標籤：

【Python3網路爬蟲開發實戰】3.1.1-發送請求

02-26

使用urllib的request模塊，我們可以方便地實現請求的發送並得到響應，本節就來看下它的具體用法。

1. urlopen()

urllib.request模塊提供了最基本的構造HTTP請求的方法，利用它可以模擬瀏覽器的一個請求發起過程，同時它還帶有處理授權驗證（authenticaton）、重定向（redirection)、瀏覽器Cookies以及其他內容。

下面我們來看一下它的強大之處。這裡以Python官網為例，我們來把這個網頁抓下來：

import urllib.requestresponse = urllib.request.urlopen(https://www.python.org)print(response.read().decode(utf-8))

運行結果如圖3-1所示。

圖3-1 運行結果

這裡我們只用了兩行代碼，便完成了Python官網的抓取，輸出了網頁的源代碼。得到源代碼之後呢？我們想要的鏈接、圖片地址、文本信息不就都可以提取出來了嗎？

接下來，看看它返回的到底是什麼。利用type()方法輸出響應的類型：

import urllib.requestresponse = urllib.request.urlopen(https://www.python.org)print(type(response))

輸出結果如下：

<class http.client.HTTPResponse>

可以發現，它是一個HTTPResposne類型的對象。它主要包含read()、readinto()、getheader(name)、getheaders()、fileno()等方法，以及msg、version、status、reason、debuglevel、closed等屬性。

得到這個對象之後，我們把它賦值為response變數，然後就可以調用這些方法和屬性，得到返回結果的一系列信息了。

例如，調用read()方法可以得到返回的網頁內容，調用status屬性可以得到返回結果的狀態碼，如200代表請求成功，404代表網頁未找到等。

下面再通過一個實例來看看：

import urllib.requestresponse = urllib.request.urlopen(https://www.python.org)print(response.status)print(response.getheaders())print(response.getheader(Server))

運行結果如下：

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

可見，前兩個輸出分別輸出了響應的狀態碼和響應的頭信息，最後一個輸出通過調用getheader()方法並傳遞一個參數Server獲取了響應頭中的Server值，結果是nginx，意思是伺服器是用Nginx搭建的。

利用最基本的urlopen()方法，可以完成最基本的簡單網頁的GET請求抓取。

如果想給鏈接傳遞一些參數，該怎麼實現呢？首先看一下urlopen()函數的API：

urllib.request.urlopen(url, data=None, [timeout, ]*, cafile=None, capath=None, cadefault=False, context=None)

可以發現，除了第一個參數可以傳遞URL之外，我們還可以傳遞其他內容，比如data（附加數據）、timeout（超時時間）等。

下面我們詳細說明下這幾個參數的用法。

data參數

data參數是可選的。如果要添加該參數，並且如果它是位元組流編碼格式的內容，即bytes類型，則需要通過bytes()方法轉化。另外，如果傳遞了這個參數，則它的請求方式就不再是GET方式，而是POST方式。

下面用實例來看一下：

import urllib.parseimport urllib.requestdata = bytes(urllib.parse.urlencode({word: hello}), encoding=utf8)response = urllib.request.urlopen(http://httpbin.org/post, data=data)print(response.read())

這裡我們傳遞了一個參數word，值是hello。它需要被轉碼成bytes（位元組流）類型。其中轉位元組流採用了bytes()方法，該方法的第一個參數需要是str（字元串）類型，需要用urllib.parse模塊里的urlencode()方法來將參數字典轉化為字元串；第二個參數指定編碼格式，這裡指定為utf8。

這裡請求的站點是httpbin.org，它可以提供HTTP請求測試。本次我們請求的URL為httpbin.org/post，這個鏈接可以用來測試POST請求，它可以輸出請求的一些信息，其中包含我們傳遞的data參數。

運行結果如下：

{ "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"}

我們傳遞的參數出現在了form欄位中，這表明是模擬了表單提交的方式，以POST方式傳輸數據。

timeout參數

timeout參數用於設置超時時間，單位為秒，意思就是如果請求超出了設置的這個時間，還沒有得到響應，就會拋出異常。如果不指定該參數，就會使用全局默認時間。它支持HTTP、HTTPS、FTP請求。

