Python3 urllib.request库的基本使用

Python3 urllib.request库的基本使用

所谓网页抓取，就是把URL地址中指定的网络资源从网络流中读取出来，保存到本地。 在Python中有很多库可以用来抓取网页，我们先学习urllib.request库。

urllib.request库 是 Python3 自带的模块(不需要下载，导入即可使用)

urllib.request库在windows下的路径（C:\Python34\Lib\urllib）

备注：python 自带的模块库文件都是在C:\Python34\Lib目录下（C:\Python34是我Python的安装目录），python第三方模块库都是在C:\Python34\Lib\site-packages 下。

可以通过EditPlus工具或者其他代码查看工具看urllib.request库的相关方法实现的源码。

入门的例子一：用urllib.request 里的urlopen()方法发送一个请求

# 导入urllib.request 库

import urllib.request

# 向指定的url发送请求，并返回服务器响应的类文件对象

response = urllib.request.urlopen("http://admin.bxcker.com")

# 服务器返回的类文件对象支持Python文件对象的操作方法，如read()方法读取文件全部内容，返回字符串

html = response.read()

# 打印响应的内容

print(html)

运行结果：

在PyChram下运行的结果：

在DOS下运行的结果：

在网页查看源码核实：

在浏览器上打开http://admin.bxcker.com， 右键选择“查看源代码”，你会发现，跟我们刚才打印出来的是一模一样。也就是说，上面的例子把登陆首页的全部代码爬了下来。

一个基本的url请求对应的python代码是非常的简单，通过例子，说明是可以通过发送请求，获取响应的内容，然后输出显示响应的内容。

备注：urllib.request 里的 urlopen()不支持构造HTTP请求，不能给编写的请求添加head,无法模拟真实的浏览器发送请求。

通过查看urllib.request库的源码文件，查看“User-agent”默认的是client_version

而client_version = "Python-urllib/%s" % __version__

通过查urllib.request库的源码文件，__version__= sys.version[:3]

在Dos下执行sys.version[:3]，显示的是3.4。

通过验证得出结论：urllib.request库的urlopen()方法默认的“User-agent”是本机Python的版本（User-agent：Python-urllib/3.4），对于服务器而言，一下就能识别出这是爬虫。

在我们第一个入门例子里，urlopen()的参数就是一个url地址；但是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。

例子二：用urllib.request 里的request ()方法发送一个请求

import urllib.request

# url 作为Request()方法的参数，构造并返回一个Request对象

request = urllib.request.Request("http://admin.bxcker.com")

# Request对象作为urlopen()方法的参数，发送给服务器并接收响应

response = urllib.request.urlopen(request)

html = response.read()

print(html)

运行结果：跟例子一是一样。

Request实例，除了必须要有 url 参数之外，还可以设置另外两个参数：

data：如果是GET请求，data（默认空），如果是POST请求，需要加上data参数，伴随 url 提交的数据。

headers（默认空）：是一个字典，包含了需要发送的HTTP报头的键值对。

通过抓包可以抓到http://admin.bxcker.com 请求的head信息

Accept: text/html

Accept-Encoding: gzip, deflate

Accept-Language: zh-CN,zh;q=0.9

Cache-Control: no-cache

Connection: keep-alive

Cookie:admin-JSESSIONID=2E5020AF574CA3F466A206D8F006C914; LOGIN_USER=%7B%22user%22%3A%7B%22accountNonExpired%22%3Atrue%2C%22accountNonLocked%22%3Atrue%2C%22branchId%22%3A2%2C%22createTime%22%3A%222017-12-15%2015%3A42%3A25%22%2C%22createUserId%22%3A2%2C%22credentialsNonExpired%22%3Atrue%2C%22deleteStatus%22%3Afalse%2C%22enabled%22%3Atrue%2C%22id%22%3A29580%2C%22mobile%22%3A%2211111111179%22%2C%22new%22%3Afalse%2C%22nickName%22%3A%22xiaony%22%2C%22parentId%22%3Anull%2C%22platUserToken%22%3Anull%2C%22proxyId%22%3Anull%2C%22source%22%3A3%2C%22ssoUserId%22%3Anull%2C%22unionid%22%3Anull%2C%22updateTime%22%3A%222018-01-22%2010%3A42%3A03%22%2C%22updateUserId%22%3A29580%2C%22username%22%3A%22xiaony%22%2C%22wxHeadImg%22%3Anull%2C%22wx_openid%22%3Anull%7D%7D

Host: admin.bxcker.com

Pragma: no-cache

Referer: http://admin.bxcker.com/

User-Agent: Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/66.0.3359.139 Safari/537.36

【Host】：主域 （发请求时，可以不写）

【Connection: keep-alive】：保持登录后的长连接

【User-Agent】：最重要的参数

【Accept】：接受数据的格式，例如：text文本、json等

【Accept-Encoding】：数据的压缩方式 （爬虫不是服务器，没有解压方法，不能写）

【Accept-Language】：支持的语言 （可以不写）

【Cookie】：缓存，Cookie在爬虫里主要获取登录后的状态，跟登录相关的可以用Cookie处理，如果只是获取一个静态页面的数据，就不需要用Cookie。

web项目通过都是通过浏览器去访问，要想真实模拟一个用户用浏览器去访问web项目，在发送请求的时候，会有不同的User-Agent头。 urllib2默认的User-Agent头为：Python-urllib/x.y，所以就需要我们在发request请求的时候添加一个head信息

例子三：用urllib.request 里的request ()方法里加上head信息

import urllib.request

header={"User-Agent": "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/66.0.3359.139 Safari/537.36"

}

# url 作为Request()方法的参数，构造并返回一个Request对象

request = urllib.request.Request("http://admin.bxcker.com")

# Request对象作为urlopen()方法的参数，发送给服务器并接收响应

response = urllib.request.urlopen(request)

html = response.read()

print(html)

运行结果：

为了验证我们爬虫发的请求，可以用抓包工具去抓我们爬虫发出去的请求，可以看到我们的头文件。

例子四：Request.get_header()与Request.add_header（）

 

import urllib.request

url ="http://admin.bxcker.com"

header={"User-Agent": "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/66.0.3359.139 Safari/537.36"

}

# url 作为Request()方法的参数，构造并返回一个Request对象

request = urllib.request.Request(url)

#也可以通过调用request.add_header() 添加/修改一个特定的header

request.add_header("Connection", "keep-alive")

# 也可以通过调用Request.get_header()来查看header信息

print(request.get_header(header_name="Connection"))

# Request对象作为urlopen()方法的参数，发送给服务器并接收响应

response = urllib.request.urlopen(request)

html = response.read()

#print(html)

 

运行结果：

例子五：随机添加/修改User-Agent

import urllib.request

import random

url = "http://admin.bxcker.com"

#定义一个User-Agent列表

user_agent_list = [

"Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/66.0.3359.139 Safari/537.36,",

"Mozilla/5.0 (X11; CrOS i686 2268.111.0)... ",

"Mozilla/5.0 (Macintosh; U; PPC Mac OS X.... ",

"Mozilla/5.0 (Macintosh; Intel Mac OS... "

]

#随机抽取一个User-Agent值

user_agent = random.choice(user_agent_list)

# url 作为Request()方法的参数，构造并返回一个Request对象

request = urllib.request.Request(url)

#通过调用Request.add_header() 添加一个特定的header

request.add_header("User-Agent", user_agent)

# 第一个字母大写，后面的全部小写

print(request.get_header("User-agent"))

# Request对象作为urlopen()方法的参数，发送给服务器并接收响应

response = urllib.request.urlopen(request)

html = response.read()

print(html)

运行结果：