一步步走上爬虫巅峰--基础(urllib和request.Request)

开发环境

python3 + Microsoft Edge Chromium

爬虫入门知识

HTTP请求过程

当用户在浏览器的地址栏中输入一个URL并按回车之后,浏览器会向HTTP服务器发送Request请求,去获取该URL的html文件,服务器把Response文件对象发送回浏览器。HTTP请求主要分为Get和Post两种方法。浏览器分析Reponse中的html,发现其中引用了很多其他文件,比如images文件,css文件,JS文件。浏览器会自动再次发送Request去获取这些文件。当所有的文件都下载成功后,网页会根据HTML语法结构完整地显示出来。

常用请求方法

Get请求 :只从服务器获取数据,不会对服务器资源产生影响Post请求:向服务器发送数据(登录),上传文件等,会对服务器资源产生影响。

请求头常见参数

User-Agent:浏览器名称,如果我们使用爬虫发送请求,那么我们的User-Agent就是Python,很容易被反爬虫检测到;Referer:表明当前请求是从哪个URL过来的,这个一般也可以用来做反爬虫技术。如果不是从指定页面过来的,那么就不做相关的响应。Cookie:http协议是无状态的,也就是从一个人发送了两次请求,服务器没有能力知道这两个请求是否来自同一个人。因此这时候就用cookie来做标识。一般如果想要做登录后才能访问的网站,那么就需要发送cookie信息了。

常见响应状态码

200:请求正常,服务器正常返回数据;301:永久重定向,比如在访问www.jingdong.com的时候回重定向到www.jd.com;302:临时重定向,比如在访问一个需要登录的页面的时候,而此时没有登录,那么就会重定向到登录界面;400:请求的url在服务器上找不到,换句话说就是请求url错误;403:服务器拒绝访问,权限不够;500:服务器内部错误,可能是服务器出现bug了。

urllib库

urlopen

一个简单的读取百度首页的代码

from urllib import request resp = request.urlopen(https://baidu.com) print(resp.read())

返回值resp有多个方法read,readline,readlines,getcode

urlretrieve

下载网页

from urllib import request request.urlretrieve(https://www.baidu.com, baidu.html)

urlencode

用浏览器发送请求的时候,如果url中包含了中文或者其他特殊字符,那么浏览器会自动进行编码。如果使用代码发送请求,则必须手动进行编码。

from urllib import parse data = {name: zzr, age: 18} qs = parse.urlencode(data) print(qs)

parse_qs

将经过编码后的url参数进行解码

from urllib import parse qs = name=zzr&age=18 print(parse.parse_qs(qs))

urlparse和urlsplit

有时候拿到一个url,想要对这个url中的各个组成部分进行分割

from urllib import request, parse url = ?wd=python&rsv_spt=1 print(parse.urlparse(url)) print(parse.urlsplit(url))

两个函数基本一样,唯一不同的地方是urlparse多了一个params属性

request.Request类

如果想在请求的时候增加一些请求头,则必须使用Request类来实现,下面是爬取拉勾网职位信息的一个例子:

from urllib import parse, request url = ?needAddtionalResult=false headers = {User-Agent: Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/83.0.4090.0 Safari/537.36 Edg/83.0.467.0, Referer: ?labelWords=&fromSearch=true&suginput=, data = {first: true, pn: 1, kd: python} req = request.Request(url, headers=headers, data=parse.urlencode(data).encode(utf-8), method=POST) resp = request.urlopen(req) print(resp.read().decode(utf-8))

对应的请求头参数在上面网页按F12进行查找。但上面的代码已经读取不到拉勾网的职位信息,因为他们的反爬虫技术也在进步。但是记住一点,在使用Request类的时候,一定记得加上请求头headers,要不然非常容易被反爬到。

ProxyHandler处理器(代理设置)

很多网站会检测某一段时间某个IP的访问次数(通过流量,系统日志等),如果访问次数太多,它会禁止这个IP的访问,所以我们可以设置一些代理服务器,每隔一段时间换一个代理,就算IP被禁止,依然可以换个IP继续爬取。

