Python3爬蟲是如何發送請求的

小編給大家分享一下Python3爬蟲是如何發送請求的，相信大部分人都還不怎么了解，因此分享這篇文章給大家參考一下，希望大家閱讀完這篇文章后大有收獲，下面讓我們一起去了解一下吧！

使用urllib的request模塊，我們可以方便地實現請求的發送并得到響應，本節就來看下它的具體用法。

1. urlopen()

urllib.request模塊提供了最基本的構造HTTP請求的方法，利用它可以模擬瀏覽器的一個請求發起過程，同時它還帶有處理授權驗證（authenticaton）、重定向（redirection)、瀏覽器Cookies以及其他內容。

下面我們來看一下它的強大之處。這里以Python官網為例，我們來把這個網頁抓下來：

import urllib.request
response = urllib.request.urlopen('https://www.python.org')
print(response.read().decode('utf-8'))

運行結果如圖3-1所示。

                                                                     圖3-1 運行結果

這里我們只用了兩行代碼，便完成了Python官網的抓取，輸出了網頁的源代碼。得到源代碼之后呢？我們想要的鏈接、圖片地址、文本信息不就都可以提取出來了嗎？

接下來，看看它返回的到底是什么。利用type()方法輸出響應的類型：

import urllib.request
response = urllib.request.urlopen('https://www.python.org')
print(type(response))

輸出結果如下：

<class 'http.client.HTTPResponse'>

可以發現，它是一個HTTPResposne類型的對象。它主要包含read()、readinto()、getheader(name)、getheaders()、fileno()等方法，以及msg、version、status、reason、debuglevel、closed等屬性。

得到這個對象之后，我們把它賦值為response變量，然后就可以調用這些方法和屬性，得到返回結果的一系列信息了。

例如，調用read()方法可以得到返回的網頁內容，調用status屬性可以得到返回結果的狀態碼，如200代表請求成功，404代表網頁未找到等。

下面再通過一個實例來看看：

import urllib.request
response = urllib.request.urlopen('https://www.python.org')
print(response.status)
print(response.getheaders())
print(response.getheader('Server'))

運行結果如下：

200
[('Server', 'nginx'), ('Content-Type', 'text/html; charset=utf-8'), ('X-Frame-Options', 'SAMEORIGIN'), 
('X-Clacks-Overhead', 'GNU Terry Pratchett'), ('Content-Length', '47397'), ('Accept-Ranges', 'bytes'), 
('Date', 'Mon, 01 Aug 2016 09:57:31 GMT'), ('Via', '1.1 varnish'), ('Age', '2473'), ('Connection', 'close'), 
('X-Served-By', 'cache-lcy1125-LCY'), ('X-Cache', 'HIT'), ('X-Cache-Hits', '23'), ('Vary', 'Cookie'), 
('Strict-Transport-Security', 'max-age=63072000; includeSubDomains')]
nginx

可見，前兩個輸出分別輸出了響應的狀態碼和響應的頭信息，最后一個輸出通過調用getheader()方法并傳遞一個參數Server獲取了響應頭中的Server值，結果是nginx，意思是服務器是用Nginx搭建的。

利用最基本的urlopen()方法，可以完成最基本的簡單網頁的GET請求抓取。

如果想給鏈接傳遞一些參數，該怎么實現呢？首先看一下urlopen()函數的API：

urllib.request.urlopen(url, data=None, [timeout, ]*, cafile=None, capath=None, cadefault=False, context=None)

可以發現，除了第一個參數可以傳遞URL之外，我們還可以傳遞其他內容，比如data（附加數據）、timeout（超時時間）等。

下面我們詳細說明下這幾個參數的用法。

data參數

data參數是可選的。如果要添加該參數，并且如果它是字節流編碼格式的內容，即bytes類型，則需要通過bytes()方法轉化。另外，如果傳遞了這個參數，則它的請求方式就不再是GET方式，而是POST方式。

下面用實例來看一下：

import urllib.parse
import urllib.request
data = bytes(urllib.parse.urlencode({'word': 'hello'}), encoding='utf8')
response = urllib.request.urlopen('http://httpbin.org/post', data=data)
print(response.read())

