爬虫-urllib模块的使用

urllib是Python中请求url连接的官方标准库，在Python3中将Python2中的urllib和urllib2整合成了urllib。urllib中一共有四个模块，分别如下：

• request：主要负责构造和发起网络请求,定义了适用于在各种复杂情况下打开 URL (主要为 HTTP) 的函数和类
• error：处理异常
• parse：解析各种数据格式
• robotparser：解析robot.txt文件

一、request模块

1.urlopen()方法：

• 在urlopen()方法中，直接写入要访问的url地址字符串，该方法就会主动的访问目标网址，然后返回访问结果，返回的访问结果是一个http.client.HTTPResponse对象，该对象的常见方法有：

1. read() ：获取访问网页获取的数据，bytes类型
2. info()：返回响应头信息
3. getcode()：返回Http状态码。
4. geturl()：返回请求的url

• 发送简单的GET请求

  from urllib.request import urlopen
  
  #向指定的url发送请求，并返回服务器响应的类文件对象
  resp = urlopen('https://www.baidu.com') 
  print(resp.read().decode())

• 发送简单的POST请求（data参数）

  from urllib.reuqest import urlopen
  from urllib.parse import urlencode
  
  #将字典类型的数据转换成表单类型的数据格式，如"world=hello"
  data = urlencode({"word":"hello"}).encode()
  response = request.urlopen('http://httpbin.org/post', data=data)
  
  print(response.read().decode())

  默认的访问方式是GET，当在urlopen()方法中传入data参数时，则会发起POST请求。注意：传递的data数据需要为bytes格式

2.Request

• 如果需要执行更复杂的操作，比如增加HTTP报头，必须创建一个 Request 实例来作为urlopen()的参数；而需要访问的url地址则作为 Request 实例的参数。
• 为了使爬虫程序更像一个真实用户，那我们第一步就是需要伪装成一个被公认的浏览器，在发送请求的时候带上User-Agent头

  from urllib.request import Request,urlopen
  
  url = 'https://www.baidu.com/'
  ua_header = {"User-Agent" : "Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; Trident/5.0;"}
  #url连同headers一起构造request请求，这个请求附带IE 9.0浏览器的User-Agent
  request = Request(url,headers=ua_header)
  #向服务器发送请求
  resp = urlopen(request)
  print(resp.read().decode)

3.ProxyHandler处理器（代理IP）

• 使用爬虫来爬取数据的时候，如果过于频繁的访问，而且网站还设有限制的话，很有可能会禁封我们的ip地址，这个时候就需要设置代理，来隐藏我们的真实IP。
• 代理IP的原理：以本机先访问代理IP，再通过代理IP地址访问服务器，这样服务器接受到的访问IP就是代理IP地址。

  from urllib.request import build_opener,urlopen(),install_opener,Request,ProxyHandler
  
  # 构建了两个代理Handler，一个有代理IP，一个没有代理IP
  httpproxy_handler = urllib2.ProxyHandler({'http': '218.18.232.26:80', 'https': '218.18.232.26:80'})
  nullproxy_handler = urllib2.ProxyHandler({})
  
  proxySwitch = True #定义一个代理开关
  
  # 通过build_opener()方法使用这些代理Handler对象，创建自定义opener对象
  # 根据代理开关是否打开，使用不同的代理模式
  if proxySwitch:  
      opener = build_opener(httpproxy_handler)
  else:
      opener = build_opener(nullproxy_handler)
  
  request = Request("http://www.baidu.com/")
  
  # 1. 如果这么写，只有使用opener.open()方法发送请求才使用自定义的代理，而urlopen()则不使用自定义代理。
  resp = opener.open(request)
  
  # 2. 如果这么写，就是将opener应用到全局，之后所有的，不管是opener.open()还是urlopen() 发送请求，都将使用自定义代理。
  # install_opener(opener)
  # resp = urlopen(request)
  
  print (resp.read().decode())

  如果代理需要授权验证，简单的方式是只需要在ProxyHandler传入的参数字典中，将值改为'用户名：密码@ip:端口号'这种形式，比如{"http":"myname:mypasswd@124.88.67.81：80"}，复杂一点的需要创建一个密码管理对象，下面会有介绍。

4.HTTPPasswordMgrWithDefaultRealm（）

• " ## 舍去最后一位的分号 print cookieStr[:-1]

• 访问网站获得cookie，并将cookie保存在本地文件中

  from http.cookiejar import MozillaCookieJar
  from urllib.request import Request,build_opener,HTTPCookieProcessor
  
  # 保存cookie的本地磁盘文件名
  filename = 'cookie.txt'
  
  #声明一个MozillaCookieJar(有save实现)对象实例来保存cookie，之后写入文件
  cookiejar = MozillaCookieJar(filename)
  
  # 使用HTTPCookieProcessor()来创建cookie处理器对象，参数为CookieJar()对象
  handler = HTTPCookieProcessor(cookiejar)
  
  opener = build_opener(handler)
  response = opener.open("https://www.baidu.com/")
  
  # 保存cookie到本地文件
  cookiejar.save()

• 从文件中获取cookie

  from http.cookiejar import MozillaCookieJar
  from urllib.request import Request,build_opener,HTTPCookieProcessor
  
  #创建MozillaCookieJar(有load实现)实例对象
  cookiejar = MozillaCookieJar(filename)
  
  #从文件中读取cookie内容到对象
  cookiejar.load('cookie.txt')
  
  # 使用HTTPCookieProcessor()来创建cookie处理器对象，参数为CookieJar()对象
  handler = HTTPCookieProcessor(cookiejar)
  
  opener = build_opener(handler)
  response = opener.open("https://www.baidu.com/")

8.处理HTTPS请求SSL证书验证

• 最简单的方法就是通过添加忽略ssl证书验证关闭证书验证,由于urllib并没有很好的处理ssl的对象，所以在这里我们需要用到一个别的库，即ssl库，如下：

  import ssl
  from urllib.request import urlopen,Request
  
  # 表示忽略未经核实的SSL证书认证
  context = ssl._create_unverified_context()
  
  url = "https://www.12306.cn/mormhweb/"
  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"}
  request = Request(url,headers=headers)
  
  # 在urlopen()方法里 指明添加 context 参数
  resp = urlopen(request, context=context)
  print(resp.read().decode())

二、error模块

• 在urllib中主要设置了两个异常，一个是URLError，一个是HTTPError，HTTPError是URLError的子类。

1.URLError

• URLError产生的原因主要有：
1. 没有网络连接
2. 服务器连接失败
3. 找不到指定的服务器
• 下面访问一个不存在的域名：

  from urllib.error import URLError
  from urllib.request import Request,urlopen
  
  request = Request('http://www.fafafasfdaffaf.com/')
  try:
      resp = urlopen(request)
  except URLError as e:
      print(e)

2.HTTPError

• HTTPError包含了三个属性：
1. code：请求的状态码
2. reason：错误的原因
3. headers：响应的报头

   from urllib.error import HTTPError
   from urllib.request import Request,urlopen
   
   requset = Request('http://www.baidu.com/lfafdaflafapae.html')
   
   try:
       resp = urlopen(requset)
   except HTTPError as e:
       print(e)
       print(e.code)
       print(e.reason)
       print(e.headers)

三、parse模块

data参数需要用urllib.parse模块对其进行数据格式处理。

• urllib.parse.quote(url)：（URL编码处理）主要对URL中的非ASCII码编码处理
• urllib.parse.unquote(url)：（URL解码处理）URL上的特殊字符还原
• urllib.parse.urlencode(data)：对请求数据data进行格式转换