【Python從零到壹】python爬蟲系列-網路請求

學習了之前的基礎和爬蟲基礎之后，我們要開始學習網路請求了，

urllib的介紹

urllib是Python自帶的標準庫中用于網路請求的庫，無需安裝，直接參考即可，
主要用來做爬蟲開發，API資料獲取和測驗中使用，

urllib庫的四大模塊：

• urllib.request: 用于打開和讀取url
• urllib.error : 包含提出的例外，urllib.request
• urllib.parse:用于決議url
• urllib.robotparser：用于決議robots.txt

案例

# 作者：互聯網老辛
# 開發時間：2021/4/5/0005 8:23
import urllib.parse
kw={'wd':"互聯網老辛"}
result=urllib.parse.urlencode(kw)
print(result)
#解碼
res=urllib.parse.unquote(result)
print(res)

瀏覽器中會把互聯網老辛，改成非中文的形式

我在瀏覽器中搜互聯網老辛，然后把瀏覽中的復制下來：

https://www.baidu.com/s?ie=utf-8&f=8&rsv_bp=1&rsv_idx=1&tn=baidu&wd=%E4%BA%92%E8%81%94%E7%BD%91%E8%80%81%E8%BE%9B&fenlei=256&oq=%25E7%25BE%258E%25E5%259B%25A2&rsv_pq=aa5b8079001eec3e&rsv_t=9ed1VMqcHzdaH7l2O1E8kMBcAS8OfSAGWHaXNgUYsfoVtGNbNVzHRatL1TU&rqlang=cn&rsv_enter=1&rsv_dl=tb&rsv_btype=t&inputT=3542&rsv_sug2=0&rsv_sug4=3542

仔細看下，加粗的部分是不是就是我們在代碼中輸出的wd的結果

發送請求

• urllib.request 庫
  模擬瀏覽器發起一個http請求，并獲取請求的回應結果
• urllib.request.urlopen 的語法格式：
  urlopen(url,data=None,[timeout]*,cafile=None,capath=None,cadefault=False,context=None

引數說明：
url： str型別的地址，也就是要訪問的URL，例如https://www/baidu.com
data: 默認值為None
urlopen函式回傳的是一個http.client.HTTPResponse物件

代碼案例

get請求

# 作者：互聯網老辛
# 開發時間：2021/4/5/0005 8:23
import urllib.request
url="http://www.geekyunwei.com/"
resp=urllib.request.urlopen(url)
html=resp.read().decode('utf-8')  #將bytes轉成utf-8型別
print(html)

為什么要改成utf-8而不是gbk, 這里要看網頁的檢查網頁源代碼里是什么：

發送請求-Request請求

我們去爬取豆瓣

# 作者：互聯網老辛
# 開發時間：2021/4/5/0005 8:23
import urllib.request

url="https://movie.douban.com/"

resp=urllib.request.urlopen(url)
print(resp)

豆瓣有反爬蟲策略，會直接報418錯誤

對于這種我們需要偽裝請求頭：
我們找到網頁中的user-Agent:

User-Agent: Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/70.0.3538.25 Safari/537.36 Core/1.70.3861.400 QQBrowser/10.7.4313.400

# 作者：互聯網老辛
# 開發時間：2021/4/5/0005 8:23
import urllib.request

url="https://movie.douban.com/"
headers={'User-Agent':'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/70.0.3538.25 Safari/537.36 Core/1.70.3861.400 QQBrowser/10.7.4313.400'}

#構建請求物件
req=urllib.request.Request(url,headers=headers)
#使用urlopen打開請求
resp=urllib.request.urlopen(req)
#從回應結果中讀取資料
html=resp.read().decode('utf-8')
print(html)

這樣我們就用Python成功的偽裝成瀏覽器獲取到了資料

IP代理

opener的使用，構建自己的opener發送請求

# 作者：互聯網老辛
# 開發時間：2021/4/5/0005 8:23
import urllib.request
url="https://www.baidu.com/"
headers={'User-Agent':'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/70.0.3538.25 Safari/537.36 Core/1.70.3861.400 QQBrowser/10.7.4313.400'}
#構建請求物件

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

opener=urllib.request.build_opener()
resp=opener.open(req)
print(resp.read().decode())

如果你不停的發送請求，他有可能給你禁止IP， 所以我們每隔一段時間就換一個IP代理，

IP代理分類：

• 透明代理： 目標網站知道你使用了代理并且知道你的源IP地址，這種代理肯定不符合我們的初衷
• 匿名代理： 網站知道你使用了代理，但不知道你的源ip
• 高匿代理： 這是最保險的方式，目錄網站不知道你使用了代理

ip代理的方式：
免費的： https://www.xicidaili.com/nn/
收費的： 大象代理，快代理,芝麻代理

# 作者：互聯網老辛
# 開發時間：2021/4/5/0005 8:23
from urllib.request import build_opener
from urllib.request import ProxyHandler
proxy=ProxyHandler({'https':'222.184.90.241:4278'})

opener=build_opener(proxy)

url='https://www.baidu.com/'
resp=opener.open(url)
print(resp.read().decode('utf-8'))

百度其實能夠做到反爬，即使是高匿代理也做不到百分百的繞過，

使用cookie

為什么使用cookie？
使用cookie主要是為了解決http的無狀態性，

使用步驟：

• 實體化MozillaCookiejar（保存cookie）
• 創建handler物件（cookie的處理器）
• 創建opener物件
• 打開網頁（發送請求獲取回應）
• 保存cookie檔案

案例： 獲取百度貼的cookie存盤下來

import urllib.request
from http import cookiejar
filename='cookie.txt'
def get_cookie():
    cookie=cookiejar.MozillaCookieJar(filename)
    #創建handler物件

    handler=urllib.request.HTTPCookieProcessor(cookie)
    opener=urllib.request.build_opener((handler))
    #請求網址
    url='https://tieba.baidu.com/f?kw=python3&fr=index'

    resp=opener.open(url)
    # 保存cookie
    cookie.save()
#讀取資料
def use_cookie():
    #實體化MozillaCookieJar
    cookie=cookiejar.MozillaCookieJar()
    #加載cookie檔案
    cookie.load(filename)
    print(cookie)
if __name__=='__main--':
    use_cookie()
    #get_cookie()

例外處理

我們爬取一個訪問不了的網站來捕獲例外

# 作者：互聯網老辛
# 開發時間：2021/4/6/0006 7:38

import urllib.request
import urllib.error
url='https://www.google.com'
try:
    resp=urllib.request.urlopen(url)
except urllib.error.URLError as e:
    print(e.reason)

可以看到捕獲到了例外

網路請求我們已經學完了，后面我們將學習幾個常用的庫，之后就可以進行資料的爬取了，