1. Python3 使用urllib庫請求網路

1.1 基於urllib庫的GET請求

請求百度首頁www.baidu.com ，不新增請求頭資訊：

 1 import urllib.requests
 2 
 3 
 4 def get_page():
 5　　 url = 'http://www.baidu.com/'
 6 　　res = urllib.request.urlopen(url=url)
 7 　　page_source = res.read().decode('utf-8')
 8 　　print(page_source)
 9 
10 
11 if __name__ == '__main__':
12 　　get_page()
 

輸出顯示百度首頁的原始碼。但是有的網站進行了反爬蟲設定，上述程式碼可能會返回一個40X之類的響應碼，因為該網站識別出了是爬蟲在訪問網站，這時需要偽裝一下爬蟲，讓爬蟲模擬使用者行為，給爬蟲設定headers（User-Agent）屬性，模擬瀏覽器請求網站。

1.2 使用User-Agent偽裝後請求網站

由於urllib.request.urlopen() 函式不接受headers引數，所以需要構建一個urllib.request.Request物件來實現請求頭的設定：

 1 import urllib.request
 2 
 3 
 4 def get_page():
 5　　 url = 'http://www.baidu.com'
 6 　　headers = {
 7 　　　　'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/65.0.3325.146 Safari/537.36'
 8 　　}
 9　　 request = urllib.request.Request(url=url, headers=headers)
10 　　res = urllib.request.urlopen(request)
11　　 page_source = res.read().decode('utf-8')
12 　　print(page_source)
13 
14 
15 if __name__ == '__main__':
16 　　get_page()
 

新增headers引數，來模擬瀏覽器的行為。

1.3 基於urllib庫的POST請求，並用Cookie保持會話

登陸ChinaUnix論壇，獲取首頁原始碼，然後訪問一個文章。首先不使用Cookie看一下什麼效果：

 1 import urllib.request
 2 import urllib.parse
 3 
 4 
 5 def get_page():
 6 　　url = 'http://bbs.chinaunix.net/member.php?mod=logging&action=login&loginsubmit=yes&loginhash=LcN2z'
 7　　 headers = {
 8 　　　　'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/65.0.3325.146 Safari/537.36'
 9 　　}
10 　　data = {
11 　　　　'username': 'StrivePy',
12 　　　　'password': 'XXX'
13 　　}
14 　　postdata = urllib.parse.urlencode(data).encode('utf-8')
15 　　req = urllib.request.Request(url=url, data=postdata, headers=headers)
16 　　res = urllib.request.urlopen(req)
17 　　page_source = res.read().decode('gbk')
18　　 print(page_source)
19 
20 　　url1 = 'http://bbs.chinaunix.net/thread-4263876-1-1.html'
21 　　res1 = urllib.request.urlopen(url=url1)
22 　　page_source1 = res1.read().decode('gbk')
23 　　print(page_source1)
24 
25 
26 if __name__ == '__main__':
27 　　get_page()
 

搜尋原始碼中是否能看見使用者名稱StrivePy，發現登陸成功，但是再請求其它文章時，顯示為遊客狀態，會話狀態沒有保持。現在使用Cookie看一下效果：

 1 import urllib.request
 2 import urllib.parse
 3 import http.cookiejar
 4 
 5 
 6 def get_page():
 7 　　url = 'http://bbs.chinaunix.net/member.php?mod=logging&action=login&loginsubmit=yes&loginhash=LcN2z'
 8 　　headers = {
 9 　　　　'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/65.0.3325.146 Safari/537.36'
10 　　}
11 　　data = {
12 　　　　'username': 'StrivePy',
13 　　　　'password': 'XXX'
14 　　}
15 　　postdata = urllib.parse.urlencode(data).encode('utf-8')
16 　　req = urllib.request.Request(url=url, data=postdata, headers=headers)
17 　　# 建立CookieJar物件
18 　　cjar = http.cookiejar.CookieJar()
19 　　# 以CookieJar物件為引數建立Cookie
20 　　cookie = urllib.request.HTTPCookieProcessor(cjar)
21 　　# 以Cookie物件為引數建立Opener物件
22 　　opener = urllib.request.build_opener(cookie)
23　　 # 將Opener安裝位全域性，覆蓋urlopen函式，也可以臨時使用opener.open()函式
24　　 urllib.request.install_opener(opener)
25 　　res = urllib.request.urlopen(req)
26 　　page_source = res.read().decode('gbk')
27 　　print(page_source)
28 
29 　　url1 = 'http://bbs.chinaunix.net/thread-4263876-1-1.html'
30 　　res1 = urllib.request.urlopen(url=url1)
31 　　page_source1 = res1.read().decode('gbk')
32 　　print(page_source1)
33 
34 
35 if __name__ == '__main__':
36 　　get_page()