這里我們傳遞了一個參數word，值是hello。它需要被轉碼成bytes（字節流）類型。其中轉字節流采用了bytes()方法，該方法的第一個參數需要是str（字符串）類型，需要用urllib.parse模塊里的urlencode()方法來將參數字典轉化為字符串；第二個參數指定編碼格式，這里指定為utf8。

這里請求的站點是httpbin.org，它可以提供HTTP請求測試。本次我們請求的URL為http://httpbin.org/post，這個鏈接可以用來測試POST請求，它可以輸出請求的一些信息，其中包含我們傳遞的data參數。

運行結果如下：

{
     "args": {},
     "data": "",
     "files": {},
     "form": {
         "word": "hello"
     },
     "headers": {
         "Accept-Encoding": "identity",
         "Content-Length": "10",
         "Content-Type": "application/x-www-form-urlencoded",
         "Host": "httpbin.org",
         "User-Agent": "Python-urllib/3.5"
     },
     "json": null,
     "origin": "123.124.23.253",
     "url": "http://httpbin.org/post"
}

我們傳遞的參數出現在了form字段中，這表明是模擬了表單提交的方式，以POST方式傳輸數據。

timeout參數

timeout參數用于設置超時時間，單位為秒，意思就是如果請求超出了設置的這個時間，還沒有得到響應，就會拋出異常。如果不指定該參數，就會使用全局默認時間。它支持HTTP、HTTPS、FTP請求。

下面用實例來看一下：

import urllib.request
response = urllib.request.urlopen('http://httpbin.org/get', timeout=1)
print(response.read())

運行結果如下：

During handling of the above exception, another exception occurred:
Traceback (most recent call last): File "/var/py/python/urllibtest.py", line 4, in <module> response = urllib.
request.urlopen('http://httpbin.org/get', timeout=1)
...
urllib.error.URLError: <urlopen error timed out>

這里我們設置超時時間是1秒。程序1秒過后，服務器依然沒有響應，于是拋出了URLError異常。該異常屬于urllib.error模塊，錯誤原因是超時。

因此，可以通過設置這個超時時間來控制一個網頁如果長時間未響應，就跳過它的抓取。這可以利用try except語句來實現，相關代碼如下：

import socket
import urllib.request
import urllib.error
try:
    response = urllib.request.urlopen('http://httpbin.org/get', timeout=0.1)
except urllib.error.URLError as e:
    if isinstance(e.reason, socket.timeout):
        print('TIME OUT')

這里我們請求了http://httpbin.org/get測試鏈接，設置超時時間是0.1秒，然后捕獲了URLError異常，接著判斷異常是socket.timeout類型（意思就是超時異常），從而得出它確實是因為超時而報錯，打印輸出了TIME OUT。

運行結果如下：

TIME OUT

按照常理來說，0.1秒內基本不可能得到服務器響應，因此輸出了TIME OUT的提示。

通過設置timeout這個參數來實現超時處理，有時還是很有用的。

其他參數

除了data參數和timeout參數外，還有context參數，它必須是ssl.SSLContext類型，用來指定SSL設置。

此外，cafile和capath這兩個參數分別指定CA證書和它的路徑，這個在請求HTTPS鏈接時會有用。

cadefault參數現在已經棄用了，其默認值為False。

前面講解了urlopen()方法的用法，通過這個最基本的方法，我們可以完成簡單的請求和網頁抓取。若需更加詳細的信息，可以參見官方文檔：https://docs.python.org/3/library/urllib.request.html。

2. Request

我們知道利用urlopen()方法可以實現最基本請求的發起，但這幾個簡單的參數并不足以構建一個完整的請求。如果請求中需要加入Headers等信息，就可以利用更強大的Request類來構建。

首先，我們用實例來感受一下Request的用法：

import urllib.request
request = urllib.request.Request('https://python.org')
response = urllib.request.urlopen(request)
print(response.read().decode('utf-8'))

可以發現，我們依然是用urlopen()方法來發送這個請求，只不過這次該方法的參數不再是URL，而是一個Request類型的對象。通過構造這個數據結構，一方面我們可以將請求獨立成一個對象，另一方面可更加豐富和靈活地配置參數。

下面我們看一下Request可以通過怎樣的參數來構造，它的構造方法如下：

class urllib.request.Request(url, data=None, headers={}, origin_req_host=None, unverifiable=False, method=None)

