能看任何网站的浏览器,深圳做微信商城网站建设,wordpress footer 插件,软文新闻发布网站1 urllib模块
1.1 urllib模块简介
Python3中将urib与urllib2模块的功能组合#xff0c;并且命名为urllib。Python3中的urllib模块中包含多个功能的子模块#xff0c;具体内容如下。
urllib.request#xff1a;用于实现基本HTTP请求的模块。urlb.error#xff1a;异常处理…1 urllib模块
1.1 urllib模块简介
Python3中将urib与urllib2模块的功能组合并且命名为urllib。Python3中的urllib模块中包含多个功能的子模块具体内容如下。
urllib.request用于实现基本HTTP请求的模块。urlb.error异常处理模块如果在发送网络请求时出现了错误可以捕获的有效处理。urllib.parse用于解析URL的模块。urllib.robotparser用于解析robots.txt文件判断网站是否可以爬取信息。
1.2 发送网络请求urllib.request.urlopen()
1.2.1 urllib.request.urlopen()函数简介
urllib.request.urlopen(url, dataNone, [timeout, ]*, cafileNone, capathNone, cadefaultFalse, contextNone)
url需要访问网站的URL完整地址data该参数默认为None,通过该参数确认请求方式如果是None,表示请求方式为GET,否则请求方式为POST。在发送POST请求时参数daa需要以字典形式的数据作为参数值并且需要将字典类型的参数值转换为字节类型的数据才可以实现POST请求。timeout设置网站访问超时时间以秒为单位。cafile指定包含CA证书的单个文件capah指定证书文件的目录。cadefaultCA证书默认值context描述SSL选项的实例。
1.2.2 发送GET请求
import urllib.request
response urllib.request.urlopen(https://www.baidu.com/)
print(response:,response)
# 输出 response: http.client.HTTPResponse object at 0x000001AD2793C850
1.2.3 获取状态码、响应头、获取HTMl代码
import urllib.request
url https://www.baidu.com/
response urllib.request.urlopen(urlurl)
print(响应状态码,response.status)
# 输出 响应状态码 200
print(响应头信息,response.getheaders())
# 响应头信息 [(Accept-Ranges, bytes), (Cache-Control, no-cache), (Content-Length, 227), (Content-Type, text/html), (Date, Wed, 09 Mar 2022 10:45:04 GMT), (P3p, CP OTI DSP COR IVA OUR IND COM ), (P3p, CP OTI DSP COR IVA OUR IND COM ), (Pragma, no-cache), (Server, BWS/1.1), (Set-Cookie, BD_NOT_HTTPS1; path/; Max-Age300), (Set-Cookie, BIDUPSID5C4759402F5A8C38E347A1E6FB8788EF; expiresThu, 31-Dec-37 23:55:55 GMT; max-age2147483647; path/; domain.baidu.com), (Set-Cookie, PSTM1646822704; expiresThu, 31-Dec-37 23:55:55 GMT; max-age2147483647; path/; domain.baidu.com), (Set-Cookie, BAIDUID5C4759402F5A8C384F12C0C34D5D3B36:FG1; max-age31536000; expiresThu, 09-Mar-23 10:45:04 GMT; domain.baidu.com; path/; version1; commentbd), (Strict-Transport-Security, max-age0), (Traceid, 1646822704264784359414774964437731406767), (X-Frame-Options, sameorigin), (X-Ua-Compatible, IEEdge,chrome1), (Connection, close)]
print(响应头指定信息,response.getheader(Accept-Ranges))
# 响应头指定信息 bytes
print(目标页面的Html代码 \n ,response.read().decode(utf-8))
# 即为Html文件的内容
1.2.4 发送POST请求
urlopen()方法在默认的情况下发送的是GET请求如果需要发送POST请求可以为其设置data参数、该参数是byte类型需要使用bytes()方法将参数值进行数据类型转换
import urllib.request
import urllib.parseurl https://www.baidu.com/
data bytes(urllib.parse.urlencode({hello:python}),encodingutf-8) # 将表单转化为bytes类型并且设置编码
response urllib.request.urlopen(urlurl,datadata,timeout0.1) # 发送网络请求 设置超时时间0.1s
print(response.read().decode(utf-8)) # 读取Html代码进行编码
1.2.5 处理网络超市异常
如果遇到了超时异常爬虫程序将在此处停止。所以在实际开发中开发者可以将超时异常捕获然后处理下面的爬虫任务。以上述发送网络请求为例将超时参数imeout设置为0.1s然后使用try...excpt 捕获异常并判断如果是超时异常就模拟自动执行下一个任务。
import urllib.request
import urllib.error
import socketurl https://www.baidu.com/try:response urllib.request.urlopen(urlurl,timeout0.1)print(response.read().decode(utf-8))
except urllib.error.URLError as error :if isinstance(error.reason,socket.timeout):print(当前任务已经超时即将执行下一任务)
2 设置请求头
2.1 urllib.request.Request()
urlopen()方法可以实现最基本的请求的发起但如果要加入Headers等信息就可以利用Request类来构造请求。
2.1.1 函数原型 使用方法为