結果顯示登陸成功後，再訪問其它文章時，顯示為登陸狀態。若要將Cookie儲存為檔案待下次使用，可以使用MozillaCookieJar物件將Cookie儲存為檔案。

 1 import urllib.request
 2 import urllib.parse
 3 import http.cookiejar
 4 
 5 
 6 def get_page():
 7     url = 'http://bbs.chinaunix.net/member.php?mod=logging&action=login&loginsubmit=yes&loginhash=LcN2z'
 8     headers = {
 9         'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/65.0.3325.146 Safari/537.36'
10     }
11     data = {
12         'username': 'StrivePy',
13         'password': 'XXX'
14     }
15     postdata = urllib.parse.urlencode(data).encode('utf-8')
16     req = urllib.request.Request(url=url, data=postdata, headers=headers)
17     filename = 'cookies.txt'
18     # 建立CookieJar物件
19     cjar = http.cookiejar.MozillaCookieJar(filename)
20     # 以CookieJar物件為引數建立Cookie
21     cookie = urllib.request.HTTPCookieProcessor(cjar)
22     # 以Cookie物件為引數建立Opener物件
23     opener = urllib.request.build_opener(cookie)
24     # 臨時使用opener來請求
25     opener.open(req)
26     # 將cookie儲存為檔案
27     cjar.save(ignore_discard=True, ignore_expires=True)

會在當前工作目錄生成一個名為cookies.txt的cookie檔案，下次就可以不用登陸（如果cookie沒有失效的話）直接讀取這個檔案來實現免登入訪問。例如不進行登陸直接訪問其中一篇文章（沒登陸也可以訪問，主要是看擡頭是不是登陸狀態）：

 1 import http.cookiejar
 2 
 3 
 4 def get_page():
 5     url1 = 'http://bbs.chinaunix.net/thread-4263876-1-1.html'
 6     filename = 'cookies.txt'
 7     cjar = http.cookiejar.MozillaCookieJar(filename)
 8     cjar.load(ignore_discard=True, ignore_expires=True)
 9     cookie = urllib.request.HTTPCookieProcessor(cjar)
10     opener = urllib.request.build_opener(cookie)
11     res1 = opener.open(url1)
12     page_source1 = res1.read().decode('gbk')
13     print(page_source1)
14 
15 
16 if __name__ == '__main__':
17     get_page()

結果顯示是以登陸狀態在檢視這篇文章。

1.4 基於urllib庫使用代理請求

使用代理可以有效規避爬蟲被封。

 1 import urllib.request
 2 
 3 
 4 def proxy_test():
 5     url = 'http://myip.kkcha.com/'
 6     headers = {
 7         'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/65.0.3325.146 Safari/537.36'
 8     }
 9     request = urllib.request.Request(url=url, headers=headers)
10     proxy = {
11         'http': '180.137.232.101:53281'
12     }
13     # 建立代理Handler物件
14     proxy_handler = urllib.request.ProxyHandler(proxy)
15     # 以Handler物件為引數建立Opener物件
16     opener = urllib.request.build_opener(proxy_handler)
17     # 將Opener安裝為全域性
18     urllib.request.install_opener(opener)
19     response = urllib.request.urlopen(request)
20     page_source = response.read().decode('utf-8')
21     print(page_source)
22 
23 
24 if __name__ == '__main__':
25     proxy_test()

抓取到的頁面應該顯示代理IP，不知道什麼原因，有時候能正常顯示，有時候跳轉到有道詞典廣告頁！！！問題有待更進一步研究

2. Python3 使用requsets庫訪問網路

2.1 基於requests庫的GET請求

以GET方式請求http://httpbin.org測試網站。

 1 import requests
 2 
 3 
 4 def request_test():
 5     url = 'http://httpbin.org/get'
 6     response = requests.get(url)
 7     print(type(response.text), response.text)
 8     print(type(response.content), response.content)
 9 
10 
11 if __name__ == '__main__':
12     request_test()

