器相关的域信息 passwdmgr.add_password(None,proxyserver,user,passwd) #3.构建一个代理基础用户名/密码验证的ProxyBasicAuthHandler处理器对象，参数是创建的密码管理对象 # 注意,这里不再使用普通ProxyHandler类了 proxyauth_handler=urllib.request.ProxyBasicAuthHandler(passwdmgr) #4.通过build_opener()方法使用这些代理Handler对象，创建自定义opener对象，参数包括构建的 proxy_handler 和 proxyauth_handler opener=urllib.request.build_opener(proxyauth_handler) #5.构造Request请求 request=urllib.request.Request("http://www.baidu.com/") #6.使用自定义opener发送请求 response=opener.open(request) #7.打印响应内容 print(response.read())
Cookie原理
HTTP是无状态的面向连接的协议, 为了保持连接状态, 引入了Cookie机制 Cookie是http消息头中的一种属性，包括：
Cookie名字（Name）
Cookie的值（Value）
Cookie的过期时间（Expires/Max-Age）
Cookie作用路径（Path）
Cookie所在域名（Domain），
使用Cookie进行安全连接（Secure）。
前两个参数是Cookie应用的必要条件，另外，还包括Cookie大小（Size，不同浏览器对Cookie个数及大小限制是有差异的）。
Cookie由变量名和值组成，根据 Netscape公司的规定，Cookie格式如下：
Set－Cookie: NAME=VALUE；Expires=DATE；Path=PATH；Domain=DOMAIN_NAME；SECURE
Cookie应用
Cookies在爬虫方面最典型的应用是判定注册用户是否已经登录网站，用户可能会得到提示，是否在下一次进入此网站时保留用户信息以便简化登录手续。
import urllib import urllib2 import cookielib # 通过CookieJar()类构建一个cookieJar()对象，用来保存cookie的值 cookie = cookielib.CookieJar() # 通过HTTPCookieProcessor()处理器类构建一个处理器对象，用来处理cookie # 参数就是构建的CookieJar()对象 cookie_handler = urllib2.HTTPCookieProcessor(cookie) # 构建一个自定义的opener opener = urllib2.build_opener(cookie_handler) # 通过自定义opener的addheaders的参数，可以添加HTTP报头参数 opener.addheaders = [("User-Agent", "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/54.0.2840.99 Safari/537.36")] # renren网的登录接口 url = "http://www.renren.com/PLogin.do" # 需要登录的账户密码 data = {"email":"mr_mao_hacker@163.com", "password":"alarmchime"} # 通过urlencode()编码转换 data = urllib.urlencode(data) # 第一次是post请求，发送登录需要的参数，获取cookie request = urllib2.Request(url, data = data) # 发送第一次的post请求，生成登录后的cookie(如果登录成功的话) response = opener.open(request) #print response.read() # 第二次可以是get请求，这个请求将保存生成cookie一并发到web服务器，服务器会验证cookie通过 response_deng = opener.open("http://www.renren.com/410043129/profile") # 获取登录后才能访问的页面信息 print response_deng.read()
代理ip
import requests #根据协议类型，选择不同的代理 proxies={ "http": "120.26.110.59:8080", "https": "http://12.34.56.79:9527", } response=requests.get("http://www.baidu.com",proxies=proxies) print(response.text)
Requests: 让 HTTP 服务人类
虽然Python的标准库中 urllib2 模块已经包含了平常我们使用的大多数功能，但是它的 API 使用起来让人感觉不太好，而 Requests 自称 “HTTP for Humans”，说明使用更简洁方便。
Requests 唯一的一个非转基因的 Python HTTP 库，人类可以安全享用：）
Requests 继承了urllib2的所有特性。Requests支持HTTP连接保持和连接池，支持使用cookie保持会话，支持文件上传，支持自动确定响应内容的编码，支持国际化的 URL 和 POST 数据自动编码。
requests 的底层实现其实就是 urllib3
#requests 的底层实现其实就是 urllib3 import requests response=requests.get("http://www.baidu.com/") print(response.text)
Requests的文档非常完备，中文文档也相当不错。Requests能完全满足当前网络的需求，支持Python 2.6—3.5，而且能在PyPy下完美运行。
import requests response=requests.get("https://www.baidu.com/",verify=True) print(response.text)
requests模块post请求
import requests import requests formdata = { "type":"AUTO", "i":"i love python", "doctype":"json", "xmlVersion":"1.8", "keyfrom":"fanyi.web", "ue":"UTF-8", "action":"FY_BY_ENTER", "typoResult":"true" } url = "http://fanyi.youdao.com/translate?smartresult=dict&smartresult=rule&smartresult=ugc&sessionFrom=null" headers={ "User-Agent": "Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/51.0.2704.103 Safari/537.36"} reponse=requests.post(url,data=formdata,headers=headers) print(reponse.text) #如果是json文件可以直接显示 print(reponse.json())
requests请求headers
import requests kw={'wd':'长城'} headers = {"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/54.0.2840.99 Safari/537.36"} # params 接收一个字典或者字符串的查询参数，字典类型自动转换为url编码，不需要urlencode() response=requests.get("http://www.baidu.com/s?",params=kw,headers=headers) # 查看响应内容，response.text 返回的是Unicode格式的数据 print(response.text) # 查看响应内容，response.content返回的字节流数据 print(response.content) #查看完整url地址 print(response.url) #查看响应头部字符编码 print(response.encoding) #查看响应码 print(response.status_code)
requests模块私密代理
import requests # 如果代理需要使用HTTP Basic Auth，可以使用下面这种格式： proxy={"http": "mr_mao_hacker:sffqry9r@61.158.163.130:16816"} response=requests.get("http://www.baidu.com", proxies = proxy) print(response.text)
import requests auth=('test','123456') response=requests.get('http://192.168.199.107',auth=auth) print(response.text)
爬取https网站
import requests """ 如果SSL证书验证不通过，或者不信任服务器的安全证书，则会报出SSLError， 据说 12306 证书是自己做的 如果我们想跳过 12306 的证书验证，把 verify 设置为 False 就可以正常请求了 """ response = requests.get("https://www.12306.cn/mormhweb/",verify=False) print(response.text)