博主简介：博主是一个大二学生，主攻人工智能领域研究。感谢缘分让我们在CSDN相遇，博主致力于在这里分享关于人工智能，C++，python，爬虫等方面的知识分享。如果有需要的小伙伴，可以关注博主，博主会继续更新的，如果有错误之处，大家可以指正。

专栏简介：本专栏致力于研究python爬虫的实战，涉及了所有的爬虫基础知识，以及爬虫在人工智能方面的应用。文章增加了JavaScript逆向，网站加密和混淆技术，AST还原混淆代码，WebAssembly，APP自动化爬取，Android逆向等相关技术。同时，为了迎合云原生发展，同时也增加了基于Kubernetes，Docker，Prometheus，Grafana等云原生技术的爬虫管理和运维解决方案。

订阅专栏

博主分享：给大家分享一句我很喜欢的话：“每天多一点努力，不为别的，值为日后，能够多一些选择，选择舒心的日子，选择自己喜欢的人！”

requests的使用

总结

urlib的使用

urlib的简介

urlib作为python的一个库，利用它就可以实现HTTP的请求，而且不需要关心HTTP协议本身甚至更底层的实现。

注意：在python2中，有urlib和urlib2两个库来实现HTTP请求的发送。而在Python3中，urlib2库已经不存在，统一为urlib。

urlib是python内置的HTTP请求库，不需要额外安装，urlib库包含了以下四个模块：

①request：这是最基本的HTTP请求模块，可以模拟请求的发送。就像在浏览器中输入网址后按下回车，只需要传入参数即可。

②error：异常处理模块，如果出现异常，我们可以捕获这些异常，然后进行重试或其它操作。

③parse：一个工具模块，可以对URL进行解析，合并，拆分等。

④robotparse：主要用来识别网站的robots.txt文件，然后判断哪些网站可以爬，哪些不可以爬，但是用的比较少。

1.发送请求

urlopen：urlopen是request模块中的打开网址的函数，也就是发送请求，然后返回响应。

我们这里就以csdn官网的网址为例：

import urllib.request
URL='https://www.csdn.net/'
response=urllib.request.urlopen(URL)
print(response.read().decode('utf-8'))

由于博主所用的编译器是VS code，这里的显示结果会和pycharm有所区别，需要存储到html文件中才能展示原有的网页源码。

我们得到的响应response是一个HTTPResponse对象，主要包含了read，readinto，getheader，getheaders，fileno等方法。同时包含了status，msg，version，reason，debuglevel，closed等属性。

import urllib.request
URL='https://www.csdn.net/'
response=urllib.request.urlopen(URL)
#print(response.read().decode('utf-8'))
print(type(response))
print(response.status)
print(response.getheaders())
print(response.getheader('Server'))

结果展示：

<class 'http.client.HTTPResponse'> 200 [('Date', 'Thu, 02 Feb 2023 05:05:42 GMT'), ('Content-Type', 'text/html; charset=utf-8'), ('Transfer-Encoding', 'chunked'), ('Connection', 'close'), ('Set-Cookie', 'acw_tc=2760828a16753143417275296e9ff014e190d9eaac93280ed2e9c0db434d2d;path=/;HttpOnly;Max-Age=1800'), ('Server', 'openresty'), ('Vary', 'Accept-Encoding'), ('Set-Cookie', 'uuid_tt_dd=10_19879412540-1675314353111-318560; Expires=Thu, 01 Jan 2025 00:00:00 GMT; Path=/; Domain=.csdn.net;'), ('Set-Cookie', 'dc_session_id=10_1675314353111.898938; Expires=Thu, 01 Jan 2025 00:00:00 GMT; Path=/; Domain=.csdn.net;'), ('set-cookie', 'csrfToken=Js40dDZ0Qy7cMwzKhIni5Iqu; path=/; secure'), ('X-Response-Time', '432'), ('x-xss-protection', '1; mode=block'), ('x-content-type-options', 'nosniff'), ('x-download-options', 'noopen'), ('x-readtime', '432'), ('Strict-Transport-Security', 'max-age=31536000')] openresty

