[Python3网络爬虫开发实战] 3.1.1-发送请求
使用urllib的request
模块,我们可以方便地实现请求的发送并得到响应,本节就来看下它的具体用法。
1. urlopen()
urllib.request
模块提供了最基本的构造HTTP请求的方法,利用它可以模拟浏览器的一个请求发起过程,同时它还带有处理授权验证(authenticaton)、重定向(redirection)、浏览器Cookies以及其他内容。
下面我们来看一下它的强大之处。这里以Python官网为例,我们来把这个网页抓下来:
1
2
3
4
|
import urllib.request
response = urllib.request.urlopen('https://www.python.org')
print(response.read().decode('utf-8'))
|
运行结果如图3-1所示。
图3-1 运行结果
这里我们只用了两行代码,便完成了Python官网的抓取,输出了网页的源代码。得到源代码之后呢?我们想要的链接、图片地址、文本信息不就都可以提取出来了吗?
接下来,看看它返回的到底是什么。利用type()
方法输出响应的类型:
1
2
3
4
|
import urllib.request
response = urllib.request.urlopen('https://www.python.org')
print(type(response))
|
输出结果如下:
1
|
<class 'http.client.HTTPResponse'>
|
可以发现,它是一个HTTPResposne
类型的对象。它主要包含read()
、readinto()
、getheader(name)
、getheaders()
、fileno()
等方法,以及msg
、version
、status
、reason
、debuglevel
、closed
等属性。
得到这个对象之后,我们把它赋值为response
变量,然后就可以调用这些方法和属性,得到返回结果的一系列信息了。
例如,调用read()
方法可以得到返回的网页内容,调用status
属性可以得到返回结果的状态码,如200代表请求成功,404代表网页未找到等。
下面再通过一个实例来看看:
1
2
3
4
5
6
|
import urllib.request
response = urllib.request.urlopen('https://www.python.org')
print(response.status)
print(response.getheaders())
print(response.getheader('Server'))
|
运行结果如下:
1
2
3
|
200
[('Server', 'nginx'), ('Content-Type', 'text/html; charset=utf-8'), ('X-Frame-Options', 'SAMEORIGIN'), ('X-Clacks-Overhead', 'GNU Terry Pratchett'), ('Content-Length', '47397'), ('Accept-Ranges', 'bytes'), ('Date', 'Mon, 01 Aug 2016 09:57:31 GMT'), ('Via', '1.1 varnish'), ('Age', '2473'), ('Connection', 'close'), ('X-Served-By', 'cache-lcy1125-LCY'), ('X-Cache', 'HIT'), ('X-Cache-Hits', '23'), ('Vary', 'Cookie'), ('Strict-Transport-Security', 'max-age=63072000; includeSubDomains')]
nginx
|
可见,前两个输出分别输出了响应的状态码和响应的头信息,最后一个输出通过调用getheader()
方法并传递一个参数Server
获取了响应头中的Server
值,结果是nginx
,意思是服务器是用Nginx搭建的。
利用最基本的urlopen()
方法,可以完成最基本的简单网页的GET请求抓取。
如果想给链接传递一些参数,该怎么实现呢?首先看一下urlopen()
函数的API:
1
|
urllib.request.urlopen(url, data=None, [timeout, ]*, cafile=None, capath=None, cadefault=False, context=None)
|
可以发现,除了第一个参数可以传递URL之外,我们还可以传递其他内容,比如data
(附加数据)、timeout
(超时时间)等。
下面我们详细说明下这几个参数的用法。
data
参数
data
参数是可选的。如果要添加该参数,并且如果它是字节流编码格式的内容,即bytes
类型,则需要通过bytes()
方法转化。另外,如果传递了这个参数,则它的请求方式就不再是GET方式,而是POST方式。
下面用实例来看一下:
1
2
3
4
5
6
|
import urllib.parse
import urllib.request
data = bytes(urllib.parse.urlencode({'word': 'hello'}), encoding='utf8')
