python实战——网络爬虫之request

Urllib库是python中的一个功能强大的，用于操做URL，并在做爬虫的时候经常要用到的库，在python2中，分为Urllib和Urllib2两个库，在python3之后就将两个库合并到Urllib库中，使用方法有所不同，我使用的是python3。

第一步，先导入Urllib库对应的模块，import urllib.request 或者直接导入request模块 from urllib import request

from urllib import request

file = request.urlopen("http://www.baidu.com")   #urlopen打开并爬取一个页面，并将值赋给file，以百度为例
data = file.read()                               #read()读取全部能容
dataline = file.readline()                       #readline()只读取一行

# 分别打印两个值
print(dataline)

print(data)

打印结果：

这样就将获取的网页的HTML代码爬取下来了

爬取到数据之后我们怎么将爬取的网页以网页的形式进行保存

from urllib import request

file = request.urlopen("http://www.baidu.com")
data = file.read()

fhandle = open("F:/爬虫/1.html","wb")  #通过open()函数打开该文件，“wb”以二进制写入形式打开，不会的话可以学习一下之前的python的文件写入操作。
                                       #文件目录自己先创建
fhandle.write(data)                    #将data数据写入到
fhandle.close()                        #将文件关闭

然后找到该文件，用浏览器打开

图片信息还未爬取，但至此我们已经网页爬取并保存。

 

还有一种直接使用request模块中的urlretrieve函数直接写入

格式：urlretrieve(url,filename=本地地址)

from urllib import request

filename=request.urlretrieve("http://www.qq.com",filename="F:/爬虫/2.html" )

 

然后查看保存的路径下的文件，打开之后

使用urlretrieve执行的过程中会产生一些缓存，可以使用函数urlcleanup()进行清除

还有写其他的常用的方法如下：

返回与当前环境有关的信息  info()

获取当前爬取网页的状态码  getcode()

获取当前爬取网页的URL地址  geturl()

由于URL标准中之允许一部分的ASCII字符，比如数字，字母，部分表单符号等，其他不符合标准的要进行编码，使用quote()

编码之后进行解码 unquote()

 

当然不是所有的网站都可以这么轻松的获取到，很多网站都进行了反爬虫设置，用浏览器可以打开但用爬虫爬不到，此时我们就需要设置一些headers信息，模拟成浏览器去访问这些网站。

首先打开浏览器，输入www.baidu.com 然后按F12  在刷新一下网页

点击网络就可以看到上面的图了，然后点击第一个和右边的按钮

你就可以看到这样的

右边的标头就是headers，然后找到User-Agent，这个就是我们要用到的模拟浏览器的信息，将其复制下来

我们可以得到该信息 “User-Agent:Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/65.0.3325.181 Safari/537.36”

这样我们就可以修改报头，其中request()下的build_opener()和request.Request()下的add_header()都可以进行操作，如下：

from urllib import request
url = "www.baidu.com"    #仅仅是个例子 
headers = ("User-Agent","User-Agent:Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/65.0.3325.181 Safari/537.36")
opener = request.build_opener()
opener.addheaders=[headers]
data = opener.open(url).read()
print(data)

还有一种方法是通过request.Request(url)方式进行操作如下：

from  urllib import request

urll = "http://www.baidu.com"
req = request.Request(urll)
req.add_header("User-Agent","User-Agent:Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/65.0.3325.181 Safari/537.36")
#这里的键值对不止这一个，你也可以把所有的都写上，比如Cookie、host都可以
data = request.urlopen(req).read()
fhandle = open("F:/爬虫/1.html","wb")
fhandle.write(data)
fhandle.close()

 

HTTP请求之GET请求

当我们用百度进行搜索时会看到网络请求用的时get请求

 

可以看出搜索词的关键字时wd,这样我们可以通过构造类似的网址进行网络请求，然后再将请求的网址保存

from  urllib import request

keywd = "中国是一个伟大的国家"
key_code = request.quote(keywd)                 #汉字要编码，
urll = "http://www.baidu.com/s?wd="+key_code    #拼接字符串
req = request.Request(urll)
data = request.urlopen(req).read()
fhandle = open("F:/爬虫/3.html","wb")
fhandle.write(data)
fhandle.close()

 

然后打开本地保存的文件

从上面的示例中可以总结出，使用GET请求的思路如下：

1.构造对应的URL地址，该URL地址包含GET请求的字段名和字段内容的信息，并且URL满足GET请求的格式，即 “http://网址?字段1=字段内容1&字段2=字段内容2”。

2.以顶印度额URL为参数，构建Request对象。

3.通过urlopen()打开构建的Request对象。

4.按需求进行后续处理的操作，比如读取网页的内容、将内容写入文件等。

HTTP请求之POST请求

在注册和登陆网站是我们基本上都会遇到post请求，下面举个例子，这个是自己搭建的post请求网页，很粗糙的一个，只是将post请求的用户名个密码提交之后打印在了页面上。源码如下：

<form action="<?=$_SERVER['PHP_SELF'] ?>" method="POST">
    用户名<input type="text" name="username"><br>
    密码<input type="password" name="passwd"><br>
    <input type="submit" name="submit" value="提交">
</form>
    
<?php
if (isset($_POST['submit'])) {
    echo "<br>";
    echo '用户名：'.$_POST['username']."<br>";
    echo "密码：".$_POST['passwd'].'<br>';
}
?>

 

原始的页面是

填写用户名和密码之后的页面

怎么构建post请求，一般的思路如下：

1.设置好URL网址

2.构建表单数据，并使用urllib.parse.urlencode对数据进行编码处理

3.创建Request对象，参数包括URL地址和要传递的编码处理

4.使用add_header()添加头部信息，模拟浏览器进行爬取

5.使用urllib.request.urlopen()打开对应的Request对象，完成信息的传递

6.读取或者写入等操作

现在我们去爬一下上面的网站：http://192.168.199.247/mytest/index.php

至于构建表单数据，我们需要看一下源码，打开网页，按F12，找到from表单的部分。

从上面我们可以看出需要提交表单的两个字段分别是：username、passwd。这样我们就可以构造数据，POST请求时的数据构造都要是以字典的形式进行所以我们构造的函数为：

{"username":"root"，"passwd":"root"}，我们将用户名和密码都设置为root，这只完之后我们进行编码。然后创建Request对象之后就按着思路往下走就可以了

代码：

from  urllib import request
from urllib import parse      #编码时需要用到的库

url = "http://192.168.199.247/mytest/index.php"
postdata = parse.urlencode({
    "username":"root",
    "passwd":"root"
}).encode("utf-8")   #设置编码格式为utf-8
req = request.Request(url,postdata)  #在Request之后可以直接设置传递的数据  Request(url地址,传递的数据)
req.add_header("User-Agent","User-Agent:Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/65.0.3325.181 Safari/537.36")
data = request.urlopen(req).read()
fhandle = open("F:/爬虫/1.html","wb")
fhandle.write(data)
fhandle.close()