直接得到響應體。

1 <class 'str'> {"args":{},"headers":{"Accept":"*/*","Accept-Encoding":"gzip, deflate","Connection":"close","Host":"httpbin.org","User-Agent":"python-requests/2.18.4"},"origin":"121.61.132.191","url":"http://httpbin.org/get"}
2 
3 <class 'bytes'> b'{"args":{},"headers":{"Accept":"*/*","Accept-Encoding":"gzip, deflate","Connection":"close","Host":"httpbin.org","User-Agent":"python-requests/2.18.4"},"origin":"121.61.132.191","url":"http://httpbin.org/get"}\n

在GET方法中傳遞引數的三種方式：

• 將字典形式的引數用urllib.parse.urlencode()函式編碼成url引數:

   

  1 http://httpbin.org/key1=value1&key2=value2

• 直接在urllib.request.get()函式中使用params引數：

  1 import requests
  2 
  3 if __name__ == '__main__':
  4     payload = {
  5         'key1': 'value1',
  6         'key2': 'value2'
  7     }
  8     response = requests.get('http://httpbin.org/get', params=payload)
  9     print(response.url)        

   

  1 http://httpbin.org/key1=value1&key2=value2

• url直接包含引數：

  1 http://httpbin.org/get?key2=value2&key1=value1

   

2.2 基於requests庫的POST請求，並用session保持會話

登陸ChinaUnix論壇，獲取首頁原始碼，然後訪問一個文章。首先不使用Session看一下什麼效果：

 1 import requests
 3 
 4 
 5 def get_page():
 6　　 url = 'http://bbs.chinaunix.net/member.php?mod=logging&action=login&loginsubmit=yes&loginhash=LcN2z'
 7 　　headers = {
 8 　　　　'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/65.0.3325.146 Safari/537.36'
 9 　　}
10 　　data = {
11　　　　 'username': 'StrivePy',
12 　　　　'password': 'XXX'
13 　　}
14 　　response = requests.post(url=url, data=data, headers=headers)
15 　　page_source = response.text
16 　　print(response.status_code)
17 　　print(page_source)
18 
19 　　url1 = 'http://bbs.chinaunix.net/thread-4263876-1-1.html'
20 　　response1 = requests.get(url=url1, headers=headers)
21 　　page_source1 = response1.text
22 　　print(response1.status_code)
23 　　print(page_source1)
24 
25 
26 if __name__ == '__main__':
27 　　get_page()

結果顯示訪問其它文章時為遊客模式。接下來用session來維持會話看一下效果：

 1 import requests
 2 
 3 
 4 def get_page():
 5 　　url = 'http://bbs.chinaunix.net/member.php?mod=logging&action=login&loginsubmit=yes&loginhash=LcN2z'
 6 　　headers = {
 7 　　　　'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/65.0.3325.146 Safari/537.36'
 8 　　}
 9 　　data = {
10 　　　　'username': 'StrivePy',
11 　　　　'password': 'XXX'
12 　　}
13 　　session = requests.session()
14 　　response = session.post(url=url, data=data, headers=headers)
15 　　page_source = response.text
16 　　print(response.status_code)
17 　　print(page_source)
18 
19 　　url1 = 'http://bbs.chinaunix.net/thread-4263876-1-1.html'
20 　　response1 = session.get(url=url1, headers=headers)
21 　　page_source1 = response1.text
22　　 print(response1.status_code)
23 　　print(page_source1)
24 
25 
26 if __name__ == '__main__':
27 　　get_page()

結果顯示訪問其它文章時，顯示為登陸狀態，會話保持住了。使用session的效果類似於urllib庫臨時使用opener或者將opener安裝為全域性的效果。

2.3 基於requests庫使用代理請求

在requests庫中使用代理：

 1 import requests
 2 
 3 
 4 def proxy_test():
 5     url = 'http://myip.kkcha.com/'
 6     headers = {
 7         'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/65.0.3325.146 Safari/537.36'
 8     }
 9     proxy = {
10         'https': '61.135.217.7: 80'
11     }
12     response = requests.get(url=url, headers=headers, proxies=proxy)
13     print(response.text)
14 
15 
16 if __name__ == '__main__':
17     proxy_test()