代理的原理:

在请求目的网站之前,先请求代理服务器,然后让代理服务器去请求目的网站,然后代理服务器再将拿到的数据转发给我们的代码。

常用代理有:

西刺免费代理快代理代理云

我们这里通过快代理获取免费的ip

urllib中通过ProxyHandler来设置使用代理服务器

from urllib import request url = # 没有使用代理 # resp = request.urlopen(url) # print(resp.read()) # 使用代理 # 1. 使用ProxyHandler传入代理构建一个handler handler = request.ProxyHandler({http: 59.44.78.30:54069}) # 2. 构建opener opener = request.build_opener(handler) # 3. 使用opener发送请求 resp = opener.open(url) print(resp.read)

可以看到输出的ip地址已经发生改变,但是免费的代理很慢,所以建议花点小钱买个代理。

Cookie

在需要登录的网站进行访问时,比如我们访问某一个人的主页,那么如果你没有登录一般是看不了的,它会重定向到登录界面。当我们登录之后就可以进行访问。但是我们使用爬虫代码因此不可能进行登录。因此我们只要手动进行登录进入某人的主页,并获取到该主页的cookie信息,将cookie信息添加到请求头中即可进行访问。

http.cookiejar模块

有没有一种方法不需要我们手动获取cookie信息,显得太low,我们这里使用一种方式全自动地获取某人主页。

该模块主要的类有以下4种:

CookieJar:管理HTTP cookie值,存储HTTP请求生成的cookie,向传出的HTTP请求添加cookie的对象。整个cookie都存储在内存中,对CookieJar实例进行垃圾回收后cookie也将丢失;FileCookieJar(filename, delayload=None, policy=None):从CookieJar派生而来,检索cookie信息并将cookie存储到文件中。filename是存储cookie的文件名,delayload为True时支持延迟访问文件,即只在有需要时才读取文件或在文件中存储数据。MozillaCookieJar:从FileCookieJar派生而来,创建与Mozilla浏览器cookies.txt兼容的FileCookieJar实例LWPCookieJar:从FileCookieJar派生而来,创建与libwww-per标准的Set-Cookie3文件格式兼容的FileCookieJar实例。from urllib import request, parse from http.cookiejar import CookieJar headers = {User-Agent: } def get _opener(): 登录准备 # 创建一个cookiejar对象 cookiejar = CookieJar() # 使用cookiejar创建一个HTTPCookieProcess对象 handler = request.HTTPCookieProcessor(cookiejar) # 使用handler创建一个opener opener = request.build_opener(handler) return opener def login(opener): 登录 # 填入自己的账号密码 data = {email: , password: } login_url = req = request.Request(login_url, data=parse.urlencode(data).encode(utf-8), headers=headers) opener.open(req) def visit(opener): 访问个人主页 url = req = request.Request(url, headers=headers) resp = opener.open(req) with open(renren.html, w, encoding=utf-8) as f: f.write(resp.read().decode(utf-8)) if __name__ == __main__: opener = get_opener() login(opener) visit(opener)

保存cookie信息到本地

from urllib import request from http.cookiejar import MozillaCookieJar cookiejar = MozillaCookieJar(cookie.txt) # cookiejar.load(ignore_discard=True) handler = request.HTTPCookieProcessor(cookiejar) opener = request.build_opener(handler) opener.open(http://www.baidu.com) # 有的cookie信息会在代码结束后过期,因此添加参数ignore_discard保存所有的cookie cookiejar.save(ignore_discard=True)

读取保存在本地的cookie信息

from urllib import request from http.cookiejar import MozillaCookieJar cookiejar = MozillaCookieJar(cookie.txt) cookiejar.load(ignore_discard=True) handler = request.HTTPCookieProcessor(cookiejar) opener = request.build_opener(handler) opener.open(http://www.baidu.com) # 有的cookie信息会在代码结束后过期,因此添加参数ignore_discard保存所有的cookie for cookie in cookiejar: print(cookie)