urllib和requests库

正文

1. Python3 使用urllib库请求网络

1.1 基于urllib库的GET请求

请求百度首页www.baidu.com ，不添加请求头信息：

 1 import urllib.requests
 2
 3
 4 def get_page():
 5　　 url = 'http://www.baidu.com/'
 6 　　res = urllib.request.urlopen(url=url)
 7 　　page_source = res.read().decode('utf-8')
 8 　　print(page_source)
 9
10
11 if __name__ == '__main__':
12 　　get_page()

输出显示百度首页的源码。但是有的网站进行了反爬虫设置，上述代码可能会返回一个40X之类的响应码，因为该网站识别出了是爬虫在访问网站，这时需要伪装一下爬虫，让爬虫模拟用户行为，给爬虫设置headers（User-Agent）属性，模拟浏览器请求网站。

1.2 使用User-Agent伪装后请求网站

由于urllib.request.urlopen() 函数不接受headers参数，所以需要构建一个urllib.request.Request对象来实现请求头的设置：

 1 import urllib.request
 2
 3
 4 def get_page():
 5　　 url = 'http://www.baidu.com'
 6 　　headers = {
 7 　　　　'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/65.0.3325.146 Safari/537.36'
 8 　　}
 9　　 request = urllib.request.Request(url=url, headers=headers)
10 　　res = urllib.request.urlopen(request)
11　　 page_source = res.read().decode('utf-8')
12 　　print(page_source)
13
14
15 if __name__ == '__main__':
16 　　get_page()

添加headers参数，来模拟浏览器的行为。

1.3 基于urllib库的POST请求，并用Cookie保持会话

登陆ChinaUnix论坛，获取首页源码，然后访问一个文章。首先不使用Cookie看一下什么效果：

 1 import urllib.request
 2 import urllib.parse
 3
 4
 5 def get_page():
 6 　　url = 'http://bbs.chinaunix.net/member.php?mod=logging&action=login&loginsubmit=yes&loginhash=LcN2z'
 7　　 headers = {
 8 　　　　'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/65.0.3325.146 Safari/537.36'
 9 　　}
10 　　data = {
11 　　　　'username': 'StrivePy',
12 　　　　'password': 'XXX'
13 　　}
14 　　postdata = urllib.parse.urlencode(data).encode('utf-8')
15 　　req = urllib.request.Request(url=url, data=postdata, headers=headers)
16 　　res = urllib.request.urlopen(req)
17 　　page_source = res.read().decode('gbk')
18　　 print(page_source)
19
20 　　url1 = 'http://bbs.chinaunix.net/thread-4263876-1-1.html'
21 　　res1 = urllib.request.urlopen(url=url1)
22 　　page_source1 = res1.read().decode('gbk')
23 　　print(page_source1)
24
25
26 if __name__ == '__main__':
27 　　get_page()

搜索源码中是否能看见用户名StrivePy，发现登陆成功，但是再请求其它文章时，显示为游客状态，会话状态没有保持。现在使用Cookie看一下效果：

 1 import urllib.request
 2 import urllib.parse
 3 import http.cookiejar
 4
 5
 6 def get_page():
 7 　　url = 'http://bbs.chinaunix.net/member.php?mod=logging&action=login&loginsubmit=yes&loginhash=LcN2z'
 8 　　headers = {
 9 　　　　'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/65.0.3325.146 Safari/537.36'
10 　　}
11 　　data = {
12 　　　　'username': 'StrivePy',
13 　　　　'password': 'XXX'
14 　　}
15 　　postdata = urllib.parse.urlencode(data).encode('utf-8')
16 　　req = urllib.request.Request(url=url, data=postdata, headers=headers)
17 　　# 创建CookieJar对象
18 　　cjar = http.cookiejar.CookieJar()
19 　　# 以CookieJar对象为参数创建Cookie
20 　　cookie = urllib.request.HTTPCookieProcessor(cjar)
21 　　# 以Cookie对象为参数创建Opener对象
22 　　opener = urllib.request.build_opener(cookie)
23　　 # 将Opener安装位全局，覆盖urlopen函数，也可以临时使用opener.open()函数
24　　 urllib.request.install_opener(opener)
25 　　res = urllib.request.urlopen(req)
26 　　page_source = res.read().decode('gbk')
27 　　print(page_source)
28
29 　　url1 = 'http://bbs.chinaunix.net/thread-4263876-1-1.html'
30 　　res1 = urllib.request.urlopen(url=url1)
31 　　page_source1 = res1.read().decode('gbk')
32 　　print(page_source1)
33
34
35 if __name__ == '__main__':
36 　　get_page()