下面用實例來看一下：

import urllib.requestresponse = urllib.request.urlopen(http://httpbin.org/get, timeout=1)print(response.read())

運行結果如下：

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>

這裡我們設置超時時間是1秒。程序1秒過後，伺服器依然沒有響應，於是拋出了URLError異常。該異常屬於urllib.error模塊，錯誤原因是超時。

因此，可以通過設置這個超時時間來控制一個網頁如果長時間未響應，就跳過它的抓取。這可以利用try except語句來實現，相關代碼如下：

import socketimport urllib.requestimport urllib.errortry: 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)

這裡我們請求了httpbin.org/get測試鏈接，設置超時時間是0.1秒，然後捕獲了URLError異常，接著判斷異常是socket.timeout類型（意思就是超時異常），從而得出它確實是因為超時而報錯，列印輸出了TIME OUT。

運行結果如下：

TIME OUT

按照常理來說，0.1秒內基本不可能得到伺服器響應，因此輸出了TIME OUT的提示。

通過設置timeout這個參數來實現超時處理，有時還是很有用的。

其他參數

除了data參數和timeout參數外，還有context參數，它必須是ssl.SSLContext類型，用來指定SSL設置。

此外，cafile和capath這兩個參數分別指定CA證書和它的路徑，這個在請求HTTPS鏈接時會有用。

cadefault參數現在已經棄用了，其默認值為False。

前面講解了urlopen()方法的用法，通過這個最基本的方法，我們可以完成簡單的請求和網頁抓取。若需更加詳細的信息，可以參見官方文檔：docs.python.org/3/libra。

2. Request

我們知道利用urlopen()方法可以實現最基本請求的發起，但這幾個簡單的參數並不足以構建一個完整的請求。如果請求中需要加入Headers等信息，就可以利用更強大的Request類來構建。

首先，我們用實例來感受一下Request的用法：

import urllib.requestrequest = urllib.request.Request(https://python.org)response = urllib.request.urlopen(request)print(response.read().decode(utf-8))

可以發現，我們依然是用urlopen()方法來發送這個請求，只不過這次該方法的參數不再是URL，而是一個Request類型的對象。通過構造這個數據結構，一方面我們可以將請求獨立成一個對象，另一方面可更加豐富和靈活地配置參數。

下面我們看一下Request可以通過怎樣的參數來構造，它的構造方法如下：

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

  • 第一個參數url用於請求URL，這是必傳參數，其他都是可選參數。
  • 第二個參數data如果要傳，必須傳bytes（位元組流）類型的。如果它是字典，可以先用urllib.parse模塊里的urlencode()編碼。
  • 第三個參數headers是一個字典，它就是請求頭，我們可以在構造請求時通過headers參數直接構造，也可以通過調用請求實例的add_header()方法添加。添加請求頭最常用的用法就是通過修改User-Agent來偽裝瀏覽器，默認的User-Agent是Python-urllib，我們可以通過修改它來偽裝瀏覽器。比如要偽裝火狐瀏覽器，你可以把它設置為：

Mozilla/5.0 (X11; U; Linux i686) Gecko/20071127 Firefox/2.0.0.11

  • 第四個參數origin_req_host指的是請求方的host名稱或者IP地址。
  • 第五個參數unverifiable表示這個請求是否是無法驗證的，默認是False，意思就是說用戶沒有足夠許可權來選擇接收這個請求的結果。例如，我們請求一個HTML文檔中的圖片，但是我們沒有自動抓取圖像的許可權，這時unverifiable的值就是True`。
  • 第六個參數method是一個字元串，用來指示請求使用的方法，比如GET、POST和PUT等。

下面我們傳入多個參數構建請求來看一下：

from urllib import request, parseurl = http://httpbin.org/postheaders = { 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))

這裡我們通過4個參數構造了一個請求，其中url即請求URL，headers中指定了User-Agent和Host，參數data用urlencode()和bytes()方法轉成位元組流。另外，指定了請求方式為POST。

