当前位置： 移动技术网 > IT编程>脚本编程>Python > Python-爬虫03：urllib.request模块的使用

Python-爬虫03：urllib.request模块的使用

2019年01月04日  | 移动技术网IT编程  | 我要评论

十面包袱,中国之声千里共良宵,王义廷

目录

1. urllib.request的基本使用

所谓网页抓取，就是把url地址中指定的网络资源从网络流中抓取出来。在python中有很多库可以用来抓取网页，我们先学习urllib.request。

python模块源代码： c:\users\haoch\anaconda3\lib

urllib.request源代码:c:\users\haoch\anaconda3\lib\urllib\request.py

1.1 urlopen

我们先来看源代码

# data没写-> get请求，否则是post请求 
def urlopen(url, data=none, timeout=socket._global_default_timeout,
            *, cafile=none, capath=none, cadefault=false, context=none):

    global _opener
    if cafile or capath or cadefault:
        import warnings
        warnings.warn("cafile, cpath and cadefault are deprecated, use a "
                      "custom context instead.", deprecationwarning, 2)
        if context is not none:
            raise valueerror(
                "you can't pass both context and any of cafile, capath, and "
                "cadefault"
            )
        if not _have_ssl:
            raise valueerror('ssl support not available')
            # 知识点1： 做ssl认证
        context = ssl.create_default_context(ssl.purpose.server_auth,
                                             cafile=cafile,
                                             capath=capath)
        # 知识点2： 通过https处理器创建处理器对象                                  
        https_handler = httpshandler(context=context)
        # 知识点3： 将处理器对象包进去
        opener = build_opener(https_handler)
    elif context:
        https_handler = httpshandler(context=context)
        opener = build_opener(https_handler)
    elif _opener is none:
        _opener = opener = build_opener()
    else:
        opener = _opener
        # 知识点4： 自定义的open方法
    return opener.open(url, data, timeout)

1.2. 用urlopen来获取网络源代码

# 导入urllib2 库
import urllib.request
# 向指定的url发送请求，并返回服务器响应的类文件对象
response = urllib.request.urlopen("http://www.baidu.com/")
# 类文件对象支持 文件对象的操作方法，如read()方法读取文件全部内容，返回字符串
html = response.read()
print(html)

实际上，如果我们在浏览器上打开百度主页， 右键选择“查看源代码”，你会发现，跟我们刚才打印出来的是一模一样。也就是说，上面的4行代码就已经帮我们把百度的首页的全部代码爬了下来。

1.3. urllib.request.request的使用

如果需要执行更复杂的操作，比如增加http报头，必须创建一个 request 实例来作为urlopen()的参数；而需要访问的url地址则作为 request 实例的参数。

import urllib.request
# url 作为request()方法的参数，构造并返回一个request对象
request = urllib.request.request("http://www.baidu.com")
# request对象作为urlopen()方法的参数，发送给服务器并接收响应
response = urllib.request.urlopen(request)
html = response.read()
print html

不加user-agent-请求信息

get http://www.baidu.com/ http/1.1
accept-encoding: identity
host: www.baidu.com
user-agent: python-urllib/3.7
connection: close

2. user-ageng的使用-模拟浏览器发送请求

上面的例子中有一个最大缺点是不能给请求添加head，不能更改user-agent的默认值，那么urlopen中user-agent的值是什么呢，让我们来看源代码

class openerdirector:
    def __init__(self):
       # __version__ = '%d.%d' % sys.version_info[:2]--->sys.version[:3] = 3.7
        client_version = "python-urllib/%s" % __version__
        # client_version = python-urllib 3.7
        self.addheaders = [('user-agent', client_version)]
        # self.handlers is retained only for backward compatibility
        self.handlers = []
        # manage the individual handlers
        self.handle_open = {}
        self.handle_error = {}
        self.process_response = {}
        self.process_request = {}

urllib2默认的 user-agent:python-urllib 3.7，被管理员看到后，容易被封ip，应该重构我们的user-agent

2.1) 为什么要用user-agent?