结果显示登陆成功后，再访问其它文章时，显示为登陆状态。若要将Cookie保存为文件待下次使用，可以使用MozillaCookieJar对象将Cookie保存为文件。

 1 import urllib.request
 2 import urllib.parse
 3 import http.cookiejar
 4
 5
 6 def get_page():
 7     url = 'http://bbs.chinaunix.net/member.php?mod=logging&action=login&loginsubmit=yes&loginhash=LcN2z'
 8     headers = {
 9         'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/65.0.3325.146 Safari/537.36'
10     }
11     data = {
12         'username': 'StrivePy',
13         'password': 'XXX'
14     }
15     postdata = urllib.parse.urlencode(data).encode('utf-8')
16     req = urllib.request.Request(url=url, data=postdata, headers=headers)
17     filename = 'cookies.txt'
18     # 创建CookieJar对象
19     cjar = http.cookiejar.MozillaCookieJar(filename)
20     # 以CookieJar对象为参数创建Cookie
21     cookie = urllib.request.HTTPCookieProcessor(cjar)
22     # 以Cookie对象为参数创建Opener对象
23     opener = urllib.request.build_opener(cookie)
24     # 临时使用opener来请求
25     opener.open(req)
26     # 将cookie保存为文件
27     cjar.save(ignore_discard=True, ignore_expires=True)

会在当前工作目录生成一个名为cookies.txt的cookie文件，下次就可以不用登陆（如果cookie没有失效的话）直接读取这个文件来实现免登录访问。例如不进行登陆直接访问其中一篇文章（没登陆也可以访问，主要是看抬头是不是登陆状态）：

 1 import http.cookiejar
 2
 3
 4 def get_page():
 5     url1 = 'http://bbs.chinaunix.net/thread-4263876-1-1.html'
 6     filename = 'cookies.txt'
 7     cjar = http.cookiejar.MozillaCookieJar(filename)
 8     cjar.load(ignore_discard=True, ignore_expires=True)
 9     cookie = urllib.request.HTTPCookieProcessor(cjar)
10     opener = urllib.request.build_opener(cookie)
11     res1 = opener.open(url1)
12     page_source1 = res1.read().decode('gbk')
13     print(page_source1)
14
15
16 if __name__ == '__main__':
17     get_page()

结果显示是以登陆状态在查看这篇文章。

1.4 基于urllib库使用代理请求

使用代理可以有效规避爬虫被封。

 1 import urllib.request
 2
 3
 4 def proxy_test():
 5     url = 'http://myip.kkcha.com/'
 6     headers = {
 7         'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/65.0.3325.146 Safari/537.36'
 8     }
 9     request = urllib.request.Request(url=url, headers=headers)
10     proxy = {
11         'http': '180.137.232.101:53281'
12     }
13     # 创建代理Handler对象
14     proxy_handler = urllib.request.ProxyHandler(proxy)
15     # 以Handler对象为参数创建Opener对象
16     opener = urllib.request.build_opener(proxy_handler)
17     # 将Opener安装为全局
18     urllib.request.install_opener(opener)
19     response = urllib.request.urlopen(request)
20     page_source = response.read().decode('utf-8')
21     print(page_source)
22
23
24 if __name__ == '__main__':
25     proxy_test()

抓取到的页面应该显示代理IP，不知道什么原因，有时候能正常显示，有时候跳转到有道词典广告页！！！问题有待更进一步研究。

回到顶部

2. Python3 使用requsets库访问网络

2.1 基于requests库的GET请求

以GET方式请求http://httpbin.org测试网站。

 1 import requests
 2
 3
 4 def request_test():
 5     url = 'http://httpbin.org/get'
 6     response = requests.get(url)
 7     print(type(response.text), response.text)
 8     print(type(response.content), response.content)
 9
10
11 if __name__ == '__main__':
12     request_test()

