【Python3網路爬蟲開發實戰】3-基本庫的使用 1.1-傳送請求

崔慶才丨靜覓發表於2019-02-22
Python爬蟲

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

1. urlopen()

urllib.request模組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.request

response = urllib.request.urlopen(`https://www.python.org`)
print(response.read().decode(`utf-8`))
複製程式碼

執行結果如圖3-1所示。

【Python3網路爬蟲開發實戰】3-基本庫的使用 1.1-傳送請求

圖3-1 執行結果

這裡我們只用了兩行程式碼，便完成了Python官網的抓取，輸出了網頁的原始碼。得到原始碼之後呢？我們想要的連結、圖片地址、文字資訊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()方法輸出響應的型別：

import urllib.request

response = urllib.request.urlopen(`https://www.python.org`)
print(type(response))
複製程式碼

輸出結果如下：

<class `http.client.HTTPResponse`>
複製程式碼

可以發現，它是一個HTTPResposne型別的物件。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。

得到這個物件之後，我們把它賦值為response變數，然後就可以呼叫這些方法和屬性，得到返回結果的一系列資訊了。

例如，呼叫read()方法可以得到返回的網頁內容，呼叫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。

下面再通過一個例項來看看：

import urllib.request

response = urllib.request.urlopen(`https://www.python.org`)
print(response.status)
print(response.getheaders())
print(response.getheader(`Server`))
複製程式碼

執行結果如下：

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
複製程式碼

可見，前兩個輸出分別輸出了響應的狀態碼和響應的頭資訊，最後一個輸出通過呼叫getheader()方法並傳遞一個引數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。

如果想給連結傳遞一些引數，該怎麼實現呢？首先看一下urlopen()函式的API：

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

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

下面我們詳細說明下這幾個引數的用法。

data引數

data引數是可選的。如果要新增該引數，並且如果它是位元組流編碼格式的內容，即bytes型別，則需要通過bytes()方法轉化。另外，如果傳遞了這個引數，則它的請求方式就不再是GET方式，而是POST方式。

下面用例項來看一下：

import urllib.parse
import urllib.request

data = bytes(urllib.parse.urlencode({`word`: `hello`}), encoding=`utf8`)
response = urllib.request.urlopen(`http://httpbin.org/post`, data=data)
print(response.read())
複製程式碼

這裡我們傳遞了一個引數word，值是hello。它需要被轉碼成bytes（位元組流）型別。其中轉位元組流採用了bytes()方法，該方法的第一個引數需要是str（字串）型別，需要用urllib.parse模組裡的urlencode()方法來將引數字典轉化為字串；第二個引數指定編碼格式，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，這個連結可以用來測試POST請求，它可以輸出請求的一些資訊，其中包含我們傳遞的data引數。

執行結果如下：

{
     "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"
}
複製程式碼

我們傳遞的引數出現在了form欄位中，這表明是模擬了表單提交的方式，以POST方式傳輸資料。

timeout引數

timeout引數用於設定超時時間，單位為秒，意思就是如果請求超出了設定的這個時間，還沒有得到響應，就會丟擲異常。如果不指定該引數，就會使用全域性預設時間。它支援HTTP、HTTPS、FTP請求。

下面用例項來看一下：

import urllib.request

response = urllib.request.urlopen(`http://httpbin.org/get`, timeout=1)
print(response.read())
複製程式碼

執行結果如下：

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>
複製程式碼

這裡我們設定超時時間是1秒。程式1秒過後，伺服器依然沒有響應，於是丟擲了URLError異常。該異常屬於urllib.error模組，錯誤原因是超時。

因此，可以通過設定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，相關程式碼如下：

import socket
import urllib.request
import urllib.error

try:
    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`)
複製程式碼

這裡我們請求了httpbin.org/get測試連結，設定超時時間是0.1秒，然後捕獲了URLError異常，接著判斷異常是socket.timeout型別（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。

執行結果如下：

TIME OUT
複製程式碼

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。

通過設定timeout這個引數來實現超時處理，有時還是很有用的。

其他引數

除了data引數和timeout引數外，還有context引數，它必須是ssl.SSLContext型別，用來指定SSL設定。

此外，cafile和capath這兩個引數分別指定CA證照和它的路徑，這個在請求HTTPS連結時會有用。

cadefault引數現在已經棄用了，其預設值為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。若需更加詳細的資訊，可以參見官方文件：docs.python.org/3/library/u…。

2. Request

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

首先，我們用例項來感受一下Request的用法：

import urllib.request

request = urllib.request.Request(`https://python.org`)
response = urllib.request.urlopen(request)
print(response.read().decode(`utf-8`))
複製程式碼

可以發現，我們依然是用urlopen()方法來傳送這個請求，只不過這次該方法的引數不再是URL，而是一個Request型別的物件。通過構造這個資料結構，一方面我們可以將請求獨立成一個物件，另一方面可更加豐富和靈活地配置引數。

下面我們看一下Request可以通過怎樣的引數來構造，它的構造方法如下：

class urllib.request.Request(url, data=None, headers={}, origin_req_host=None, unverifiable=False, method=None)
複製程式碼
  • 第一個引數url用於請求URL，這是必傳引數，其他都是可選引數。
  • 第二個引數data如果要傳，必須傳bytes（位元組流）型別的。如果它是字典，可以先用urllib.parse模組裡的urlencode()編碼。
  • 第三個引數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引數直接構造，也可以通過呼叫請求例項的add_header()方法新增。新增請求頭最常用的用法就是通過修改User-Agent來偽裝瀏覽器，預設的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，你可以把它設定為：