我们用一个合法的身份去请求别人网站，显然人家就是欢迎的，所以我们就应该给我们的这个代码加上一个身份，就是所谓的user-agent头。

  • 浏览器 就是互联网世界上公认被允许的身份，如果我们希望我们的爬虫程序更像一个真实用户，那我们第一步就是需要伪装成一个被浏览器。用不同的浏览器在发送请求的时候，会有不同的 user-agent 报头。
  • urllib.request默认的user-agent头为：python-urllib/x.y （x和y 是python 主.次 版本号，例如 python-urllib/3.7）

2.2) 如何添加user-agent信息到请求中去？

首先我们用抓包工具抓取请求，在其中获取user-agent的值

get https://www.baidu.com/ http/1.1
host: www.baidu.com
connection: keep-alive
pragma: no-cache
cache-control: no-cache
upgrade-insecure-requests: 1

# user-agent 最重要的东西，必须写的东西
user-agent: mozilla/5.0 (windows nt 10.0; win64; x64) applewebkit/537.36 (khtml, like gecko) chrome/71.0.3578.98 safari/537.36

# 获取的数据类型
accept: text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,image/apng,*/*;q=0.8
# 压缩方式（一定不能写的，麻烦）
accept-encoding: gzip, deflate, br
accept-language: zh-cn,zh;q=0.9,en-us;q=0.8,en;q=0.7,en-ca;q=0.6
cookie: baiduid=4f583a04a0193ebe0c9849c551b9305c:fg=1; bidupsid=4f583a04a0193ebe0c9849c551b9305c; pstm=1545978093; bd_upn=12314753; bdorz=b490b5ebf6f3cd402e515d22bcda1598; __cfduid=d7aafabcd6ccc970c2d47e9e205fc3c851546334654; cflag=13%3a3; delper=0; bd_home=0; h_ps_pssid=1440_21082_28205_28132_27245_27509
x-hd-token: rent-your-own-vps

我们只需要复制user-agent的值即可，代码如下：

# ie 9.0 的 user-agent，包含在 user_agent里
ua_headers = {"user-agent": "mozilla/5.0 (windows nt 10.0; win64; x64) applewebkit/537.36 (khtml, like gecko) chrome/71.0.3578.98 safari/537.36"}
#  url 连同 headers，一起构造request请求，这个请求将附带 ie9.0 浏览器的user-agent
request = urllib.request.request("http://www.baidu.com", headers = ua_headers)
# 向服务器发送这个请求
response = urllib.request.urlopen(request)
html = response.read()
html

加user-agent-请求信息

get http://www.baidu.com/ http/1.1
accept-encoding: identity
host: www.baidu.com
user-agent: mozilla/5.0 (windows nt 10.0; win64; x64) applewebkit/537.36 (khtml, like gecko) chrome/71.0.3578.98 safari/537.36
connection: close

2.3) 添加更多的user-ageng和header的信息

  • 添加一个特定的header
import urllib2

url = "http://www.itcast.cn"
#ie 9.0 的 user-agent
user_agent = {"user-agent" : "mozilla/5.0 (compatible; msie 9.0; windows nt 6.1; trident/5.0)"} 
request = urllib2.request(url, headers = user_agent)
#也可以通过调用request.add_header() 添加/修改一个特定的header
request.add_header("connection", "keep-alive")
# 也可以通过调用request.get_header()来查看header信息
# request.get_header(header_name="connection")
response = urllib2.urlopen(request)
print response.code     #可以查看响应状态码
html = response.read()
print html
  • 随机添加/修改user-agent
import urllib2
import random

url = "http://www.itcast.cn"

ua_list = [
    "mozilla/5.0 (windows nt 6.1; wow64) applewebkit/537.1 (khtml, like gecko) chrome/22.0.1207.1 safari/537.1",
    "mozilla/5.0 (x11; cros i686 2268.111.0) applewebkit/536.11 (khtml, like gecko) chrome/20.0.1132.57 safari/536.11",
    "mozilla/5.0 (windows nt 6.1; wow64) applewebkit/536.6 (khtml, like gecko) chrome/20.0.1092.0 safari/536.6",
    "mozilla/5.0 (windows nt 6.1) applewebkit/536.6 (khtml, like gecko) chrome/20.0.1090.0 safari/536.6"
]

user_agent = random.choice(ua_list)
request = urllib2.request(url)
#也可以通过调用request.add_header() 添加/修改一个特定的header
request.add_header("user-agent", user_agent)
# get_header()的字符串参数，第一个字母大写，后面的全部小写
request.get_header("user-agent")
response = urllib2.urlopen(request)
html = response.read()
print html

1.5. response的其他用法

response.read()     # 读取爬取的内容
response.getcode()  # 返回http的响应码，                       200=ok
response.geturl()   # 返回数据的是具体哪个url， 防止重定向      'http://www.baidu.com'
response.info()     # 返回服务器响应的抱头信息

您可能感兴趣的文章:

如对本文有疑问，请在下面进行留言讨论，广大热心网友会与你互动！！ 点击进行留言回复

相关文章:

验证码：
最近更新的文章
大家感兴趣的文章
移动技术网