urllib包
urllib是一个包含几个模块来处理请求的库。分别是：
urllib.request 发送http请求
urllib.error 处理请求过程中,出现的异常。
urllib.parse 解析url
urllib.robotparser 解析robots.txt 文件
urllib.request
urllib当中使用最多的模块,涉及请求，响应，浏览器模拟，代理，cookie等功能。
1. 快速请求
urlopen返回对象提供一些基本方法：
- read 返回文本数据
- info 服务器返回的头信息
- getcode 状态码
- geturl 请求的url
request.urlopen(url, data=None, timeout=10) #url: 需要打开的网址 #data：Post提交的数据 #timeout：设置网站的访问超时时间 from urllib import request import ssl # 解决某些环境下报<urlopen error [SSL: CERTIFICATE_VERIFY_FAILED] certificate verify failed ssl._create_default_https_context = ssl._create_unverified_context url = 'https://www.jianshu.com' #返回<http.client.HTTPResponse object at 0x0000000002E34550> response = request.urlopen(url, data=None, timeout=10) #直接用urllib.request模块的urlopen()获取页面，page的数据格式为bytes类型，需要decode()解码，转换成str类型。 page = response.read().decode('utf-8')
2.模拟PC浏览器和手机浏览器
需要添加headers头信息，urlopen不支持，需要使用Request
PC
import urllib.request url = 'https://www.jianshu.com' # 增加header headers = { 'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/58.0.3029.96 Safari/537.36' } request = urllib.request.Request(url,headers=headers) response = urllib.request.urlopen(request) #在urllib里面 判断是get请求还是post请求，就是判断是否提交了data参数 print(request.get_method()) >> 输出结果 GET
手机
req = request.Request('http://www.douban.com/') req.add_header('User-Agent', 'Mozilla/6.0 (iPhone; CPU iPhone OS 8_0 like Mac OS X) ' 'AppleWebKit/536.26 (KHTML, like Gecko) Version/8.0 Mobile/10A5376e Safari/8536.25') with request.urlopen(req) as f: print('Status:', f.status, f.reason) for k, v in f.getheaders(): print('%s: %s' % (k, v)) print('Data:', f.read().decode('utf-8'))
3.Cookie的使用
客户端用于记录用户身份,维持登录信息
import http.cookiejar, urllib.request # 1 创建CookieJar对象 cookie = http.cookiejar.CookieJar() # 使用HTTPCookieProcessor创建cookie处理器， handler = urllib.request.HTTPCookieProcessor(cookie) # 构建opener对象 opener = urllib.request.build_opener(handler) # 将opener安装为全局 urllib.request.install_opener(opener) data = urllib.request.urlopen(url) # 2 保存cookie为文本 import http.cookiejar, urllib.request filename = "cookie.txt" # 保存类型有很多种 ## 类型1 cookie = http.cookiejar.MozillaCookieJar(filename) ## 类型2 cookie = http.cookiejar.LWPCookieJar(filename) # 使用相应的方法读取 cookie = http.cookiejar.LWPCookieJar() cookie.load('cookie.txt',ignore_discard=True,ignore_expires=True) handler = urllib.request.HTTPCookieProcessor(cookie) opener = urllib.request.build_opener(handler) ……
4.设置代理
当需要抓取的网站设置了访问限制，这时就需要用到代理来抓取数据。
import urllib.request url = 'http://httpbin.org/ip' proxy = {'http':'39.134.108.89:8080','https':'39.134.108.89:8080'} proxies = urllib.request.ProxyHandler(proxy) # 创建代理处理器 opener = urllib.request.build_opener(proxies,urllib.request.HTTPHandler) # 创建特定的opener对象 urllib.request.install_opener(opener) # 安装全局的opener 把urlopen也变成特定的opener data = urllib.request.urlopen(url) print(data.read().decode())
urllib.error
urllib.error可以接收有urllib.request产生的异常。urllib.error中常用的有两个方法，URLError和HTTPError。URLError是OSError的一个子类，