直接得到响应体。

1 <class 'str'> {"args":{},"headers":{"Accept":"*/*","Accept-Encoding":"gzip, deflate","Connection":"close","Host":"httpbin.org","User-Agent":"python-requests/2.18.4"},"origin":"121.61.132.191","url":"http://httpbin.org/get"}
2
3 <class 'bytes'> b'{"args":{},"headers":{"Accept":"*/*","Accept-Encoding":"gzip, deflate","Connection":"close","Host":"httpbin.org","User-Agent":"python-requests/2.18.4"},"origin":"121.61.132.191","url":"http://httpbin.org/get"}\n

在GET方法中传递参数的三种方式：

将字典形式的参数用urllib.parse.urlencode()函数编码成url参数:

 1 import urllib.parse
 2
 3 if __name__ == '__main__':
 4     base_url = 'http://httpbin.org/'
 5     params = {
 6         'key1': 'value1',
 7         'key2': 'value2'
 8     }
 9     full_url = base_url + urllib.parse.urlencode(params)
10     print(full_url)

1 http://httpbin.org/key1=value1&key2=value2

直接在urllib.request.get()函数中使用params参数：

1 import requests
2
3 if __name__ == '__main__':
4     payload = {
5         'key1': 'value1',
6         'key2': 'value2'
7     }
8     response = requests.get('http://httpbin.org/get', params=payload)
9     print(response.url)

1 http://httpbin.org/key1=value1&key2=value2

url直接包含参数：

1 http://httpbin.org/get?key2=value2&key1=value1

2.2 基于requests库的POST请求，并用session保持会话

登陆ChinaUnix论坛，获取首页源码，然后访问一个文章。首先不使用Session看一下什么效果：

 1 import requests
 3
 4
 5 def get_page():
 6　　 url = 'http://bbs.chinaunix.net/member.php?mod=logging&action=login&loginsubmit=yes&loginhash=LcN2z'
 7 　　headers = {
 8 　　　　'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/65.0.3325.146 Safari/537.36'
 9 　　}
10 　　data = {
11　　　　 'username': 'StrivePy',
12 　　　　'password': 'XXX'
13 　　}
14 　　response = requests.post(url=url, data=data, headers=headers)
15 　　page_source = response.text
16 　　print(response.status_code)
17 　　print(page_source)
18
19 　　url1 = 'http://bbs.chinaunix.net/thread-4263876-1-1.html'
20 　　response1 = requests.get(url=url1, headers=headers)
21 　　page_source1 = response1.text
22 　　print(response1.status_code)
23 　　print(page_source1)
24
25
26 if __name__ == '__main__':
27 　　get_page()

结果显示访问其它文章时为游客模式。接下来用session来维持会话看一下效果：

 1 import requests
 2
 3
 4 def get_page():
 5 　　url = 'http://bbs.chinaunix.net/member.php?mod=logging&action=login&loginsubmit=yes&loginhash=LcN2z'
 6 　　headers = {
 7 　　　　'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/65.0.3325.146 Safari/537.36'
 8 　　}
 9 　　data = {
10 　　　　'username': 'StrivePy',
11 　　　　'password': 'XXX'
12 　　}
13 　　session = requests.session()
14 　　response = session.post(url=url, data=data, headers=headers)
15 　　page_source = response.text
16 　　print(response.status_code)
17 　　print(page_source)
18
19 　　url1 = 'http://bbs.chinaunix.net/thread-4263876-1-1.html'
20 　　response1 = session.get(url=url1, headers=headers)
21 　　page_source1 = response1.text
22　　 print(response1.status_code)
23 　　print(page_source1)
24
25
26 if __name__ == '__main__':
27 　　get_page()

结果显示访问其它文章时，显示为登陆状态，会话保持住了。使用session的效果类似于urllib库临时使用opener或者将opener安装为全局的效果。

2.3 基于requests库使用代理请求

在requests库中使用代理：

 1 import requests
 2
 3
 4 def proxy_test():
 5     url = 'http://myip.kkcha.com/'
 6     headers = {
 7         'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/65.0.3325.146 Safari/537.36'
 8     }
 9     proxy = {
10         'https': '61.135.217.7: 80'
11     }
12     response = requests.get(url=url, headers=headers, proxies=proxy)
13     print(response.text)
14
15
16 if __name__ == '__main__':
17     proxy_test()

这个请求到的代码显示IP还是本地的网络IP，代理没起作用，具体原因有待研究。