response = urllib.request.urlopen('http://httpbin.org/post', data=data)
print(response.read())
|
这里我们传递了一个参数word
,值是hello
。它需要被转码成bytes
(字节流)类型。其中转字节流采用了bytes()
方法,该方法的第一个参数需要是str
(字符串)类型,需要用urllib.parse
模块里的urlencode()
方法来将参数字典转化为字符串;第二个参数指定编码格式,这里指定为utf8
。
这里请求的站点是httpbin.org,它可以提供HTTP请求测试。本次我们请求的URL为http://httpbin.org/post,这个链接可以用来测试POST请求,它可以输出请求的一些信息,其中包含我们传递的data
参数。
运行结果如下:
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
|
{
"args": {},
"data": "",
"files": {},
"form": {
"word": "hello"
},
"headers": {
"Accept-Encoding": "identity",
"Content-Length": "10",
"Content-Type": "application/x-www-form-urlencoded",
"Host": "httpbin.org",
"User-Agent": "Python-urllib/3.5"
},
"json": null,
"origin": "123.124.23.253",
"url": "http://httpbin.org/post"
}
|
我们传递的参数出现在了form
字段中,这表明是模拟了表单提交的方式,以POST方式传输数据。
timeout
参数
timeout
参数用于设置超时时间,单位为秒,意思就是如果请求超出了设置的这个时间,还没有得到响应,就会抛出异常。如果不指定该参数,就会使用全局默认时间。它支持HTTP、HTTPS、FTP请求。
下面用实例来看一下:
1
2
3
4
|
import urllib.request
response = urllib.request.urlopen('http://httpbin.org/get', timeout=1)
print(response.read())
|
运行结果如下:
1
2
3
4
5
|
During handling of the above exception, another exception occurred:
Traceback (most recent call last): File "/var/py/python/urllibtest.py", line 4, in <module> response = urllib.request.urlopen('http://httpbin.org/get', timeout=1)
...
urllib.error.URLError: <urlopen error timed out>
|
这里我们设置超时时间是1秒。程序1秒过后,服务器依然没有响应,于是抛出了URLError
异常。该异常属于urllib.error
模块,错误原因是超时。
因此,可以通过设置这个超时时间来控制一个网页如果长时间未响应,就跳过它的抓取。这可以利用try except
语句来实现,相关代码如下:
1
2
3
4
5
6
7
8
9
|
import socket
import urllib.request
import urllib.error
try:
response = urllib.request.urlopen('http://httpbin.org/get', timeout=0.1)
except urllib.error.URLError as e:
if isinstance(e.reason, socket.timeout):
print('TIME OUT')
|
这里我们请求了http://httpbin.org/get测试链接,设置超时时间是0.1秒,然后捕获了URLError
异常,接着判断异常是socket.timeout
类型(意思就是超时异常),从而得出它确实是因为超时而报错,打印输出了TIME OUT
。
运行结果如下:
1
|
TIME OUT
|
按照常理来说,0.1秒内基本不可能得到服务器响应,因此输出了TIME OUT
的提示。
通过设置timeout
这个参数来实现超时处理,有时还是很有用的。
其他参数
除了data
参数和timeout
参数外,还有context
参数,它必须是ssl.SSLContext
类型,用来指定SSL设置。
此外,cafile
和capath
这两个参数分别指定CA证书和它的路径,这个在请求HTTPS链接时会有用。
cadefault
参数现在已经弃用了,其默认值为False
。
前面讲解了urlopen()
方法的用法,通过这个最基本的方法,我们可以完成简单的请求和网页抓取。若需更加详细的信息,可以参见官方文档:https://docs.python.org/3/library/urllib.request.html。
2. Request
我们知道利用urlopen()
方法可以实现最基本请求的发起,但这几个简单的参数并不足以构建一个完整的请求。如果请求中需要加入Headers等信息,就可以利用更强大的Request
类来构建。
