爬虫-urllib3模块的使用

urllib3是一个功能强大，对SAP健全的 HTTP客户端，许多Python生态系统已经使用了urllib3。

一、安装

sudo pips install urllib3

二、创建PoolManager对象

　　通过urllib3访问网页，首先需要构造一个PoolManager实例对象用于处理与线程池的连接以及线程安全的所有细节，然后通过request（）方法来发送请求

import urllib3

#创建PoolManager对象，用于处理与线程池的连接以及线程安全的所有细节

http = urllib3.PoolManager()

#对需要爬取的网页发送请求

resp = http.request(method,url,...)

method和url两个参数必选，并且method需要大写

三、基本GET请求（headers参数和fields参数）

最基本的GET请求

import urllib3

#创建PoolManager对象，用于处理与线程池的连接以及线程安全的所有细节

http = urllib3.PoolManager()

#对需要爬取的网页发送请求

resp = http.request('GET','https://www.baidu.com/')

print(resp.data.decode())#响应数据

print(resp.headers)#响应头信息

print(resp.status)#状态码

resp.release_conn()#释放这个http连接

添加headers和查询参数

　　　可以传入headers参数(dict类型)来增加请求头中的headers信息。可以利用fields参数传递查询参数(dict类型)，并且url后面的'?‘一定不能带上

import urllib3

http = urllib3.PoolManager()

kw = {"wd":"长城"}

headers = {"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/54.0.2840.99 Safari/537.36"}

resp = proxy.request('GET','https://www.baidu.com/s',fields=kw,headers = headers)

print(resp.data.decode())

四、基本POST请求（fields参数）

最基本的POST请求需要传入fields参数(dict类型)，urllib3会自动将其转换成表单数据类型

import urllib3

http = urllib3.PoolManager()

#需要提交的数据

data = {'word':'hello'}

headers = {"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/54.0.2840.99 Safari/537.36"}

response = http.request('POST','http://httpbin.org/post',fields = data,headers = headers)

print(response.data.decode())

url中携带查询参数
- 需要先通过urlencode()编码，然后附加在url后面，这和GET方式有所不同（示例略）

传递json数据（body参数）
- 利用body参数进行传递，但是数据需要先序列化成json字符串，然后headers中需要设置'Content-Type':'application/json'

import urllib3

import json

http = urllib3.PoolManager()

url = 'https://openapi.vmall.com/mcp/offlineshop/getShopList'

data = {

"portal":2,"lang":"zh-CN","country":"CN","brand":1,"province":"山西","city":"太原","pageNo":1,"pageSize":20

}

# 将字典类型数据序列化成json字符串

json_data = json.dumps(data)

#headers中设置Conten-Type为application/json

headers = {

    'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_15_4) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/80.0.3987.163 Safari/537.36',

    'Content-Type':'application/json'

}

resp = http.request('POST',url,body = json_data,headers = headers)

print(resp.data.decode())

注意：body参数和fields参数不能同时使用

五、文件上传

普通文件上传

使用multipart/form-data编码方式上传文件,可以使用和传入Form data数据一样的方法进行,并将文件定义为一个二元元组（文件名，数据）或三元元组（文件名，数据，MIME类型），文件名的定义虽然不是严格要求的,但是推荐使用,以使得表现得更像浏览器

import urllib3

http = urllib3.PoolManager()

#打开文件test.txt

with open('test.txt','r') as f:

    file_data = f.read()

headers = {"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/54.0.2840.99 Safari/537.36"}

#三元元组的方式传入

resp = http.request('POST','http://httpbin.org/post',fields={'filefield':('test.txt',file_data,'text/plain')},headers=headers)

#二元元组的方式传入

#resp = http.request('POST','http://httpbin.org/post',fields={'filefield':('test.txt',file_data)},headers=headers)

print(resp.data.decode('unicode_escape'))

二进制文件上传

原始二进制数据，只要将其定义为body参数即可。同时，建议对header的Content-Type参数进行设置

import urllib3

http = urllib3.PoolManager()

with open('test.jpg','rb') as f:

    binary_data = f.read()

headers = {"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/54.0.2840.99 Safari/537.36",'Content-Type':'image/jpeg'}

resp = http.request('POST','http://httpbin.org/post',body = binary_data,headers = headers)

print(resp.data.decode())