第一個參數url用于請求URL，這是必傳參數，其他都是可選參數。

第二個參數data如果要傳，必須傳bytes（字節流）類型的。如果它是字典，可以先用urllib.parse模塊里的urlencode()編碼。

第三個參數headers是一個字典，它就是請求頭，我們可以在構造請求時通過headers參數直接構造，也可以通過調用請求實例的add_header()方法添加。

添加請求頭最常用的用法就是通過修改User-Agent來偽裝瀏覽器，默認的User-Agent是Python-urllib，我們可以通過修改它來偽裝瀏覽器。比如要偽裝火狐瀏覽器，你可以把它設置為：

Mozilla/5.0 (X11; U; Linux i686) Gecko/20071127 Firefox/2.0.0.11

第四個參數origin_req_host指的是請求方的host名稱或者IP地址。

第五個參數unverifiable表示這個請求是否是無法驗證的，默認是False，意思就是說用戶沒有足夠權限來選擇接收這個請求的結果。例如，我們請求一個HTML文檔中的圖片，但是我們沒有自動抓取圖像的權限，這時unverifiable的值就是True`。

第六個參數method是一個字符串，用來指示請求使用的方法，比如GET、POST和PUT等。

下面我們傳入多個參數構建請求來看一下：

from urllib import request, parse
url = 'http://httpbin.org/post'
headers = {
    'User-Agent': 'Mozilla/4.0 (compatible; MSIE 5.5; Windows NT)',
    'Host': 'httpbin.org'
}
dict = {
    'name': 'Germey'
}
data = bytes(parse.urlencode(dict), encoding='utf8')
req = request.Request(url=url, data=data, headers=headers, method='POST')
response = request.urlopen(req)
print(response.read().decode('utf-8'))

這里我們通過4個參數構造了一個請求，其中url即請求URL，headers中指定了User-Agent和Host，參數data用urlencode()和bytes()方法轉成字節流。另外，指定了請求方式為POST。

運行結果如下：

{
  "args": {}, 
  "data": "", 
  "files": {}, 
  "form": {
    "name": "Germey"
  }, 
  "headers": {
    "Accept-Encoding": "identity", 
    "Content-Length": "11", 
    "Content-Type": "application/x-www-form-urlencoded", 
    "Host": "httpbin.org", 
    "User-Agent": "Mozilla/4.0 (compatible; MSIE 5.5; Windows NT)"
  }, 
  "json": null, 
  "origin": "219.224.169.11", 
  "url": "http://httpbin.org/post"
}

觀察結果可以發現，我們成功設置了data、headers和method。

另外，headers也可以用add_header()方法來添加：

req = request.Request(url=url, data=data, method='POST')
req.add_header('User-Agent', 'Mozilla/4.0 (compatible; MSIE 5.5; Windows NT)')

如此一來，我們就可以更加方便地構造請求，實現請求的發送啦。

3. 高級用法

在上面的過程中，我們雖然可以構造請求，但是對于一些更高級的操作（比如Cookies處理、代理設置等），我們該怎么辦呢？

接下來，就需要更強大的工具Handler登場了。簡而言之，我們可以把它理解為各種處理器，有專門處理登錄驗證的，有處理Cookies的，有處理代理設置的。利用它們，我們幾乎可以做到HTTP請求中所有的事情。

首先，介紹一下urllib.request模塊里的BaseHandler類，它是所有其他Handler的父類，它提供了最基本的方法，例如default_open()、protocol_request()等。

接下來，就有各種Handler子類繼承這個BaseHandler類，舉例如下。

HTTPDefaultErrorHandler：用于處理HTTP響應錯誤，錯誤都會拋出HTTPError類型的異常。

HTTPRedirectHandler：用于處理重定向。

HTTPCookieProcessor：用于處理Cookies。

ProxyHandler：用于設置代理，默認代理為空。

HTTPPasswordMgr：用于管理密碼，它維護了用戶名和密碼的表。

HTTPBasicAuthHandler：用于管理認證，如果一個鏈接打開時需要認證，那么可以用它來解決認證問題。

另外，還有其他的Handler類，這里就不一一列舉了，詳情可以參考官方文檔：https://docs.python.org/3/library/urllib.request.html#urllib.request.BaseHandler。