当然除了传递这些参数，urlopen函数还有其他参数：

1.data参数： data参数是可选的，需要使用bytes方法将参数转化为字节流编码格式的内容，即bytes类型，另外，如果传递了这个参数，那么它的请求方式就不再是GET、，只能是POST。
import urllib.request
import urllib.parse
URL='https://baidu.com'
data=bytes(urllib.parse.urlencode({'name':'germey'}),encoding='utf-8')
response=urllib.request.urlopen(url=URL,data=data)
print(response.read().decode('utf-8'))
2.timeout参数： 这个参数是用来设置超出时间的，设置一个时间，代表时间限制，如果超出了这个时间服务器没有响应，不那么就会抛出错误。
import urllib.request
import urllib.error
import socket
url='https://baidu.com'
try:
    response=urllib.request.urlopen(url=url,timeout=0.1)
except urllib.error.URLError as e:
    if isinstance(e.reason,socket.timeout):
        print("Time Out")
    else:
        print('Yes')
        
除了上面的参数，还有context参数，该参数必须是ssl.SSLContext，用来指定SSL的的设置。此外还有cafile，capath两个参数分别用来指定CA证书和其路径，这两个在请求HTTPS链接时会有用。

cadefault已经被弃用，默认为False。

当然除了urlopen可以打开网页，Request类也可以打开，和urlopen相比，其功能更加强大，这里我们来介绍一下Request如何使用：

我们要是想使用Request类，那么就要构建Request类，这就需要很多参数：

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

第一个参数url用于指定网址，这是必传参数，其他的都是可选参数。

data参数和前面的data参数一样，第三个参数headers是一个字典，这是请求头，我们在构建请求头的时候，直接可以通过headers参数构建，也可以通过调用请求实例的add_header方法添加。

添加请求头headers最常见的方法就是通过修改User-Agent来伪装浏览器。我们可以修改此值来伪装，如果我们要伪装火狐浏览器，就可以把User-Agent设置为：

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

第四个参数origin_req_host是请求方的IP地址或host名称

第五个参数则是表示请求是否是无法验证的。

第六个参数method是一个字符串类型，表示请求的方法，例如GET，POST等。


from urllib import request,parse
url='https://www.baidu.com'
headers={
    'User-Agent':'Mozilla/5.0 (X11;U;Linux i686) Gecko/20071127 Firefox/2.0.0.11'
}
data=bytes(parse.urlencode({'name':'germey'}),encoding='utf-8')
req=request.Request(url=url,data=data,headers=headers)
response=request.urlopen(req)
print(response.read().decode('utf-8'))

使用add_header()函数的代码：


#使用add_header()函数
from urllib import request,parse
url='https://www.baidu.com'
data=bytes(parse.urlencode({'name':'germey'}),encoding='utf-8')
req=request.Request(url=url,data=data)
req.add_header('User-Agent','Mozilla/5.0 (X11;U;Linux i686) Gecko/20071127 Firefox/2.0.0.11')
response=request.urlopen(req)
print(response.read().decode('utf-8'))

高级用法

我们前面学习了爬虫的简单知识，也就是如何去打开网页，现在，如果我们要进行一些高级操作，就需要使用更强大的工具handler，简而言之，handler就是处理登陆验证的，处理cookie的，处理代理设置的。利用这些Handler，我们就几乎可以实现HTTP中的请求中所有的功能。首先介绍一下urllib.request模块里的BaseHandler类，这是其他所有handler类的父类，它提供了最基本的方法，例如default_open,protocol_request等。

