爬蟲-urllib3模組的使用

Wang發表於2021-01-15
爬蟲

urllib3是一個功能強大，對SAP健全的 HTTP客戶端，許多Python生態系統已經使用了urllib3。

一、安裝

sudo pips install urllib3

二、建立PoolManager物件

　　通過urllib3訪問網頁，首先需要構造一個PoolManager例項物件用於處理與執行緒池的連線以及執行緒安全的所有細節，然後通過request（）方法來傳送請求

  • import urllib3

#建立PoolManager物件，用於處理與執行緒池的連線以及執行緒安全的所有細節
http = urllib3.PoolManager()

#對需要爬取的網頁傳送請求
resp = http.request(method,url,...)

    method和url兩個引數必選，並且method需要大寫

三、基本GET請求（headers引數和fields引數）

  • 最基本的GET請求

    import urllib3

#建立PoolManager物件，用於處理與執行緒池的連線以及執行緒安全的所有細節
http = urllib3.PoolManager()

#對需要爬取的網頁傳送請求
resp = http.request('GET','https://www.baidu.com/')

print(resp.data.decode())#響應資料
print(resp.headers)#響應頭資訊
print(resp.status)#狀態碼
resp.release_conn()#釋放這個http連線

  • 新增headers和查詢引數

　　　可以傳入headers引數(dict型別)來增加請求頭中的headers資訊。可以利用fields引數傳遞查詢引數(dict型別)，注意url後面的'?‘一定不能帶上

  • import urllib3

http = urllib3.PoolManager()

kw = {"wd":"長城"}
headers = {"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/54.0.2840.99 Safari/537.36"}
resp = proxy.request('GET','https://www.baidu.com/s',fields=kw,headers = headers)
print(resp.data.decode())

四、基本POST請求（fields引數）

  • 最基本的POST請求需要傳入fields引數(dict型別)，urllib3會自動將其轉換成表單資料型別

    import urllib3

http = urllib3.PoolManager()

#需要提交的資料
data = {'word':'hello'}
headers = {"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/54.0.2840.99 Safari/537.36"}
response = http.request('POST','http://httpbin.org/post',fields = data,headers = headers)
print(response.data.decode())

  • url中攜帶查詢引數

    • 需要先通過urlencode()編碼，然後附加在url後面，這和GET方式有所不同（示例略）

  • 傳遞json資料（body引數）

    • 利用body引數進行傳遞，但是資料需要先序列化成json字串，然後headers中需要設定'Content-Type':'application/json'
  • import urllib3
import json

http = urllib3.PoolManager()
url = 'https://openapi.vmall.com/mcp/offlineshop/getShopList'
data = {
"portal":2,"lang":"zh-CN","country":"CN","brand":1,"province":"山西","city":"太原","pageNo":1,"pageSize":20
}

# 將字典型別資料序列化成json字串
json_data = json.dumps(data)

#headers中設定Conten-Type為application/json
headers = {
    'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_15_4) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/80.0.3987.163 Safari/537.36',
    'Content-Type':'application/json'
}
resp = http.request('POST',url,body = json_data,headers = headers)
print(resp.data.decode())

    注意：body引數和fields引數不能同時使用

五、檔案上傳

  • 普通檔案上傳

    • 使用multipart/form-data編碼方式上傳檔案,可以使用和傳入Form data資料一樣的方法進行,並將檔案定義為一個二元元組（檔名，資料）或三元元組（檔名，資料，MIME型別），檔名的定義雖然不是嚴格要求的,但是推薦使用,以使得表現得更像瀏覽器 
      import urllib3

http = urllib3.PoolManager()

#開啟檔案test.txt
with open('test.txt','r') as f:
    file_data = f.read()

headers = {"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/54.0.2840.99 Safari/537.36"}

#三元元組的方式傳入
resp = http.request('POST','http://httpbin.org/post',fields={'filefield':('test.txt',file_data,'text/plain')},headers=headers)
#二元元組的方式傳入
#resp = http.request('POST','http://httpbin.org/post',fields={'filefield':('test.txt',file_data)},headers=headers)
print(resp.data.decode('unicode_escape'))