HTTPError是URLError的一个子类，服务器上HTTP的响应会返回一个状态码，根据这个HTTP状态码，我们可以知道我们的访问是否成功。
URLError
URLError产生原因一般是:网络无法连接、服务器不存在等。
例如访问一个不存在的url
import urllib.error import urllib.request requset = urllib.request.Request('http://www.usahfkjashfj.com/') try: urllib.request.urlopen(requset).read() except urllib.error.URLError as e: print(e.reason) else: print('success') >> print结果 [Errno 11004] getaddrinfo failed
HTTPError
HTTPError是URLError的子类，在你利用URLopen方法发出一个请求时，服务器上都会对应一个应答对象response，其中他包含一个数字“状态码”，
例如response是一个重定向，需定位到别的地址获取文档，urllib将对此进行处理。其他不能处理的，URLopen会产生一个HTTPError，对应相应的状态码，
HTTP状态码表示HTTP协议所返回的响应的状态。
from urllib import request, error try: response = request.urlopen('http://cuiqingcai.com/index.htm') except error.URLError as e: print(e.reason) # 先捕获子类错误 try: response = request.urlopen('http://cuiqingcai.com/index.htm') except error.HTTPError as e: print(e.reason, e.code, e.headers, sep='\n') except error.URLError as e: print(e.reason) else: print('Request Successfully')
>> print结果
Not Found
————-
Not Found
404
Server: nginx/1.10.3 (Ubuntu)
Date: Thu, 08 Feb 2018 14:45:39 GMT
Content-Type: text/html; charset=UTF-8
Transfer-Encoding: chunked
Connection: close
Vary: Cookie
Expires: Wed, 11 Jan 1984 05:00:00 GMT
urllib.parse
urllib.parse.urljoin 拼接url
基于一个base URL和另一个URL构造一个绝对URL,url必须为一致站点,否则后面参数会覆蓋前面的host
print(parse.urljoin('https://www.jianshu.com/xyz','FAQ.html')) print(parse.urljoin('http://www.baidu.com/about.html','http://www.baidu.com/FAQ.html')) >>结果 https://www.jianshu.com/FAQ.html http://www.baidu.com/FAQ.html
urllib.parse.urlencode 字典转字符串
from urllib import request, parse url = r'https://www.jianshu.com/collections/20f7f4031550/mark_viewed.json' headers = { 'User-Agent': r'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/63.0.3239.132 Safari/537.36', 'Referer': r'https://www.jianshu.com/c/20f7f4031550?utm_medium=index-collections&utm_source=desktop', 'Connection': 'keep-alive' } data = { 'uuid': '5a9a30b5-3259-4fa0-ab1f-be647dbeb08a', } #Post的数据必须是bytes或者iterable of bytes，不能是str，因此需要进行encode（）编码 data = parse.urlencode(data).encode('utf-8') print(data) req = request.Request(url, headers=headers, data=data) page = request.urlopen(req).read() page = page.decode('utf-8') print(page) >>结果 b'uuid=5a9a30b5-3259-4fa0-ab1f-be647dbeb08a' {"message":"success"}
urllib.parse.quote url编码
urllib.parse.unquote url解码
Url的编码格式采用的是ASCII码，而不是Unicode，比如
http://so.biquge.la/cse/search?s=7138806708853866527&q=%CD%EA%C3%C0%CA%C0%BD%E7
from urllib import parse x = parse.quote('山西', encoding='gb18030')# encoding='GBK print(x) #%C9%BD%CE%F7 city = parse.unquote('%E5%B1%B1%E8%A5%BF',) # encoding='utf-8' print(city) # 山西
urllib3包
Urllib3是一个功能强大，条理清晰，用于HTTP客户端的Python库，许多Python的原生系统已经开始使用urllib3。Urllib3提供了很多python标准库里所没有的重要特性：
1.线程安全
2.连接池
3.客户端SSL/TLS验证
4.文件分部编码上传
5.协助处理重复请求和HTTP重定位
6.支持压缩编码
7.支持HTTP和SOCKS代理
安装：
Urllib3 能通过pip来安装：
$pip install urllib3
你也可以在github上下载最新的源码，解压之后进行安装：
