python 爬虫 02-urllib+requests

1. urllib.request模块

 

1.1 版本

python2 ：urllib2、urllib

python3 ：把urllib和urllib2合并,urllib.request

 

1.2 常用的方法

 

• urllib.request.urlopen("URL")  作用 ：向网站发起一个请求并获取响应
• 字节流 = response.read()
• 字符串 = response.read().decode("utf-8")
• urllib.request.Request"URL",headers="User-Agent , Referer 之类")  　　# 其得到的对象是

　　　　urlopen()不支持重构User-Agent    其中的request才可以用，一般套路都是  框架或模块 urllib.reauest.Request(url, data=none, headers={},origin_req_host=none, 

unverifiable=False, method=None)

• • 第一个参数url用于请求URL，肯定是必传参数，其他都是可选
  • 第二个参数data如果要传，必须是bytes（字节流）类，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，我们可在构造请求是通过headers参数直接构造，

　　　　也可通过调用请求实例的add_header()方法

　　　　添加请求头★最常用的用法是通过修改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。

　　　　如要伪装火狐浏览器：

　　　　Mozilla/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IP地址
  • 第五个参数unverifiable表示这个请求是否无法验证，默认False，意思是说用户没有足够权限

　　　　来接受这个请求的结果。

　　　　如我们请求一个HTML文档中的图片，但是我们没自动抓取图像的权限，这是unverifiable的值

　　　　就是True

• • 第六个参数method是一个字符串，用来致死请求使用的方法，如GET,POST,PUT

 

import urllib.request

request = urllib.request.Request('https://python.org')        
response = urllib.request.urlopen(request)        #urlopen发送这个请求
                            #但是参数不再是URL
                            #而是一个Request的对象
print(response.read().decode('utf-8'))

 

 

1.3 响应对象

 

• read()  读取服务器响应的内容
• getcode() 返回HTTP的响应码　　　　# 就是相应状态码 200，301，302，304，404
• geturl()  返回实际数据的URL(防止重定向问题)　　# 这里就是 先urlopen（）之后的网站 调用其 geturl（）看   其重定向

 

2.  urllib.parse模块

 

2.1 常用方法

 

• urlencode(字典)　　#将一些ASCII 不可以打印的字符给转化了，就是相当于搜索栏里面搜中文，&也会被转，空格也会，非法字符也会
•  quote(字符串) (这个里面的参数是个字符串)

 

from urllib import request,parse

url = 'http://httpbin.org/post'
headers = {
    'User-Agent':'自己的User-Agent',
    'Host':'httpbin.org'
}
dict = {
    'name':'Sun'
}
data = bytes(parse.urlencode(dict),encoding = 'utf8')
req = request.Request(url = url,data = data,headers = headers,method = 'POST')
reponse = request.urlopen(zeq)
print(reponse.read().decaode('utf-8'))

# 其中url请求URL
# headers指定User-Agent和Host
# 参数data用urlencode()和bytes()方法转成字节流
# 请求方法是POST

# 另外，headers也可以用add_header()方法添加!
# req = request.Request(url=url, data=data, method='POST')
# req.add.header('User-agent','添加的User-Agent')

一些其他用法：

#urllib.request模块里的BaseHandler类是所有其他Handler的父类
#其提供了default_open()、protocol_request()


#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，如连接打开需认证，则可解决

 

3. 请求方式

 

• GET 特点 ：查询参数在URL地址中显示
• POST

• 在Request方法中添加data参数 urllib.request.Request(url,data=data,headers=headers)
• data ：表单数据以bytes类型提交,不能是str

 

4. requests模块

 

4.1 安装

 

• pip install requests
• 在开发工具中安装

 

4.2 request常用方法

 

• requests.get（网址）

 

4.3 响应对象response的方法

 

• response.text 返回unicode格式的数据(str)
• response.content 返回字节流数据(二进制)
• response.content.decode('utf-8') 手动进行解码
• response.url  返回url
• response.encode() = ‘编码’

 

4.4 requests模块发送 POST请求

 

4.5 requests设置代理

 

• 使用requests添加代理只需要在请求方法中(get/post)传递proxies参数就可以了
• 代理网站

 

想看代理集合？ 来这里！！！

重要的就是找到免费代理网站然后存下来做成代理池 

 

4.6 cookie

 

cookie ：通过在客户端记录的信息确定用户身份

 

HTTP是一种无连接协议,客户端和服务器交互仅仅限于 请求/响应过程,结束后断开,下一次请求时,服务器会认为是一个新的客户端,为了维护他们之间的连接,让服务器知道这是前一个用户发起的请求,必须在一个地方保存客户端信息。

 

 

 

4.7 session

 

session ：通过在服务端记录的信息确定用户身份 这里这个session就是一个指的是会话

　　解释：相当于 我登录给了cookie，但是下次就没了，所以用一个会话存储它，让一个程序能继续访问该站点

 

 

4.8 处理不信任的SSL证书

 

什么是SSL证书？

• SSL证书是数字证书的一种，类似于驾驶证、护照和营业执照的电子副本。因为配置在服务器上，也称为SSL服务器证书。SSL 证书就是遵守 SSL协议，由受信任的数字证书颁发机构CA，在验证服务器身份后颁发，具有服务器身份验证和数据传输加密功能

 

 

5. requests 模块源码分析