  • 二進位制檔案上傳

    • 原始二進位制資料，只要將其定義為body引數即可。同時，建議對header的Content-Type引數進行設定 
      import urllib3

http = urllib3.PoolManager()

with open('test.jpg','rb') as f:
    binary_data = f.read()
headers = {"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/54.0.2840.99 Safari/537.36",'Content-Type':'image/jpeg'}
resp = http.request('POST','http://httpbin.org/post',body = binary_data,headers = headers)
print(resp.data.decode())

六、超時設定

  • 使用timeout，可以控制請求的總超時時間（連線超時和讀取超時時間總和），timeout引數為一個浮點數：

    resp = http.request('GET','http://httpbin.org/delay/3',timeout = 4.0)

  • 也可以分別設定總超時、連線超時和讀取超時時間，這時候需要使用Timeout（）例項，裡面有3個關鍵字引數total，connect和read：

    #設定總超時時間為3.0秒，連線超時不超過1.5秒，讀取超時不超過2.0秒
resp = http.request('GET','http://httpbin.org/delay/3',timeout = urllib3.Timeout(total=3.0,connect=1.5,read=2.0))

  • 如果想讓所有的request都遵循一個timeout，可以將timeout引數定義在PoolManager中，當在具體的request中再次定義timeout時，會覆蓋PoolManager層面上的timeout。

    http = urllib3.PoolManager(timeout = urllib3.Timeout(total=3.0,connect=1.5,read=2.0))

#http = urllib3.PoolManager(timeout = 4.0)

七、重試（retries引數）以及重定向（redirect引數）設定

  • urllib3預設進行3次請求重試，3次重定向

  • 通過retries來自定義請求重試次數

    #設定請求重試次數10次
resp = http.request('GET','http://httpbin.org/ip',retries = 10)

  • 將引數retries設為False，請求重試和重定向會同時關閉

    #同時關閉請求重試和重定向
resp = http.request('GET','http://httpbin.org/redirect/1',retries = False)

  • 將引數redirect設為False，僅關閉重定向，保持請求重試

    #僅關閉重定向
resp = http.request('GET','http://httpbin.org/redirect/1',redirect = False)

  • 通過Retry（）例項可以精細控制重試和重定向次數，該例項預設總重試次數為10次，比如我們設定3次重試，2次重定向

    resp = http.request('GET','http://httpbin.org/redirect/3',retries = urllib3.Retry(3,redirect = 2))

  • 如果想讓所有的request都遵循一個請求重試和重定向策略，可以在PoolManager中定義retries引數，當在具體的request中再次定義retries時，會覆蓋 PoolManager層面上的retries。

    http = urllib3.PoolManager(retries = urllib3.Retry(3,redirect=2))
#http = urllib3.PoolManager(retries = False)

八、ProxyManager（代理IP）

  • 如果你需要使用代理來訪問某個網站的話, 那麼你可以使用 ProxyManager 物件來進行設定
  • ProxyManager和PoolManager的方法基本完全相同，這裡舉個簡單的小例子 
    import urllib3

#建立ProxyManager物件
proxy_http = urllib3.ProxyManager('https://175.42.122.96:9999')

headers = {"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/54.0.2840.99 Safari/537.36"}

#利用代理對需要爬取的網頁傳送請求
resp = proxy_http.request('GET','https://www.baidu.com/',headers=headers)

print(resp.data.decode())#響應資料
print(resp.headers)#響應頭資訊
print(resp.status)#狀態碼
resp.release_conn()#釋放這個http連線

九、SSL證照驗證

  • urllib3預設不驗證HTTPS請求，如果想開啟驗證，最可靠的方法是使用提供Mozilla根證照包的certifi包

    sudo pip3 install certifi

  • 獲得證照後，可以在PoolManager中定義cert_reqs引數和ca_certs引數，來自動處理證照驗證

    import urllib3
import certici

#開啟ssl證照自動驗證
http = urllib3.PoolManager(cert_reqs='CERT_REQUIRED',ca_certs=certifi.where())

headers = {"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/54.0.2840.99 Safari/537.36"}
resp = http.request('GET','https://www.baidu.com/',headers=headers)

print(resp.data.decode())

  • 如果需要，可以使用OS提供的證照。只需指定證照包的完整路徑作為ca_certs引數而不是 certifi.where()。例如，大多數Linux系統都儲存證照/etc/ssl/certs/ca-certificates.crt。

    import urllib3
import certifi

http = urllib3.PoolManager(cert_reqs='CERT_REQUIRED',ca_certs='/etc/ssl/certs/ca-certificates.crt')

     

相關文章