urllib.request.Request(url, dataNone, headers{}, origin_req_hostNone, unverifiableFalse, methodNone)
2.1.2 参数解析
url要请求的URL地址data 必须是bytes(字节流类型如果是字典可以用urllib.parse模块里的urlencode()编码headers是一个字典类型是请求头。①在构造请求时通过headers参数直接构造也可以通过调用请求实例的add_header()方法添加。②通过请求头伪装浏览器默认User-Agent是Python-urllib。要伪装火狐浏览器可以设置User-Agent为Mozilla/5.0 (x11; U; Linux i686) Gecko/20071127 Firefox/2.0.0.11origin_req_host指定请求方的host名称或者ip地址unverifiable设置网页是否需要验证默认是False这个参数一般也不用设置。method 字符串用来指定请求使用的方法比如GETPOST和PUT等。
2.1.3 设置请求头的作用 请求头参数是为了模拟浏览器向网页后台发送网络请求这样可以避免服务器的反爬措施。使用urlopen()方法发送网络请求时其本身并没有设置请求头参数所以向测试地址发送请求时返回的信息中headers将显示默认值。 所以在设置请求头信息前需要在浏览器中找到一个有效的请求头信息。以谷歌浏览器为例2 2.1.4 手动寻找请求头
F12打开开发工具选择 Network 选项接着任意打开一个网页在请求列表中找到Headers选项中找到请求头。 2.2 设置请求头
import urllib.request
import urllib.parse
url https://www.baidu.com/ # 设置请求地址
#设置请求头信息
headers {User-Agent: Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/86.0.4240.198 Safari/537.36}
# data转化为bytes类型并设置编码方式
data bytes(urllib.parse.urlencode({hello:python}),encodingutf-8)
# 创建Request类型对象
url_post urllib.request.Request(urlurl,datadata,headersheaders,methodPOST)
# 发送网络请求
response urllib.request.urlopen(url_post)
# 读取HTMl代码并进行UTF-8编码
print(response.read().decode(utf-8))
3 Cookie Cookie是服务器向客户端返回响应数据时所留下的标记当客户端再次访问服务器时将携带这个标记。一般在实现登录一个页面时登录成功后会在浏览器的Cookie中保留一些信息当浏览器再次访问时会携带Cook中的信息经过服务器核对后便可以确认当前用户已经登录过此时可以直接将登录后的数据返回。 在使用网络爬虫获取网页登录后的数据时除了使用模拟登录以外还可以获取登录后的Cookie然后利用这个Cookie再次发送请求时就能以登录用户的身份获取数据。 3.1 模拟登陆
3.1.1 登陆前准备
目标地址site2.rjkflm.com:666
账号test01test
密码123456
3.1.2 查看登陆目标地址 得到以下信息 Request URL:http://site2.rjkflm.com:666/index/index/login.html 3.1.2 实现模拟登陆
import urllib.request
import urllib.parseurl http://site2.rjkflm.com:666/index/index/chklogin.html
# 设置表单
data bytes(urllib.parse.urlencode({username:test01test,password:123456}),encodingutf-8)
# 将bytes转化并且设置编码
r urllib.request.Request(urlurl,datadata,methodPOST)
response urllib.request.urlopen(r) # 发送请求
print(response.read().decode(utf-8))
# 返回{status:true,msg:登录成功}
3.1.3 获取Cookies
import urllib.request
import urllib.parse
import http.cookiejar
import jsonurl http://site2.rjkflm.com:666/index/index/chklogin.html
# 设置表单
data bytes(urllib.parse.urlencode({username:test01test,password:123456}),encodingutf-8)cookie_file cookie.txt
cookie http.cookiejar.LWPCookieJar(cookie_file) # 创建LWPCookieJar对象
# 生成 Cookie处理器
cookie_processor urllib.request.HTTPCookieProcessor(cookie)
# 创建opener对象
opener urllib.request.build_opener(cookie_processor)
response opener.open(url,datadata) # 发送网络请求
response json.loads(response.read().decode(utf-8))[msg]
if response 登陆成功:cookie.save(ignore_discardTrue,ignore_expiresTrue) # 保存Cookie文件
3.1.4 载入Cookies
import urllib.request
import http.cookiesimport urllib.request # 导入urllib.request模块
import http.cookiejar # 导入http.cookiejar子模块
# 登录后页面的请求地址
url http://site2.rjkflm.com:666/index/index/index.html
cookie_file cookie.txt # cookie文件cookie http.cookiejar.LWPCookieJar() # 创建LWPCookieJar对象
# 读取cookie文件内容
cookie.load(cookie_file,ignore_expiresTrue,ignore_discardTrue)
# 生成cookie处理器
handler urllib.request.HTTPCookieProcessor(cookie)
# 创建opener对象
opener urllib.request.build_opener(handler)
response opener.open(url) # 发送网络请求
print(response.read().decode(utf-8)) # 打印登录后页面的html代码