会有很多的handler类继承BaseHandler类，下面介绍几个子类：

1.HTTPDefaultErrorHandler用于处理HTTP响应错误，所有错误都会抛出HTTPError类型的错误。

2.HTTPRedirectHandler用于处理重定向。

3.HTTPCookieProcessor用于处理Cookie。

4.ProxyHandler用于设置代理。

5.HTTPPasswordMgr用于管理密码，他维护着用户名密码的对照表。

6.HTTPBasicAuthHandler用于管理认证，如果一个链接打开需要认证，就用这个。

对于这些类的介绍，后面我们会逐一的用实例来解释，这里就先不介绍。当然，除了上面的类，还有一个很重要的类，OpenerDirector类，简称opener类，前面我们用到的urlopen方法实际上就是urllib库为我们提供的一个Opener。

下面我们举几个例子来认识一下opener类和handler类。

这里给出一个网站：https://ssr3.scrape.center,会弹出这样的窗口：


from urllib.request import HTTPPasswordMgrWithDefaultRealm,HTTPBasicAuthHandler,build_opener
from urllib.error import URLError
username='123456'
password='123456'
url='https://login1.scrape.center/'
p=HTTPPasswordMgrWithDefaultRealm()
p.add_password(None,url,username,password)
auth_handler=HTTPBasicAuthHandler(p)  #实例化对象
opener=build_opener(auth_handler)  #创建opener
try:
    result=opener.open(url)
    html=result.read().decode('utf-8')
    print(html)
except URLError as e:
    print(e.reason)

2.代理

我们在做爬虫的时候，难免会用到的代理。如果要使用代理，可以这样做：

from urllib.error import URLError
from urllib.request import ProxyHandler,build_opener
proxy_handler=ProxyHandler({
    'http':'http://127.0.0.1:8080',
    'https':'http://127.0.0.1:8080'
})
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)

上面使用了ProxyHandler，其参数是一个字典，键名是协议（例如HTTP或HTTPS），键值是代理链接，可以添加多个代理。

然后利用build_opener创建一个类opener，然后发送请求。

后买还有Cookie处理，设计的内容很多，不详细介绍，后面遇到了会直接通过案例来进行讲解。

3.处理异常

我们在进行爬虫操作的时候，难免会出现很多的错误，尤其是使用request类进行操作的时候，这个时候，利用针对request类的urlerror错误类，便可以降低我们的工作量，进行错误抛出，也可以使程序更合理化。

①URLError

URLError类来自urllib库的error模块，继承自OSError类，是error类的基类。它具有一个reason属性，可以返回错误原因。

from urllib.error import URLError
from urllib.request import urlopen
url='https://111.com/404'
try:
    response=urlopen(url)
    print(response.read().decode('utf-8'))
except URLError as e:
    print(e.reason)

程序没有报错，而是直接输出错误原因：

Internal Server Error。

②HTTPError

HTTPError是URLError的子类，专门用来处理HTTP请求错误，例如认证失败等。它有以下几个属性：

1.code：返回HTTP状态码，例如404表示页面不存在。500表示服务器内部错误等。

2.reason：同父类一样，用于返回错误的原因。

3.headers：返回请求头。

from urllib.error import HTTPError
from urllib.request import urlopen
url='http://111.com/404' #这是个错误的网址
try:
    response=urlopen(url)
    print(response.read().decode('utf-8'))
except HTTPError as e:
    print(e.code,e.reason,e.headers)

500 Internal Server Error Server: openresty Date: Thu, 02 Feb 2023 08:02:53 GMT Content-Type: text/html Content-Length: 174 Connection: close

requests的使用

前面虽然我们使用了urllib库进行了爬虫的基本的代码。在写Cookie处理和登陆验证的时候需要用到Handler类和Opener类，而且在写POST，PUT等请求时也会非常复杂。

由于requests库不是python的内置库，需要先下载，使用pip就可以：

pip install requests -i Simple Index

实例的使用：

urllib库中的urlopen请求网页实际上是以GET方法。现在我们来看requests中的get方法。

import requests
r=requests.get('https://www.baidu.com')
print(type(r))
print(r.status_code)
print(type(r.text))
print(r.text[:100])
print(r.cookies)