關于怎么使用它們，現在先不用著急，后面會有實例演示。

另一個比較重要的類就是OpenerDirector，我們可以稱為Opener。我們之前用過urlopen()這個方法，實際上它就是urllib為我們提供的一個Opener。

那么，為什么要引入Opener呢？因為需要實現更高級的功能。之前使用的Request和urlopen()相當于類庫為你封裝好了極其常用的請求方法，利用它們可以完成基本的請求，但是現在不一樣了，我們需要實現更高級的功能，所以需要深入一層進行配置，使用更底層的實例來完成操作，所以這里就用到了Opener。

Opener可以使用open()方法，返回的類型和urlopen()如出一轍。那么，它和Handler有什么關系呢？簡而言之，就是利用Handler來構建Opener。

下面用幾個實例來看看它們的用法。

驗證

有些網站在打開時就會彈出提示框，直接提示你輸入用戶名和密碼，驗證成功后才能查看頁面，如圖3-2所示。

                                                                     圖3-2 驗證頁面

那么，如果要請求這樣的頁面，該怎么辦呢？借助HTTPBasicAuthHandler就可以完成，相關代碼如下：

from urllib.request import HTTPPasswordMgrWithDefaultRealm, HTTPBasicAuthHandler, build_opener
from urllib.error import URLError
username = 'username'
password = 'password'
url = 'http://localhost:5000/'
p = HTTPPasswordMgrWithDefaultRealm()
p.add_password(None, url, username, password)
auth_handler = HTTPBasicAuthHandler(p)
opener = build_opener(auth_handler)
try:
    result = opener.open(url)
    html = result.read().decode('utf-8')
    print(html)
except URLError as e:
    print(e.reason)

這里首先實例化HTTPBasicAuthHandler對象，其參數是HTTPPasswordMgrWithDefaultRealm對象，它利用add_password()添加進去用戶名和密碼，這樣就建立了一個處理驗證的Handler。

接下來，利用這個Handler并使用build_opener()方法構建一個Opener，這個Opener在發送請求時就相當于已經驗證成功了。

接下來，利用Opener的open()方法打開鏈接，就可以完成驗證了。這里獲取到的結果就是驗證后的頁面源碼內容。

代理

在做爬蟲的時候，免不了要使用代理，如果要添加代理，可以這樣做：

from urllib.error import URLError
from urllib.request import ProxyHandler, build_opener
proxy_handler = ProxyHandler({
    'http': 'http://127.0.0.1:9743',
    'https': 'https://127.0.0.1:9743'
})
opener = build_opener(proxy_handler)
try:
    response = opener.open('https://www.baidu.com')
    print(response.read().decode('utf-8'))
except URLError as e:
    print(e.reason)

這里我們在本地搭建了一個代理，它運行在9743端口上。

這里使用了ProxyHandler，其參數是一個字典，鍵名是協議類型（比如HTTP或者HTTPS等），鍵值是代理鏈接，可以添加多個代理。

然后，利用這個Handler及build_opener()方法構造一個Opener，之后發送請求即可。

Cookies

Cookies的處理就需要相關的Handler了。

我們先用實例來看看怎樣將網站的Cookies獲取下來，相關代碼如下：

import http.cookiejar, urllib.request
cookie = http.cookiejar.CookieJar()
handler = urllib.request.HTTPCookieProcessor(cookie)
opener = urllib.request.build_opener(handler)
response = opener.open('http://www.baidu.com')
for item in cookie:
    print(item.name+"="+item.value)

首先，我們必須聲明一個CookieJar對象。接下來，就需要利用HTTPCookieProcessor來構建一個Handler，最后利用build_opener()方法構建出Opener，執行open()函數即可。

運行結果如下：

BAIDUID=2E65A683F8A8BA3DF521469DF8EFF1E1:FG=1
BIDUPSID=2E65A683F8A8BA3DF521469DF8EFF1E1
H_PS_PSSID=20987_1421_18282_17949_21122_17001_21227_21189_21161_20927
PSTM=1474900615
BDSVRTM=0
BD_HOME=0

