爬虫——Urllib库

urllib库是python中的网络请求库，模拟浏览器行为，向指定的服务器发送一个请求，并可以保存服务器返回的数据，urllib包含四个子模块：

• url.request 负责请求
• urllib.error 异常处理模块
• urllib.parse url负责解析
• urllib.robotparser负责robots.txt文件的解析

其中urllib.request 模块提供了最基本的构造 HTTP （或其他协议如 FTP）请求的方法，利用它可以模拟浏览器的一个请求发起过程。利用不同的协议去获取 URL 信息。它的某些接口能够处理基础认证 （ Basic Authenticaton） 、redirections （HTTP 重定向)、 Cookies (浏览器 Cookies）等情况。而这些接口是由 handlers 和 openers 对象提供的。

urlopen函数

在python3的urllib库中，所有何网络请求相关的方法，都被集到urllib.request模块下面了，urlopen函数的基本使用：

• 其中url为要访问的目标网址，
• data：Post 提交的数据， 默认为 None ，发送一个GET请求到指定的页面，当 data 不为 None 时, urlopen() 提交方式为 Post
• timeout：设置网站访问超时时间

urlopen 返回一个类文件对象，并提供了如下方法：

• read() , readline() , readlines() , fileno() , close() ：这些方法的使用方式与文件对象完全一样
• info()：返回一个httplib.HTTPMessage对象，表示远程服务器返回的头信息；可以通过Quick Reference to Http Headers查看 Http Header 列表。
• getcode()：返回Http状态码。如果是http请求，200表示请求成功完成；404表示网址未找到
• geturl()：返回获取页面的真实 URL。在 urlopen（或 opener 对象）可能带一个重定向时，此方法很有帮助。获取的页面 URL 不一定跟真实请求的 URL 相同。

from urllib import request
resp = request.urlopen('http://www.baidu.com') 
print(resp.read())

使用浏览器访问百度，右键查看源代码。你会发现，跟我们刚才打印出来的数据是一模一样的。也就是说，上面的三行代码就已经帮我们把百度的首页的全部代码爬下来了。一个基本的url请求对应的python代码真的非常简单。

urlretrieve函数：

这个函数可以方便的将网页上的一个文件保存到本地。

urlretrieve(url, filename=None, reporthook=None, data=None)

• 参数url：下载链接地址
• 参数filename：指定了保存本地路径（如果参数未指定，urllib会生成一个临时文件保存数据）
• 参数reporthook：是一个回调函数，当连接上服务器、以及相应的数据块传输完毕时会触发该回调，我们可以利用这个回调函数来显示当前的下载进度。
• 参数data：指post导服务器的数据，该方法返回一个包含两个元素的(filename, headers) 元组，filename 表示保存到本地的路径，header表示服务器的响应头

以下代码非常轻松地将百度首页代码下载到了本地

from urllib import request
request.urlretrieve('http://www.baidu.com', 'baidu.html')

urlencode函数：

用浏览器发送请求的时候，如果url中包含了中文或者其他特殊字符，那么浏览器会自动的给我们进行编码。而如果使用代码发送请求，那么就必须手动的进行编码，这时候就应该使用urlencode函数来实现。urlencode可以把字典数据转换为url编码的数据。示例代码如下：

from urllib import parse
data = {'name':'爬虫基础','greet':'hello world','age':100}
qs = parse.urlencode(data)
print(qs)

parse_qs函数：

可以将经过编码后的url参数进行解码。示例代码如下：

from urllib import parse
qs = "name=%E7%88%AC%E8%99%AB%E5%9F%BA%E7%A1%80&greet=hello+world&age=100"
print(parse.parse_qs(qs))

urlparse和urlsplit

有时候拿到一个url，想要对这个url中的各个组成部分进行分割，那么这时候就可以使用urlparse或者是urlsplit来进行分割。示例代码如下：

from urllib import request,parse
url = 'http://www.baidu.com/s?username=vsbf'
result = parse.urlsplit(url)
# result = parse.urlparse(url)

print('scheme:',result.scheme)
print('netloc:',result.netloc)
print('path:',result.path)
print('query:',result.query)

urlparse和urlsplit基本相同

request.Request类：

利用urlopen( )方法可以实现最基本请求的发起，但有时候如果我们想在请求的时候，加入一些Headers等信息，那么就必须要使用Request类，构造函数如下：

class urllib.request.Request(url, data=None, headers={ }, origin_req_host=None,unverifiable=False, method=None)