使用get方法还不算requests的亮眼操作，它还可以很简单的使用post，put等发送请求方法：

import requests
url='https://www.baidu.com'
r=requests.post(url)
r=requests.put(url)
r=requests.delete(url)
r=requests.patch(url)

这里使用requests类确实实现了很大的方便，但是，这只是他强大功能的冰山一角。

GET请求：

get请求我们在上面已经介绍，这里主要是介绍网页抓取，二进制数据保存，等内容。

我们抓取网页的时候，得到的是HTML文件，包含了很多的子页面，如果我们要获取某个子页面的网址，那么我们怎么获取？下面给一个例子：

import requests
import re
r=requests.get('https://ssr1.scrape.center/')
pattern=re.compile('<h2.*?>(.*?)</h2>',re.S)
titles=re.findall(pattern,r.text)
print(titles)

['霸王别姬 - Farewell My Concubine', '这个杀手不太冷 - Léon', '肖申克的救赎 - The Shawshank Redemption', '泰坦尼克号 - Titanic', '罗马假日 - Roman Holiday', '唐伯虎点秋香 - Flirting Scholar', '乱世佳人 - Gone with the Wind', '喜剧之王 - The King of Comedy', '楚门的世界 - The Truman Show', '狮子王 - The Lion King']

这里使用了正则表达式，这里只是当作示例，后面会想详细介绍。

抓取二进制数据：

我们先来看一个案例：


import requests
r=requests.get('https://scrape.center/favicon.ico')
print(r.text)
print(r.content)

第一个出现了乱码，第二个是二进制。由于图片是二进制保存，所以必须用二进制展现，即content属性。想要验证这个问题，我们就将其保存下来：

import requests
r=requests.get('https://scrape.center/favicon.ico')
with open('./favicon.ico','wb') as f:
    f.write(r.content)

post请求和get请求相似，用法等基本无差异，所以这里不做过多介绍。

身份认证

在访问简单的身份验证的时候，我们用requests类中的相关函数也可以实现身份验证：

import requests
from requests.auth import HTTPBasicAuth
r=requests.get('https://ssr3.scrape.center/',auth=HTTPBasicAuth('123456','123456'))
print(r.status_code)

此外，除了此种认证方式，requests还有其他认证方式，OAuth认证，不过此时需要安装oauth包，安装命令如下：

pip install requests_oauthlib

源代码：

#OAuth认证
import requests
from requests_oauthlib import OAuth1
url='https://ssr3.scrape.center/'
oauth=OAuth1('YOUR_APP_KEY','YOUR_APP_SECRET',
             'USER_OAUTH_TOKEN','USER_OAUTH_TOKEN_SECRET')
requests.get(url,auth=oauth)

代理设置


import requests
proxy_handler=ProxyHandler({
    'http':'http://127.0.0.1:8080',
    'https':'http://127.0.0.1:8080'
})
requests.get('https://www.baidu.com',proxies=proxy_handler)

除了基本的HTTP协议代理，也可以使用SOCKS协议代理。

需要先安装socks库。

pip install "requests[socks]"

然后就可以使用SOCKS协议代理了，示例如下：

import requests
proxy_handler=ProxyHandler({
    'http':'socks5://user:password@host:port'
})
requests.get('https://www.baidu.com',proxies=proxy_handler)

总结

本节的相关的库已经介绍完毕，其中requests库十分重要，需要好好掌握，由于细节很多，博主这里可能会有遗漏，有些知识博主认为不重要的就省略了，只介绍了重要的和常用的，后面遇到了，会具体分析。

感谢各位小伙伴在在百忙之中花一点时间观看。

点赞加关注不迷路

python爬虫基本库的使用

urlib的使用

urlib的简介

高级用法

requests的使用

总结

猜你喜欢