python爬虫之urllib

在python2和python3中的差异

在python2中，urllib和urllib2各有各个的功能，虽然urllib2是urllib的升级版，但是urllib2还是不能完全替代urllib，但是在python3中，全部封装成一个类urllib。

Urllib2可以接受一个Request对象，并以此可以来设置一个URL的headers，但是urllib只接受一个URL。这就意味着你不能通过urllib伪装自己的请求头。
Urllib模板可以提供运行urlencode的方法，该方法用于GET查询字符串的生成，urllib2的不具备这样的功能，而且urllib.quote等一系列quote和unquote功能没有被加入urllib2中，因此有时也需要urllib的辅助。这就是urllib和urllib2一起使用的原因。。quote用来url转码的。

Request

import urllib.request

urllib.request.Request(url, data=None, headers = {}, method= None)

headers = {

      'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) '

                    'Chrome/45.0.2454.85 Safari/537.36 115Browser/6.0.3',

      'Referer': 'http://www.lagou.com/zhaopin/Python/?labelWords=label',

      'Connection': 'keep-alive'

 }

http的头信息可以直接使用字典的形式。

urllib发送数据

Request如果要发送data，并无法直接传入字典类型的参数，需要进行数据转换，你可以直接使用类似于get传出参数的方法，也可以使用urllib给我们提供的类。

from urllib import request, parse

data = {

    'first': 'true',

    'pn': 1,

    'kd': 'Python'

}

data = parse.urlencode(data).encode('utf-8')

print(data)

结果：

b'first=true&pn=1&kd=Python‘

urlencode()主要作用就是将url附上要提交的数据。
Post的数据必须是bytes或者iterable of bytes，不能是str，因此需要进行encode()编码。

urllib.parse.urlencode(query, doseq=False, safe='', encoding=None, errors=None)

urlopen

没法伪装我们的头信息

urllib.request.urlopen(url, data=None, timeout=None)

url       需要打开的网站

data      psot提交的数据

Timeout   网站访问的超时时间

Request

可以伪装头信息

from urllib import request

req = request.Request(url, headers=headers, data=data)

html = request.urlopen(req).read()

urllib的下载

from urllib import request

url = "http://inews.gtimg.com/newsapp_match/0/2711870562/0"

request.urlretrieve(url, "1.jpg")

或者通过以下方式

from urllib import request

url = "http://inews.gtimg.com/newsapp_match/0/2711870562/0"

req = request.Request(url)

res = request.urlopen(req)

text = res.read()

with open("2.jpg", "wb") as f:

    f.write(text)

urllib的代理

from urllib import request, parse

data = {

        'first': 'true',

        'pn': 1,

        'kd': 'Python'

    }

url = 'http://2018.ip138.com/ic.asp'

proxy = request.ProxyHandler({'http': '113.95.51.146:8118'})  # 设置proxy

opener = request.build_opener(proxy)  # 挂载opener

# opener = request.build_opener()  # 挂载opener

request.install_opener(opener)  # 安装opener

data = parse.urlencode(data).encode('utf-8')

page = opener.open(url, data).read()

print(type(page))

print(page.decode("gbk"))

结果：<body style="margin:0px"><center>您的IP是：[113.95.51.146] 来自：湖北省武汉市 联通</center></body></html>

urllib的cookie使用

如果已经知道cookie，或者说你是通过抓包获取到的cookie，直接放在header的信息中直接登陆就可以；
登陆京东网站的cookie信息和不登录京东的cookie信息是不一样的。
你可以登录京东以后，抓取cookie的信息，然后访问任何网站就可以了。

import urllib.request

url = “http://www.jd.com"

header = {"user-agent": "Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/63.0.3239.132 Safari/537.36",

          "cookie": "xxxxx"}

req = urllib.request.Request(url=url, headers=header)

res = urllib.request.urlopen(req)

text = res.read()

urllib的cookie相关的类

在python2中cookie的类叫做：import cookielib
在python3中cookie的类叫做：import http.cookiejar

opener的概念

当你获取一个URL你使用一个opener(一个urllib2.OpenerDirector的实例)。在前面，我们都是使用的默认的opener，也就是urlopen。
urlopen是一个特殊的opener，可以理解成opener的一个特殊实例，传入的参数仅仅是url，data，timeout。
如果我们需要用到Cookie，只用这个opener是不能达到目的的，所以我们需要创建更一般的opener来实现对Cookie的设置。

终端输出cookie对象

import urllib.request

import http.cookiejar

url = "http://www.hao123.com"

req = urllib.request.Request(url)

cookiejar = http.cookiejar.CookieJar()

handler = urllib.request.HTTPCookieProcessor(cookiejar)

opener = urllib.request.build_opener(handler)

r = opener.open(req)

print(cookiejar)

<CookieJar[<Cookie BAIDUID=93B415355E0704B2BC94B5D514468898:FG=1 for .hao123.com/>, <Cookie hz=0 for .www.hao123.com/>, <Cookie ft=1 for www.hao123.com/>, <Cookie v_pg=normal for www.hao123.com/>]>