• 参数url用于请求URL，这是必传参数，其他都是可选参数
• 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
• 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示例的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
• 参数origin_req_host指的是请求方的host名称或者IP地址
• 参数unverifiable表示这个请求是无法验证的，默认是False，意思就是说用户没有足够的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
• 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

参考文章

如果我们想加一个User-Agent

from urllib import request

headers = {
    'User-Agent': 'Mozilla/5.0 (Linux; Android 6.0; Nexus 5 Build/MRA58N) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/83.0.4103.116 Mobile Safari/537.36'
}

req = request.Request("http://www.baidu.com/", headers=headers)
resp = request.urlopen(req)
print(resp.read())

opener类

urllib.urlopen()函数不支持验证、cookie或者其它HTTP高级功能。要支持这些功能，必须使用build_opener()函数创建自定义Opener对象：

• 使用相关的Handler处理器来创建特定功能的处理器对象
• 然后通过urllib2.build_opener()方法使用这些处理器对象，创建自定义opener对象
• 使用自定义的opener对象，调用open()方法发送请求

如果程序里所有的请求都使用自定义的opener,可以使用urllib2.install_open()将自定义的opener对象定义为全局opener,表示如果之后凡是调用urlopen,都将使用这个opener(根据自己的需求来选择)

ProxyHandler处理器（代理设置）

很多网站会检测一段时间某个IP的访问次数，如果访问次数太多，它会禁止这个IP的访问。所以我们可以设置一些代理服务器，每隔一段时间换一个代理，就算IP被禁止，依然可以换一个IP继续爬。

常用的获取代理ip的网站：
http://www.goubanjia.com/
https://www.xicidaili.com/
http://www.dailiyun.com/
http://www.kuaidaili.com/

步骤：

• 使用proxyhandler，传入代理(字典形式)构建一个handler
• 使用上面创建的handler构建一个opener
• 使用opener发送一个请求

from urllib import request
handler = request.ProxyHandler({"http" : "14.115.104.103:808"}) #创建代理
opener = request.build_opener(handler) 
req = request.Request("http://www.baidu.com")
resp = opener.open(req)
print(resp.read())

如果爬不出来，就要考虑更换代理。

Cookie

啥是Cookie？

当用户通过浏览器首次访问一个域名时，访问的web服务器会给客户端发送数据，以保持web服务器与客户端之间的状态保持，这些数据就是cookie，它是Internet站点创建的，为了辨别用户身份而储存在用户本地终端上的数据，cookie大部分都是加密的，cookie存在与缓存中或者硬盘中，在硬盘中的是一些文本文件，当你访问该网站时，就会读取对应的网站的cookie信息，cookie有效地提升了用户体验，一般来说，一旦将cookie保存在计算机上，则只有创建该cookie的网站才能读取它

来源：Python的Cookie详解

我们如果登录了一个网站，浏览器会把我们的登录信息保存，下次再进入的时候，不需要输入账号密码，只需要读取cookie信息就好了

cookie的格式

Set-Cookie: NAME=VALUE；Expires/Max-age=DATE；Path=PATH；Domain=DOMAIN_NAME；SECURE

• NAME：cookie的名字
• VALUE：cookie的值
• Expires：cookie的过期时间
• Path：cookie作用的路径
• Domain：cookie作用的域名
• SECURE：是否只在https协议下起作用

使用cookielib库和HTTPCookieProcessor模拟登录

这里以我的博客为例。在我的博客中，要访问后台，必须先登录才能访问，登录说白了就是要有cookie信息。

那么如果我们想要用代码的方式访问，就必须要有正确的cookie信息才能访问。解决方案有两种，第一种是使用浏览器访问，然后将cookie信息复制下来，放到headers中，示例代码如下：

from urllib import request
from ipython_genutils import encoding

headers = {
    'User_Agent' : 'Mozilla/5.0 (Linux; Android 6.0; Nexus 5 Build/MRA58N) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/83.0.4103.116 Mobile Safari/537.36',
    'Cookie' : '这个就算了吧，你们用自己的博客试试，嘿嘿嘿'
}
url = '自己的后台链接'
req = request.Request(url, headers = headers)
resp = request.urlopen(req)

with open('wp-admin.html','w', encoding='utf-8') as fp:
    fp.write(resp.read().decode())  #将文件写入当前文件夹