首先,我们用实例来感受一下Request
的用法:
1
2
3
4
5
|
import urllib.request
request = urllib.request.Request('https://python.org')
response = urllib.request.urlopen(request)
print(response.read().decode('utf-8'))
|
可以发现,我们依然是用urlopen()
方法来发送这个请求,只不过这次该方法的参数不再是URL,而是一个Request
类型的对象。通过构造这个数据结构,一方面我们可以将请求独立成一个对象,另一方面可更加丰富和灵活地配置参数。
下面我们看一下Request
可以通过怎样的参数来构造,它的构造方法如下:
1
|
class urllib.request.Request(url, data=None, headers={}, origin_req_host=None, unverifiable=False, method=None)
|
- 第一个参数
url
用于请求URL,这是必传参数,其他都是可选参数。 - 第二个参数
data
如果要传,必须传bytes
(字节流)类型的。如果它是字典,可以先用urllib.parse
模块里的urlencode()
编码。 - 第三个参数
headers
是一个字典,它就是请求头,我们可以在构造请求时通过headers
参数直接构造,也可以通过调用请求实例的add_header()
方法添加。添加请求头最常用的用法就是通过修改
User-Agent
来伪装浏览器,默认的User-Agent
是Python-urllib,我们可以通过修改它来伪装浏览器。比如要伪装火狐浏览器,你可以把它设置为:1Mozilla/5.0 (X11; U; Linux i686) Gecko/20071127 Firefox/2.0.0.11 - 第四个参数
origin_req_host
指的是请求方的host名称或者IP地址。 - 第五个参数
unverifiable
表示这个请求是否是无法验证的,默认是False
,意思就是说用户没有足够权限来选择接收这个请求的结果。例如,我们请求一个HTML文档中的图片,但是我们没有自动抓取图像的权限,这时unverifiable的值就是
True`。 - 第六个参数
method
是一个字符串,用来指示请求使用的方法,比如GET、POST和PUT等。
下面我们传入多个参数构建请求来看一下:
1
2
3
4
5
6
7
8
9
10
11
12
13
14
|
from urllib import request, parse
url = 'http://httpbin.org/post'
headers = {
'User-Agent': 'Mozilla/4.0 (compatible; MSIE 5.5; Windows NT)',
'Host': 'httpbin.org'
}
dict = {
'name': 'Germey'
}
data = bytes(parse.urlencode(dict), encoding='utf8')
req = request.Request(url=url, data=data, headers=headers, method='POST')
response = request.urlopen(req)
print(response.read().decode('utf-8'))
|
这里我们通过4个参数构造了一个请求,其中url
即请求URL,headers
中指定了User-Agent
和Host
,参数data
用urlencode()
和bytes()
方法转成字节流。另外,指定了请求方式为POST。
运行结果如下:
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
|
{
"args": {},
"data": "",
"files": {},
"form": {
"name": "Germey"
},
"headers": {
"Accept-Encoding": "identity",
"Content-Length": "11",
"Content-Type": "application/x-www-form-urlencoded",
"Host": "httpbin.org",
"User-Agent": "Mozilla/4.0 (compatible; MSIE 5.5; Windows NT)"
},
"json": null,
"origin": "219.224.169.11",
"url": "http://httpbin.org/post"
}
|
观察结果可以发现,我们成功设置了data
、headers
和method
。
另外,headers
也可以用add_header()
方法来添加:
1
2
|
req = request.Request(url=url, data=data, method='POST')
req.add_header('User-Agent', 'Mozilla/4.0 (compatible; MSIE 5.5; Windows NT)')
|
如此一来,我们就可以更加方便地构造请求,实现请求的发送啦。
3. 高级用法
在上面的过程中,我们虽然可以构造请求,但是对于一些更高级的操作(比如Cookies处理、代理设置等),我们该怎么办呢?