運行結果如下：

{ "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"}

觀察結果可以發現，我們成功設置了data、headers和method。

另外，headers也可以用add_header()方法來添加：

req = request.Request(url=url, data=data, method=POST)req.add_header(User-Agent, Mozilla/4.0 (compatible; MSIE 5.5; Windows NT))

如此一來，我們就可以更加方便地構造請求，實現請求的發送啦。

3. 高級用法

在上面的過程中，我們雖然可以構造請求，但是對於一些更高級的操作（比如Cookies處理、代理設置等），我們該怎麼辦呢？

接下來，就需要更強大的工具Handler登場了。簡而言之，我們可以把它理解為各種處理器，有專門處理登錄驗證的，有處理Cookies的，有處理代理設置的。利用它們，我們幾乎可以做到HTTP請求中所有的事情。

首先，介紹一下urllib.request模塊里的BaseHandler類，它是所有其他Handler的父類，它提供了最基本的方法，例如default_open()、protocol_request()等。

接下來，就有各種Handler子類繼承這個BaseHandler類，舉例如下。

  • HTTPDefaultErrorHandler：用於處理HTTP響應錯誤，錯誤都會拋出HTTPError類型的異常。
  • HTTPRedirectHandler：用於處理重定向。
  • HTTPCookieProcessor：用於處理Cookies。
  • ProxyHandler：用於設置代理，默認代理為空。
  • HTTPPasswordMgr：用於管理密碼，它維護了用戶名和密碼的表。
  • HTTPBasicAuthHandler：用於管理認證，如果一個鏈接打開時需要認證，那麼可以用它來解決認證問題。

另外，還有其他的Handler類，這裡就不一一列舉了，詳情可以參考官方文檔：docs.python.org/3/libra。

關於怎麼使用它們，現在先不用著急，後面會有實例演示。

另一個比較重要的類就是OpenerDirector，我們可以稱為Opener。我們之前用過urlopen()這個方法，實際上它就是urllib為我們提供的一個Opener。

那麼，為什麼要引入Opener呢？因為需要實現更高級的功能。之前使用的Request和urlopen()相當於類庫為你封裝好了極其常用的請求方法，利用它們可以完成基本的請求，但是現在不一樣了，我們需要實現更高級的功能，所以需要深入一層進行配置，使用更底層的實例來完成操作，所以這裡就用到了Opener。

Opener可以使用open()方法，返回的類型和urlopen()如出一轍。那麼，它和Handler有什麼關係呢？簡而言之，就是利用Handler來構建Opener。

下面用幾個實例來看看它們的用法。

驗證

有些網站在打開時就會彈出提示框，直接提示你輸入用戶名和密碼，驗證成功後才能查看頁面，如圖3-2所示。

圖3-2 驗證頁面

那麼，如果要請求這樣的頁面，該怎麼辦呢？藉助HTTPBasicAuthHandler就可以完成，相關代碼如下：

from urllib.request import HTTPPasswordMgrWithDefaultRealm, HTTPBasicAuthHandler, build_openerfrom urllib.error import URLErrorusername = usernamepassword = passwordurl = 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)

這裡首先實例化HTTPBasicAuthHandler對象，其參數是HTTPPasswordMgrWithDefaultRealm對象，它利用add_password()添加進去用戶名和密碼，這樣就建立了一個處理驗證的Handler。

接下來，利用這個Handler並使用build_opener()方法構建一個Opener，這個Opener在發送請求時就相當於已經驗證成功了。

接下來，利用Opener的open()方法打開鏈接，就可以完成驗證了。這裡獲取到的結果就是驗證後的頁面源碼內容。

代理

在做爬蟲的時候，免不了要使用代理，如果要添加代理，可以這樣做：

from urllib.error import URLErrorfrom urllib.request import ProxyHandler, build_openerproxy_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)