可以看到，這里輸出了每條Cookie的名稱和值。

不過既然能輸出，那可不可以輸出成文件格式呢？我們知道Cookies實際上也是以文本形式保存的。

答案當然是肯定的，這里通過下面的實例來看看：

filename = 'cookies.txt'
cookie = http.cookiejar.MozillaCookieJar(filename)
handler = urllib.request.HTTPCookieProcessor(cookie)
opener = urllib.request.build_opener(handler)
response = opener.open('http://www.baidu.com')
cookie.save(ignore_discard=True, ignore_expires=True)

這時CookieJar就需要換成MozillaCookieJar，它在生成文件時會用到，是CookieJar的子類，可以用來處理Cookies和文件相關的事件，比如讀取和保存Cookies，可以將Cookies保存成Mozilla型瀏覽器的Cookies格式。

運行之后，可以發現生成了一個cookies.txt文件，其內容如下：

# Netscape HTTP Cookie File
# http://curl.haxx.se/rfc/cookie_spec.html
# This is a generated file!  Do not edit.
.baidu.com    TRUE    /    FALSE    3622386254    BAIDUID    05AE39B5F56C1DEC474325CDA5
22D44F:FG=1
.baidu.com    TRUE    /    FALSE    3622386254    BIDUPSID    05AE39B5F56C1DEC474325CDA522D44F
.baidu.com    TRUE    /    FALSE        H_PS_PSSID    19638_1453_17710_18240_21091_18560
_17001_21191_21161
.baidu.com    TRUE    /    FALSE    3622386254    PSTM    1474902606
www.baidu.com    FALSE    /    FALSE        BDSVRTM    0
www.baidu.com    FALSE    /    FALSE        BD_HOME    0

另外，LWPCookieJar同樣可以讀取和保存Cookies，但是保存的格式和MozillaCookieJar不一樣，它會保存成libwww-perl(LWP)格式的Cookies文件。

要保存成LWP格式的Cookies文件，可以在聲明時就改為：

cookie = http.cookiejar.LWPCookieJar(filename)

此時生成的內容如下：

#LWP-Cookies-2.0
Set-Cookie3: BAIDUID="0CE9C56F598E69DB375B7C294AE5C591:FG=1"; path="/"; domain=".baidu.com"; path_spec; domain_dot; 
expires="2084-10-14 18:25:19Z"; version=0
Set-Cookie3: BIDUPSID=0CE9C56F598E69DB375B7C294AE5C591; path="/"; domain=".baidu.com"; path_spec; domain_dot; 
expires="2084-10-14 18:25:19Z"; version=0
Set-Cookie3: H_PS_PSSID=20048_1448_18240_17944_21089_21192_21161_20929; path="/"; domain=".baidu.com"; path_spec; 
domain_dot; discard; version=0
Set-Cookie3: PSTM=1474902671; path="/"; domain=".baidu.com"; path_spec; domain_dot; expires="2084-10-14 18:25:19Z"; 
version=0
Set-Cookie3: BDSVRTM=0; path="/"; domain="www.baidu.com"; path_spec; discard; version=0
Set-Cookie3: BD_HOME=0; path="/"; domain="www.baidu.com"; path_spec; discard; version=0

由此看來，生成的格式還是有比較大差異的。

那么，生成了Cookies文件后，怎樣從文件中讀取并利用呢？

下面我們以LWPCookieJar格式為例來看一下：

cookie = http.cookiejar.LWPCookieJar()
cookie.load('cookies.txt', ignore_discard=True, ignore_expires=True)
handler = urllib.request.HTTPCookieProcessor(cookie)
opener = urllib.request.build_opener(handler)
response = opener.open('http://www.baidu.com')
print(response.read().decode('utf-8'))

可以看到，這里調用load()方法來讀取本地的Cookies文件，獲取到了Cookies的內容。不過前提是我們首先生成了LWPCookieJar格式的Cookies，并保存成文件，然后讀取Cookies之后使用同樣的方法構建Handler和Opener即可完成操作。

運行結果正常的話，會輸出百度網頁的源代碼。

通過上面的方法，我們可以實現絕大多數請求功能的設置了。

這便是urllib庫中request模塊的基本用法

以上是Python3爬蟲是如何發送請求的的所有內容，感謝各位的閱讀！相信大家都有了一定的了解，希望分享的內容對大家有所幫助，如果還想學習更多知識，歡迎關注億速云行業資訊頻道！