接下来,就需要更强大的工具Handler登场了。简而言之,我们可以把它理解为各种处理器,有专门处理登录验证的,有处理Cookies的,有处理代理设置的。利用它们,我们几乎可以做到HTTP请求中所有的事情。
首先,介绍一下urllib.request
模块里的BaseHandler
类,它是所有其他Handler
的父类,它提供了最基本的方法,例如default_open()
、protocol_request()
等。
接下来,就有各种Handler
子类继承这个BaseHandler
类,举例如下。
HTTPDefaultErrorHandler
:用于处理HTTP响应错误,错误都会抛出HTTPError
类型的异常。HTTPRedirectHandler
:用于处理重定向。HTTPCookieProcessor
:用于处理Cookies。ProxyHandler
:用于设置代理,默认代理为空。HTTPPasswordMgr
:用于管理密码,它维护了用户名和密码的表。HTTPBasicAuthHandler
:用于管理认证,如果一个链接打开时需要认证,那么可以用它来解决认证问题。
另外,还有其他的Handler
类,这里就不一一列举了,详情可以参考官方文档:https://docs.python.org/3/library/urllib.request.html#urllib.request.BaseHandler。
关于怎么使用它们,现在先不用着急,后面会有实例演示。
另一个比较重要的类就是OpenerDirector
,我们可以称为Opener
。我们之前用过urlopen()
这个方法,实际上它就是urllib为我们提供的一个Opener
。
那么,为什么要引入Opener
呢?因为需要实现更高级的功能。之前使用的Request
和urlopen()
相当于类库为你封装好了极其常用的请求方法,利用它们可以完成基本的请求,但是现在不一样了,我们需要实现更高级的功能,所以需要深入一层进行配置,使用更底层的实例来完成操作,所以这里就用到了Opener
。
Opener
可以使用open()
方法,返回的类型和urlopen()
如出一辙。那么,它和Handler
有什么关系呢?简而言之,就是利用Handler
来构建Opener
。
下面用几个实例来看看它们的用法。
验证
有些网站在打开时就会弹出提示框,直接提示你输入用户名和密码,验证成功后才能查看页面,如图3-2所示。
图3-2 验证页面
那么,如果要请求这样的页面,该怎么办呢?借助HTTPBasicAuthHandler
就可以完成,相关代码如下:
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
|
from urllib.request import HTTPPasswordMgrWithDefaultRealm, HTTPBasicAuthHandler, build_opener
from urllib.error import URLError
username = 'username'
password = 'password'
url = 'http://localhost:5000/'
p = HTTPPasswordMgrWithDefaultRealm()
p.add_password(None, url, username, password)
auth_handler = HTTPBasicAuthHandler(p)
opener = build_opener(auth_handler)
try:
result = opener.open(url)
html = result.read().decode('utf-8')
print(html)
except URLError as e:
print(e.reason)
|
这里首先实例化HTTPBasicAuthHandler
对象,其参数是HTTPPasswordMgrWithDefaultRealm
对象,它利用add_password()
添加进去用户名和密码,这样就建立了一个处理验证的Handler
。
接下来,利用这个Handler
并使用build_opener()
方法构建一个Opener
,这个Opener
在发送请求时就相当于已经验证成功了。
接下来,利用Opener
的open()
方法打开链接,就可以完成验证了。这里获取到的结果就是验证后的页面源码内容。
代理
在做爬虫的时候,免不了要使用代理,如果要添加代理,可以这样做:
1
2
3
4
5
6
7
8
9
10
11
12
13
|
from urllib.error import URLError
from urllib.request import ProxyHandler, build_opener
proxy_handler = ProxyHandler({
'http': 'http://127.0.0.1:9743',
'https': 'https://127.0.0.1:9743'
})
opener = build_opener(proxy_handler)
try:
response = opener.open('https://www.baidu.com')
print(response.read().decode('utf-8'))
except URLError as e:
print(e.reason)
|
这里我们在本地搭建了一个代理,它运行在9743端口上。
这里使用了ProxyHandler
,其参数是一个字典,键名是协议类型(比如HTTP或者HTTPS等),键值是代理链接,可以添加多个代理。
然后,利用这个Handler及build_opener()
方法构造一个Opener
,之后发送请求即可。
Cookies
Cookies的处理就需要相关的Handler
了。
我们先用实例来看看怎样将网站的Cookies获取下来,相关代码如下:
1
2
3
4
5
6
7
8
|
import http.cookiejar, urllib.request
cookie = http.cookiejar.CookieJar()
handler = urllib.request.HTTPCookieProcessor(cookie)
opener = urllib.request.build_opener(handler)
response = opener.open('http://www.baidu.com')
for item in cookie:
print(item.name+"="+item.value)
|
首先,我们必须声明一个CookieJar
对象。接下来,就需要利用HTTPCookieProcessor
来构建一个Handler
,最后利用build_opener()
方法构建出Opener
,执行open()
函数即可。
运行结果如下:
1
2
3
4
5
6
|
BAIDUID=2E65A683F8A8BA3DF521469DF8EFF1E1:FG=1
BIDUPSID=2E65A683F8A8BA3DF521469DF8EFF1E1
H_PS_PSSID=20987_1421_18282_17949_21122_17001_21227_21189_21161_20927
PSTM=1474900615
BDSVRTM=0
BD_HOME=0
|
可以看到,这里输出了每条Cookie的名称和值。
不过既然能输出,那可不可以输出成文件格式呢?我们知道Cookies实际上也是以文本形式保存的。
答案当然是肯定的,这里通过下面的实例来看看:
1
2
3
4
5
6
|
filename = 'cookies.txt'
cookie = http.cookiejar.MozillaCookieJar(filename)
handler = urllib.request.HTTPCookieProcessor(cookie)
opener = urllib.request.build_opener(handler)
response = opener.open('http://www.baidu.com')
cookie.save(ignore_discard=True, ignore_expires=True)
|
这时CookieJar
就需要换成MozillaCookieJar
,它在生成文件时会用到,是CookieJar
的子类,可以用来处理Cookies和文件相关的事件,比如读取和保存Cookies,可以将Cookies保存成Mozilla型浏览器的Cookies格式。
运行之后,可以发现生成了一个cookies.txt文件,其内容如下:
1
2
3
4
5
6
7
8
9
10
|
# Netscape HTTP Cookie File
# http://curl.haxx.se/rfc/cookie_spec.html
# This is a generated file! Do not edit.
.baidu.com TRUE / FALSE 3622386254 BAIDUID 05AE39B5F56C1DEC474325CDA522D44F:FG=1
.baidu.com TRUE / FALSE 3622386254 BIDUPSID 05AE39B5F56C1DEC474325CDA522D44F
.baidu.com TRUE / FALSE H_PS_PSSID 19638_1453_17710_18240_21091_18560_17001_21191_21161
.baidu.com TRUE / FALSE 3622386254 PSTM 1474902606
www.baidu.com FALSE / FALSE BDSVRTM 0
www.baidu.com FALSE / FALSE BD_HOME 0
|
另外,LWPCookieJar
同样可以读取和保存Cookies,但是保存的格式和MozillaCookieJar
不一样,它会保存成libwww-perl(LWP)格式的Cookies文件。
要保存成LWP格式的Cookies文件,可以在声明时就改为:
1
|
cookie = http.cookiejar.LWPCookieJar(filename)
|
此时生成的内容如下:
1
2
3
4
5
6
7
|
#LWP-Cookies-2.0
Set-Cookie3: BAIDUID="0CE9C56F598E69DB375B7C294AE5C591:FG=1"; path="/"; domain=".baidu.com"; path_spec; domain_dot; expires="2084-10-14 18:25:19Z"; version=0
Set-Cookie3: BIDUPSID=0CE9C56F598E69DB375B7C294AE5C591; path="/"; domain=".baidu.com"; path_spec; domain_dot; expires="2084-10-14 18:25:19Z"; version=0
Set-Cookie3: H_PS_PSSID=20048_1448_18240_17944_21089_21192_21161_20929; path="/"; domain=".baidu.com"; path_spec; domain_dot; discard; version=0
Set-Cookie3: PSTM=1474902671; path="/"; domain=".baidu.com"; path_spec; domain_dot; expires="2084-10-14 18:25:19Z"; version=0
Set-Cookie3: BDSVRTM=0; path="/"; domain="www.baidu.com"; path_spec; discard; version=0
Set-Cookie3: BD_HOME=0; path="/"; domain="www.baidu.com"; path_spec; discard; version=0
|
由此看来,生成的格式还是有比较大差异的。
那么,生成了Cookies文件后,怎样从文件中读取并利用呢?
下面我们以LWPCookieJar
格式为例来看一下:
1
2
3
4
5
6
|
cookie = http.cookiejar.LWPCookieJar()
cookie.load('cookies.txt', ignore_discard=True, ignore_expires=True)
handler = urllib.request.HTTPCookieProcessor(cookie)
opener = urllib.request.build_opener(handler)
response = opener.open('http://www.baidu.com')
print(response.read().decode('utf-8'))
|
可以看到,这里调用load()
方法来读取本地的Cookies文件,获取到了Cookies的内容。不过前提是我们首先生成了LWPCookieJar格式的Cookies,并保存成文件,然后读取Cookies之后使用同样的方法构建Handler和Opener即可完成操作。
运行结果正常的话,会输出百度网页的源代码。
通过上面的方法,我们可以实现绝大多数请求功能的设置了。
这便是urllib库中request
模块的基本用法,如果想实现更多的功能,可以参考官方文档的说明:https://docs.python.org/3/library/urllib.request.html#basehandler-objects。