urllib和requests库
目录
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。
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。
urllib和requests库的更多相关文章
- Python使用urllib,urllib3,requests库+beautifulsoup爬取网页
Python使用urllib/urllib3/requests库+beautifulsoup爬取网页 urllib urllib3 requests 笔者在爬取时遇到的问题 1.结果不全 2.'抓取失 ...
- 从0开始学爬虫10之urllib和requests库与github/api的交互
urllib库的使用 # coding=utf-8 import urllib2 import urllib # htpbin模拟的环境 URL_IP="http://10.11.0.215 ...
- urllib、requests库整理
- Python3 urllib库和requests库
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: import urllib.requests d ...
- requests库和urllib包对比
python中有多种库可以用来处理http请求,比如python的原生库:urllib包.requests类库.urllib和urllib2是相互独立的模块,python3.0以上把urllib和ur ...
- 【Python爬虫】HTTP基础和urllib库、requests库的使用
引言: 一个网络爬虫的编写主要可以分为三个部分: 1.获取网页 2.提取信息 3.分析信息 本文主要介绍第一部分,如何用Python内置的库urllib和第三方库requests库来完成网页的获取.阅 ...
- Requests库上传文件时UnicodeDecodeError: 'ascii' codec can't decode byte错误解析
在使用Request上传文件的时候碰到如下错误提示: 2013-12-20 20:51:09,235 __main__ ERROR 'ascii' codec can't decode byte 0x ...
- 【Python爬虫实战--1】深入理解urllib;urllib2;requests
摘自:http://1oscar.github.io/blog/2015/07/05/%E6%B7%B1%E5%85%A5%E7%90%86%E8%A7%A3urllib;urllib2;reques ...
- python WEB接口自动化测试之requests库详解
由于web接口自动化测试需要用到python的第三方库--requests库,运用requests库可以模拟发送http请求,再结合unittest测试框架,就能完成web接口自动化测试. 所以笔者今 ...
随机推荐
- Shell 处理文件名中包含空格的文件
最近在学Gradle, 使用git clone 命令下载了一些资料,但是文件名含有空格,看上去不是很舒服,因此想到用shell脚本对其进行批处理,去掉文件名中的空格,注意这里是把所有的空格全去掉 gi ...
- java.lang.IllegalAccessError: tried to access method
java.lang.IllegalAccessException: access to method denied 06-23 16:12:39.128 1253-1253/com.hbjyjt.oa ...
- Animator
[Animator] 1.State Machine Behaviours A State Machine Behaviour is a special class of script. In a s ...
- putty颜色调整
右键window窗口--Changing Setting--window--Colours: * Default Foreground: 255/255/255 * Default Backgroun ...
- 强制改变css样式优先级
.list{ left:20px!important; } css !important作用是提高指定CSS样式规则的应用优先权. !important是CSS1就定义的语法,作用是提高指定样式规则的 ...
- Django路由配置系统,视图函数
一.路由配置系统(URLconf) URL配置(URLconf)就像Django 所支撑网站的目录.它的本质是URL与要为该URL调用的视图函数之间的映射表:你就是以这种方式告诉Django,对于这个 ...
- 原生js实现一个简单的轮播图
想锻炼一下自己的原生js能力可以从写一个轮播图开始,轮播图的运用想必大家都知道吧,好了废话不多说,开始记笔记了,一些需要注意的点,我都在代码中标注了 首先是构造html: <div id=&qu ...
- 牛客练习赛15A-吉姆的运算式(Python正则表达式瞎搞)
传送门 题意:出现的数字,取最后一个数字即可. Python正则表达式提取数字 代码: import re str = input() a = re.findall(r'\-*\d+(?:\.\d+) ...
- tight
tight - 必应词典 美[taɪt]英[taɪt] adv.紧紧地:牢固地 adj.牢固的:紧的:不松动的:难解开的 n.紧身衣 网络紧身的:紧密的:密封的 变形比较级:tighter:最高级:t ...
- Rxjs之创建操作符(Angular环境)
一 of操作符 import { Component, OnInit } from '@angular/core'; import { of } from 'rxjs/observable/of'; ...