$git clone git://github.com/shazow/urllib3.git
$python setup.py install
urllib3的使用：
request GET请求
import urllib3 import requests # 忽略警告：InsecureRequestWarning: Unverified HTTPS request is being made. Adding certificate verification is strongly advised. requests.packages.urllib3.disable_warnings() # 一个PoolManager实例来生成请求, 由该实例对象处理与线程池的连接以及线程安全的所有细节 http = urllib3.PoolManager() # 通过request()方法创建一个请求： r = http.request('GET', 'http://cuiqingcai.com/') print(r.status) # 200 # 获得html源码,utf-8解码 print(r.data.decode())
request GET请求(添加数据)
header = { 'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/63.0.3239.108 Safari/537.36' } r = http.request('GET', 'https://www.baidu.com/s?', fields={'wd': 'hello'}, headers=header) print(r.status) # 200 print(r.data.decode())
post请求
#你还可以通过request()方法向请求(request)中添加一些其他信息，如： header = { 'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/63.0.3239.108 Safari/537.36' } r = http.request('POST', 'http://httpbin.org/post', fields={'hello':'world'}, headers=header) print(r.data.decode())
# 对于POST和PUT请求(request),需要手动对传入数据进行编码，然后加在URL之后： encode_arg = urllib.parse.urlencode({'arg': '我的'}) print(encode_arg.encode()) r = http.request('POST', 'http://httpbin.org/post?'+encode_arg, headers=header) # unicode解码 print(r.data.decode('unicode_escape'))
发送json数据
#JSON:在发起请求时,可以通过定义body 参数并定义headers的Content-Type参数来发送一个已经过编译的JSON数据： import json data={'attribute':'value'} encode_data= json.dumps(data).encode() r = http.request('POST', 'http://httpbin.org/post', body=encode_data, headers={'Content-Type':'application/json'} ) print(r.data.decode('unicode_escape'))
上传文件
#使用multipart/form-data编码方式上传文件,可以使用和传入Form data数据一样的方法进行,并将文件定义为一个元组的形式 (file_name,file_data): with open('1.txt','r+',encoding='UTF-8') as f: file_read = f.read() r = http.request('POST', 'http://httpbin.org/post', fields={'filefield':('1.txt', file_read, 'text/plain') }) print(r.data.decode('unicode_escape')) #二进制文件 with open('websocket.jpg','rb') as f2: binary_read = f2.read() r = http.request('POST', 'http://httpbin.org/post', body=binary_read, headers={'Content-Type': 'image/jpeg'}) # # print(json.loads(r.data.decode('utf-8'))['data'] ) print(r.data.decode('utf-8'))
使用Timeout
#使用timeout，可以控制请求的运行时间。在一些简单的应用中，可以将timeout参数设置为一个浮点数： r = http.request('POST', 'http://httpbin.org/post',timeout=3.0) print(r.data.decode('utf-8')) #让所有的request都遵循一个timeout，可以将timeout参数定义在PoolManager中： http = urllib3.PoolManager(timeout=3.0)
对重试和重定向进行控制
#通过设置retries参数对重试进行控制。Urllib3默认进行3次请求重试，并进行3次方向改变。 r = http.request('GET', 'http://httpbin.org/ip',retries=5)#请求重试的次数为5 print(r.data.decode('utf-8')) ##关闭请求重试(retrying request)及重定向(redirect)只要将retries定义为False即可： r = http.request('GET', 'http://httpbin.org/redirect/1',retries=False,redirect=False) print('d1',r.data.decode('utf-8')) #关闭重定向(redirect)但保持重试(retrying request),将redirect参数定义为False即可 r = http.request('GET', 'http://httpbin.org/redirect/1',redirect=False)