Cookie保存到文件中

import urllib.request

import http.cookiejar

url = "http://www.hao123.com"

req = urllib.request.Request(url)

cookieFileName = "cookie.txt"

cookiejar = http.cookiejar.MozillaCookieJar(cookieFileName)#文件cookie

handler = urllib.request.HTTPCookieProcessor(cookiejar)

opener = urllib.request.build_opener(handler)

r = opener.open(req)

print(cookiejar)

cookiejar.save() # 保存在了文件cookie.txt中

MozillaCookieJar继承FileCookieJar()继承CookieJar

Cookie从文件中读取cookie信息并访问

import urllib.request

import http.cookiejar

cookie_filename = 'cookie.txt'

cookie = http.cookiejar.MozillaCookieJar(cookie_filename)

cookie.load(cookie_filename, ignore_discard=True, ignore_expires=True)

print(cookie)

url = "http://www.hao123.com"

req = urllib.request.Request(url)

handler = urllib.request.HTTPCookieProcessor(cookie)

opener = urllib.request.build_opener(handler)  # 利用urllib2的build_opener方法创建一个opener

response = opener.open(req)

print(response.read().decode(“utf-8”))#解决乱码的问题

python爬虫（二）的更多相关文章

Python爬虫二
常见的反爬手段和解决思路 1)明确反反爬的主要思路反反爬的主要思路就是尽可能的去模拟浏览器,浏览器在如何操作,代码中就如何去实现;浏览器先请求了地址url1,保留了cookie在本地,之后请求地址u ...
Python 爬虫二 requests模块
requests模块 Requests模块 get方法请求整体演示一下: import requests response = requests.get("https://www.baid ...
Python爬虫(二十一)_Selenium与PhantomJS
本章将介绍使用Selenium和PhantomJS两种工具用来加载动态数据,更多内容请参考:Python学习指南 Selenium Selenium是一个Web的自动化测试工具,最初是为网站自动化测试 ...
python爬虫(二)--了解deque
队列-deque 有了上面一节的基础.当然你须要全然掌握上一节的全部方法,由于上一节的方法.在以下的教程中会重复的用到. 假设你没有记住,请你返回上一节. http://blog.csdn.net/ ...
python爬虫(二)_HTTP的请求和响应
HTTP和HTTPS HTTP(HyperText Transfer Protocol,超文本传输协议):是一种发布和接收HTML页面的方法 HTTPS(HyperText Transfer Prot ...
Python爬虫(二十四)_selenium案例：执行javascript脚本
本章叫介绍如何使用selenium在浏览器中使用js脚本,更多内容请参考:Python学习指南隐藏百度图片 #-*- coding:utf-8 -*- #本篇将模拟执行javascript语句 fr ...
Python爬虫(二十三)_selenium案例：动态模拟页面点击
本篇主要介绍使用selenium模拟点击下一页,更多内容请参考:Python学习指南 #-*- coding:utf-8 -*- import unittest from selenium impor ...
Python爬虫(二十二)_selenium案例：模拟登陆豆瓣
本篇博客主要用于介绍如何使用selenium+phantomJS模拟登陆豆瓣,没有考虑验证码的问题,更多内容,请参考:Python学习指南 #-*- coding:utf-8 -*- from sel ...
Python爬虫(二十)_动态爬取影评信息
本案例介绍从JavaScript中采集加载的数据.更多内容请参考:Python学习指南 #-*- coding:utf-8 -*- import requests import re import t ...
Python 爬虫(二十五) Cookie的处理--cookielib库的使用
Python中cookielib库(python3中为http.cookiejar)为存储和管理cookie提供客户端支持. 该模块主要功能是提供可存储cookie的对象.使用此模块捕获cookie并 ...

随机推荐

DataGridView列标题(列标头)不能居中的解决方法
winform DataGridView列标题(列标头)不能完全居中的解决方法,一般列标题的居中我们都使用 DgvDemo.ColumnHeadersDefaultCellStyle.Alignmen ...
检测锁及死锁详细信息，及sql语句
SELECT SessionID = s.Session_id, l.request_session_id spid, a.blocked, a.start_time, a.ecid, OBJECT_ ...
一篇文章理清WebGL绘制流程
转自:https://www.jianshu.com/p/e3d8a244f3d9 目录初始化WebGL环境顶点着色器(Vertex Shader)与片元着色器(Fragment Shader) ...
C# 最大二叉堆算法
C#练习二叉堆算法. namespace 算法 { /// <summary> /// 最大堆 /// </summary> /// <typeparam name=&q ...
UML，构件图与部署图
一.构件图概述 1.概念用来显示一组构件之间的组织及其依赖关系 2.基本元素 (1)构件:定义了良好接口的物理实现单元. ● 配置构件:形成可执行文件的基础,如:动态链接库(DLL).ActiveX ...
开放本地MYSQL服务器端口
有时候别人需要连接你的数据库,这个时候你就要开放数据库的端口,让别的主机可以连接上,步骤如下: 1.打开防火墙,新建入站规则,开放MySQL3306端口 2.执行以下两个命令: (1)如果你想允许用户 ...
Codeforces675D(SummerTrainingDay06-J)
D. Tree Construction time limit per test:2 seconds memory limit per test:256 megabytes input:standar ...
format格式化字符串
假如想要表达这样一条语句:李明今年十二岁输出这样一条语句 name = 'LiMing' age = 12 print( name + 'is' + age + 'years old') #输出 L ...
设计模式原则(4)--Interface Segregation Principle(ISP)--接口隔离原则
作者QQ:1095737364 QQ群:123300273 欢迎加入! 1.定义: 使用多个专门的接口,而不使用单一的总接口,即客户端不应该依赖那些它不需要的接口. 2.使用场景: 类A ...
Spring AOP 中@Pointcut的用法
Spring Aop中@pointCut的用法,格式:execution(modifiers-pattern? ret-type-pattern declaring-type-pattern? nam ...

python爬虫（二）