這裡我們在本地搭建了一個代理，它運行在9743埠上。

這裡使用了ProxyHandler，其參數是一個字典，鍵名是協議類型（比如HTTP或者HTTPS等），鍵值是代理鏈接，可以添加多個代理。

然後，利用這個Handler及build_opener()方法構造一個Opener，之後發送請求即可。

Cookies

Cookies的處理就需要相關的Handler了。

我們先用實例來看看怎樣將網站的Cookies獲取下來，相關代碼如下：

import http.cookiejar, urllib.requestcookie = 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，我們必須聲明一個CookieJar對象。接下來，就需要利用HTTPCookieProcessor來構建一個Handler，最後利用build_opener()方法構建出Opener，執行open()函數即可。

運行結果如下：

BAIDUID=2E65A683F8A8BA3DF521469DF8EFF1E1:FG=1BIDUPSID=2E65A683F8A8BA3DF521469DF8EFF1E1H_PS_PSSID=20987_1421_18282_17949_21122_17001_21227_21189_21161_20927PSTM=1474900615BDSVRTM=0BD_HOME=0

可以看到，這裡輸出了每條Cookie的名稱和值。

不過既然能輸出，那可不可以輸出成文件格式呢？我們知道Cookies實際上也是以文本形式保存的。

答案當然是肯定的，這裡通過下面的實例來看看：

filename = cookies.txtcookie = 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)

這時CookieJar就需要換成MozillaCookieJar，它在生成文件時會用到，是CookieJar的子類，可以用來處理Cookies和文件相關的事件，比如讀取和保存Cookies，可以將Cookies保存成Mozilla型瀏覽器的Cookies格式。

運行之後，可以發現生成了一個cookies.txt文件，其內容如下：

# 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 1474902606www.baidu.com FALSE / FALSE BDSVRTM 0www.baidu.com FALSE / FALSE BD_HOME 0

另外，LWPCookieJar同樣可以讀取和保存Cookies，但是保存的格式和MozillaCookieJar不一樣，它會保存成libwww-perl(LWP)格式的Cookies文件。

要保存成LWP格式的Cookies文件，可以在聲明時就改為：

cookie = http.cookiejar.LWPCookieJar(filename)

此時生成的內容如下：

#LWP-Cookies-2.0Set-Cookie3: BAIDUID="0CE9C56F598E69DB375B7C294AE5C591:FG=1"; path="/"; domain=".baidu.com"; path_spec; domain_dot; expires="2084-10-14 18:25:19Z"; version=0Set-Cookie3: BIDUPSID=0CE9C56F598E69DB375B7C294AE5C591; path="/"; domain=".baidu.com"; path_spec; domain_dot; expires="2084-10-14 18:25:19Z"; version=0Set-Cookie3: H_PS_PSSID=20048_1448_18240_17944_21089_21192_21161_20929; path="/"; domain=".baidu.com"; path_spec; domain_dot; discard; version=0Set-Cookie3: PSTM=1474902671; path="/"; domain=".baidu.com"; path_spec; domain_dot; expires="2084-10-14 18:25:19Z"; version=0Set-Cookie3: BDSVRTM=0; path="/"; domain="www.baidu.com"; path_spec; discard; version=0Set-Cookie3: BD_HOME=0; path="/"; domain="www.baidu.com"; path_spec; discard; version=0

由此看來，生成的格式還是有比較大差異的。

那麼，生成了Cookies文件後，怎樣從文件中讀取並利用呢？

下面我們以LWPCookieJar格式為例來看一下：

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，這裡調用load()方法來讀取本地的Cookies文件，獲取到了Cookies的內容。不過前提是我們首先生成了LWPCookieJar格式的Cookies，並保存成文件，然後讀取Cookies之後使用同樣的方法構建Handler和Opener即可完成操作。

運行結果正常的話，會輸出百度網頁的源代碼。

通過上面的方法，我們可以實現絕大多數請求功能的設置了。

這便是urllib庫中request模塊的基本用法，如果想實現更多的功能，可以參考官方文檔的說明：docs.python.org/3/libra。

本資源首發於崔慶才的個人博客靜覓： Python3網路爬蟲開發實戰教程 | 靜覓

如想了解更多爬蟲資訊，請關注我的個人微信公眾號：進擊的Coder

weixin.qq.com/r/5zsjOyv (二維碼自動識別)


推薦閱讀：

TAG:Python | 爬蟲計算機網路 |