所以说cookie应该是一个很重要的东西，如果你的cookie信息被泄露了...那就呵呵了

但是每次在访问需要cookie的页面都要从浏览器中复制cookie比较麻烦。在Python处理Cookie，一般是通过http.cookiejar模块和urllib模块的HTTPCookieProcessor处理器类一起使用。http.cookiejar模块主要作用是提供用于存储cookie的对象。而HTTPCookieProcessor处理器主要作用是处理这些cookie对象，并构建handler对象。

http.cookiejar模块：

该模块主要的类有CookieJar、FileCookieJar、MozillaCookieJar、LWPCookieJar。这四个类的作用分别如下：

1. CookieJar：管理HTTP cookie值、存储HTTP请求生成的cookie、向传出的HTTP请求添加cookie的对象。整个cookie都存储在内存中，对CookieJar实例进行垃圾回收后cookie也将丢失。
2. FileCookieJar (filename,delayload=None,policy=None)：从CookieJar派生而来，用来创建FileCookieJar实例，检索cookie信息并将cookie存储到文件中。filename是存储cookie的文件名。delayload为True时支持延迟访问访问文件，即只有在需要时才读取文件或在文件中存储数据。
3. MozillaCookieJar (filename,delayload=None,policy=None)：从FileCookieJar派生而来，创建与Mozilla浏览器 cookies.txt兼容的FileCookieJar实例。
4. LWPCookieJar (filename,delayload=None,policy=None)：从FileCookieJar派生而来，创建与libwww-perl标准的 Set-Cookie3 文件格式兼容的FileCookieJar实例。

登录页面：

from urllib import request, parse
from http.cookiejar import  CookieJar
headers = {
    'User_Agent' : 'Mozilla/5.0 (Linux; Android 6.0; Nexus 5 Build/MRA58N) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/83.0.4103.116 Mobile Safari/537.36'
}
def get_opener():
    cookiejar = CookieJar()  #创建一个cookiejar对象
    opener = request.build_opener(request.HTTPCookieProcessor(cookiejar)) #使用cookiejar创建一个opener对象
    return opener

def login_admin(opener):
    data = {'log':'账号', 'pwd':'密码'}  #登录需要的数据字典
    data = parse.urlencode(data).encode('utf-8') #将数据编码处理
    login_url = 'http://www.vsbf.fun/xxx' #提交数据的页面
    req = request.Request(login_url, headers = headers, data = data)
    opener.open(req)

def visit_admin(opener):
    url = 'http://www.vsbf.fun/xxx'
    req = request.Request(url, headers=headers)
    resp = opener.open(req)
    with open('admin.html', 'w', encoding = 'utf-8') as fp:
        fp.write(resp.read().decode())

if __name__ == '__main__':
    opener = get_opener() #创建一个使用HTTPCookieProcessor创建一个open对象
    login_admin(opener) #获取cookie
    visit_admin(opener) #使用获取的cookie访问数据

data = parse.urlencode(data).encode('utf-8') ，由于我们的data中可能包含了中文或者其他特殊字符，一般来说浏览器会自动的给我们进行编码。而如果使用代码发送请求，那么就必须手动的进行编码，这时候就应该使用urlencode函数来实现，编码之后，是一个字符串的格式，还需要将其编码变成bytes格式

保存cookie到本地：

使用cookiejar的save方法，并且指定文件名：

from urllib import request
from http.cookiejar import MozillaCookieJar

cookiejar = MozillaCookieJar("cookie.txt") #如果mozilla指定了名字，后面的sava就不用指定，否则需要指定
handler = request.HTTPCookieProcessor(cookiejar)
opener = request.build_opener(handler)

headers = {
    'User_Agent' : 'Mozilla/5.0 (Linux; Android 6.0; Nexus 5 Build/MRA58N) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/83.0.4103.116 Mobile Safari/537.36'
}
req = request.Request(url参数 ,headers=headers)
resp = opener.open(req)
print(resp.read())
cookiejar.save(ignore_discard=True,ignore_expires=True) #忽略过期时间

从本地加载cookie：

从本地加载cookie，需要使用cookiejar的load方法，并且也需要指定方法：

from urllib import request
from http.cookiejar import MozillaCookieJar

cookiejar = MozillaCookieJar("cookie.txt") #如果这里制定了参数，load的时候就不需要指定了
cookiejar.load(ignore_expires=True,ignore_discard=True) 
handler = request.HTTPCookieProcessor(cookiejar)
opener = request.build_opener(handler)

headers = {
    'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/62.0.3202.94 Safari/537.36'
}
req = request.Request(url参数, headers=headers)

resp = opener.open(req)
print(resp.read())