六、超时设置

使用timeout，可以控制请求的总超时时间（连接超时和读取超时时间总和），timeout参数为一个浮点数：
```
resp = http.request('GET','http://httpbin.org/delay/3',timeout = 4.0)
```

也可以分别设置总超时、连接超时和读取超时时间，这时候需要使用Timeout（）实例，里面有3个关键字参数total，connect和read：

#设置总超时时间为3.0秒，连接超时不超过1.5秒，读取超时不超过2.0秒

resp = http.request('GET','http://httpbin.org/delay/3',timeout = urllib3.Timeout(total=3.0,connect=1.5,read=2.0))

如果想让所有的request都遵循一个timeout，可以将timeout参数定义在PoolManager中，当在具体的request中再次定义timeout时，会覆盖PoolManager层面上的timeout。
```
http = urllib3.PoolManager(timeout = urllib3.Timeout(total=3.0,connect=1.5,read=2.0))

#http = urllib3.PoolManager(timeout = 4.0)
```

七、重试（retries参数）以及重定向（redirect参数）设置

urllib3默认进行3次请求重试，3次重定向

通过retries来自定义请求重试次数

#设置请求重试次数10次

resp = http.request('GET','http://httpbin.org/ip',retries = 10)

将参数retries设为False，请求重试和重定向会同时关闭

#同时关闭请求重试和重定向

resp = http.request('GET','http://httpbin.org/redirect/1',retries = False)

将参数redirect设为False，仅关闭重定向，保持请求重试

#仅关闭重定向

resp = http.request('GET','http://httpbin.org/redirect/1',redirect = False)

通过Retry（）实例可以精细控制重试和重定向次数，该实例默认总重试次数为10次，比如我们设置3次重试，2次重定向
```
resp = http.request('GET','http://httpbin.org/redirect/3',retries = urllib3.Retry(3,redirect = 2))
```
如果想让所有的request都遵循一个请求重试和重定向策略，可以在PoolManager中定义retries参数，当在具体的request中再次定义retries时，会覆盖 PoolManager层面上的retries。
```
http = urllib3.PoolManager(retries = urllib3.Retry(3,redirect=2))

#http = urllib3.PoolManager(retries = False)
```

八、ProxyManager（代理IP）

如果你需要使用代理来访问某个网站的话, 那么你可以使用 ProxyManager 对象来进行设置

ProxyManager和PoolManager的方法基本完全相同，这里举个简单的小例子

import urllib3

#创建ProxyManager对象

proxy_http = urllib3.ProxyManager('https://175.42.122.96:9999')

headers = {"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/54.0.2840.99 Safari/537.36"}

#利用代理对需要爬取的网页发送请求

resp = proxy_http.request('GET','https://www.baidu.com/',headers=headers)

print(resp.data.decode())#响应数据

print(resp.headers)#响应头信息

print(resp.status)#状态码

resp.release_conn()#释放这个http连接

九、SSL证书验证

urllib3默认不验证HTTPS请求，如果想开启验证，最可靠的方法是使用提供Mozilla根证书包的certifi包
```
sudo pip3 install certifi
```

获得证书后，可以在PoolManager中定义cert_reqs参数和ca_certs参数，来自动处理证书验证

import urllib3

import certici

#开启ssl证书自动验证

http = urllib3.PoolManager(cert_reqs='CERT_REQUIRED',ca_certs=certifi.where())

headers = {"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/54.0.2840.99 Safari/537.36"}

resp = http.request('GET','https://www.baidu.com/',headers=headers)

print(resp.data.decode())

如果需要，可以使用OS提供的证书。只需指定证书包的完整路径作为ca_certs参数而不是 certifi.where()。例如，大多数Linux系统都存储证书/etc/ssl/certs/ca-certificates.crt。
```
import urllib3

import certifi

http = urllib3.PoolManager(cert_reqs='CERT_REQUIRED',ca_certs='/etc/ssl/certs/ca-certificates.crt')
```