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

  • 第四個引數origin_req_host指的是請求方的host名稱或者IP地址。
  • 第五個引數unverifiable表示這個請求是否是無法驗證的，預設是False，意思就是說使用者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文件中的圖片，但是我們沒有自動抓取影像的許可權，這時unverifiable的值就是True`。
  • 第六個引數method是一個字串，用來指示請求使用的方法，比如GET、POST和PUT等。

下面我們傳入多個引數構建請求來看一下：

from urllib import request, parse

url = `http://httpbin.org/post`
headers = {
    `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`))
複製程式碼

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

執行結果如下：

{
  "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"
}
複製程式碼

觀察結果可以發現，我們成功設定了data、headers和method。

另外，headers也可以用add_header()方法來新增：

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

如此一來，我們就可以更加方便地構造請求，實現請求的傳送啦。

3. 高階用法

在上面的過程中，我們雖然可以構造請求，但是對於一些更高階的操作（比如Cookies處理、代理設定等），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，有專門處理登入驗證的，有處理Cookies的，有處理代理設定的。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模組裡的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，錯誤都會丟擲HTTPError型別的異常。
  • HTTPRedirectHandler：用於處理重定向。
  • HTTPCookieProcessor：用於處理Cookies。
  • ProxyHandler：用於設定代理，預設代理為空。
  • HTTPPasswordMgr：用於管理密碼，它維護了使用者名稱和密碼的表。
  • HTTPBasicAuthHandler：用於管理認證，如果一個連結開啟時需要認證，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件：docs.python.org/3/library/u…。

關於怎麼使用它們，現在先不用著急，後面會有例項演示。

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？因為需要實現更高階的功能。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，我們需要實現更高階的功能，所以需要深入一層進行配置，使用更底層的例項來完成操作，所以這裡就用到了Opener。

Opener可以使用open()方法，返回的型別和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。

下面用幾個例項來看看它們的用法。

驗證

有些網站在開啟時就會彈出提示框，直接提示你輸入使用者名稱和密碼，驗證成功後才能檢視頁面，如圖3-2所示。

【Python3網路爬蟲開發實戰】3-基本庫的使用 1.1-傳送請求

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，相關程式碼如下：

from urllib.request import HTTPPasswordMgrWithDefaultRealm, HTTPBasicAuthHandler, build_opener
from urllib.error import URLError

username = `username`
password = `password`
url = `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)
複製程式碼

這裡首先例項化HTTPBasicAuthHandler物件，其引數是HTTPPasswordMgrWithDefaultRealm物件，它利用add_password()新增進去使用者名稱和密碼，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在傳送請求時就相當於已經驗證成功了。

接下來，利用Opener的open()方法開啟連結，就可以完成驗證了。這裡獲取到的結果就是驗證後的頁面原始碼內容。

代理

在做爬蟲的時候，免不了要使用代理，如果要新增代理，可以這樣做：

from urllib.error import URLError
from urllib.request import ProxyHandler, build_opener

proxy_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)
複製程式碼

這裡我們在本地搭建了一個代理，它執行在9743埠上。

這裡使用了ProxyHandler，其引數是一個字典，鍵名是協議型別（比如HTTP或者HTTPS等），鍵值是代理連結，可以新增多個代理。

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

Cookies

Cookies的處理就需要相關的Handler了。

我們先用例項來看看怎樣將網站的Cookies獲取下來，相關程式碼如下：

import http.cookiejar, urllib.request

cookie = 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)
複製程式碼

首先，我們必須宣告一個CookieJar物件。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()函式即可。

執行結果如下：

BAIDUID=2E65A683F8A8BA3DF521469DF8EFF1E1:FG=1
BIDUPSID=2E65A683F8A8BA3DF521469DF8EFF1E1
H_PS_PSSID=20987_1421_18282_17949_21122_17001_21227_21189_21161_20927
PSTM=1474900615
BDSVRTM=0
BD_HOME=0
複製程式碼

可以看到，這裡輸出了每條Cookie的名稱和值。

不過既然能輸出，那可不可以輸出成檔案格式呢？我們知道Cookies實際上也是以文字形式儲存的。

答案當然是肯定的，這裡通過下面的例項來看看：

filename = `cookies.txt`
cookie = 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)
複製程式碼

這時CookieJar就需要換成MozillaCookieJar，它在生成檔案時會用到，是CookieJar的子類，可以用來處理Cookies和檔案相關的事件，比如讀取和儲存Cookies，可以將Cookies儲存成Mozilla型瀏覽器的Cookies格式。

執行之後，可以發現生成了一個cookies.txt檔案，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    1474902606
www.baidu.com    FALSE    /    FALSE        BDSVRTM    0
www.baidu.com    FALSE    /    FALSE        BD_HOME    0
複製程式碼

另外，LWPCookieJar同樣可以讀取和儲存Cookies，但是儲存的格式和MozillaCookieJar不一樣，它會儲存成libwww-perl(LWP)格式的Cookies檔案。

要儲存成LWP格式的Cookies檔案，可以在宣告時就改為：

cookie = http.cookiejar.LWPCookieJar(filename)
複製程式碼

此時生成的內容如下：

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

由此看來，生成的格式還是有比較大差異的。

那麼，生成了Cookies檔案後，怎樣從檔案中讀取並利用呢？

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`))
複製程式碼

可以看到，這裡呼叫load()方法來讀取本地的Cookies檔案，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，並儲存成檔案，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。

執行結果正常的話，會輸出百度網頁的原始碼。

通過上面的方法，我們可以實現絕大多數請求功能的設定了。

這便是urllib庫中request模組的基本用法，如果想實現更多的功能，可以參考官方文件的說明：docs.python.org/3/library/u…。

本資源首發於崔慶才的個人部落格靜覓： 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/5zsjOyvEZ… (二維碼自動識別)

相關文章