python网络爬虫——爬虫第三方库的使用（二）

亦凉 2022-09-09 13:58 358阅读 0赞

### 爬虫第三方库的使用 ###

*   *   *  一、urllib库的介绍与使用
         *   *  1、urlopen（）方法
             *  2、Request（）方法
             *  3、Robots协议
         *  二、requests库的介绍与使用
         *   *  1、GET请求
             *  2、POST请求
             *  3、文件上传
             *  4、Cookies
             *  5、会话维持
             *  6、SSL证书验证
             *  7、代理设置
             *  8、超时设置
             *  9、身份验证
     *

### 一、urllib库的介绍与使用 ###

#### 1、urlopen（）方法 ####

使用该方法模拟浏览器向服务器发送请求，该方法处理授权验证、重定向、浏览器cookie以及其他内容。

使用方法如下：

#导入urllib库
    import urllib.request
    #爬取百度搜索首页
    response = urllib.request.urlopen('https://www.baidu.com')
    #打印爬取的内容
    print(response.read().decode('utf-8'))
    print(response)

【运行结果】

<html>
    <head>
    	<script>
    		location.replace(location.href.replace("https://","http://"));
    	</script>
    </head>
    <body>
    	<noscript><meta http-equiv="refresh" content="0;url=http://www.baidu.com/"></noscript>
    </body>
    </html>
    <http.client.HTTPResponse object at 0x0000025895475EB8>

可以看出，该方法爬取到网页的源代码，返回值response的类型为HTTPResponse，该类型主要有以下方法：read()，readinto()，getheader(name)，getheaders()，fileno()。

以上是urlopen最简单的用法，下面来详细介绍以下urlopen（）函数

urllib.request.urlopen(url,data = None,timeout,cafile = None,capath = None,context = None)

（1）data参数

data参数是可选可不选的，如果选择data，data的类型必须为bytes类型，一般使用bytes()方法进行类型转换。选择data参数时，请求方式为POST，不选择data时，请求方法为GET。

（2）timeout参数

设置的超时时间，如果请求超过了设置的timeout，还没有得到响应，则抛出异常。

（3）cafile和capath参数

指定CA证书和其路径。

（4）context参数

指定SSL设置，类型必须为ssl.SSLContext。

#### 2、Request（）方法 ####

该方法主要是在请求时加入了Headers信息。

其使用方式为：

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

（1）headers参数

该参数就是请求头，通常包含User-Agent，通过该请求头达到伪装成浏览器的目的，其类型为字典。

（2）origin\_req\_host参数

请求方的host或者是IP地址

（3）unverifiable参数

表示该请求是否是无法验证的。

（4）method参数

用来指示请求的方式，是GET还是POST。

#### 3、Robots协议 ####

该协议告诉爬虫和搜索引擎，那些界面可以爬取，那些界面是不允许爬取的。

使用robotparser模块解析robots.txt，该模块提供RobotFileParser方法：

urllib.robotparser.RobotFileParser(url="")

from urllib.robotparser import RobotFileParser
    temp = RobotFileParser("https://www.baidu.com/robots.txt")
    temp.read()
    print(temp.can_fetch('*','https://www.baidu.com/link?'))

【运行结果】

False

![在这里插入图片描述][watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBA5bCP54uQ54u45qKm5oOz5Y6756ul6K-d6ZWH_size_7_color_FFFFFF_t_70_g_se_x_16_pic_center]

直接访问robots.txt也可以看出，https://www.baidu.com/link?是不允许被爬取的。

**因为urllib（）对于cookie验证和代理服务的处理比较麻烦，故推出requests（）方法库**

### 二、requests库的介绍与使用 ###

最简单的一个应用实例：

import requests
    
    temp = requests.get('https://www.csdn.net/')
    
    print(type(temp))      #打印temp的数据类型
    print(temp.status_code)#打印响应状态码
    print(temp.cookies)    #打印Cookies
    print(temp.text)       #打印爬取内容

【运行结果】

<class 'requests.models.Response'>
    200
    <RequestsCookieJar[<Cookie dc_session_id=10_1629708229451.640122 for .csdn.net/>, <Cookie uuid_tt_dd=10_18646630710-1629708229451-326208 for .csdn.net/>, <Cookie csrfToken=znQtNTJ5Z2tit_oJJtdTvb8V for www.csdn.net/>]>
    <!doctype html><html lang="zh" data-server-rendered="true"><head><title>CSDN - 专业开发者社区</title> <meta name="keywords" content="CSDN博客,CSDN学院,CSDN论坛,CSDN直播"> <meta name="description" content="CSDN是全球知名中文IT技术交流平台,创建于1999年,包含原创博客、精品问答、职业培训、技术论坛、资源下载等产品服务,提供原创、优质、完整内容的专业IT技术开发社区."> <meta http-equiv="content-type" content="text/html;charset=utf-8"> <meta name="viewport" content="initial-scale=1, maximum-scale=1, user-scalable=no, minimal-ui"> <meta name="referrer" content="always">       
            <script src="https://g.csdnimg.cn/tingyun/1.8.5/www-index.js"></script>
           <link rel="shortcut icon" href="https://g.csdnimg.cn/static/logo/favicon32.ico" type="image/x-icon"> <link rel="canonical" href="https://www.csdn.net">  
              <meta name="toolbar" content={"type":"0"} />
           
              <meta name="report" content={"spm":"1000.2115"} />
           <script src="https://g.csdnimg.cn/??lib/jquery/1.12.4/jquery.min.js,user-tooltip/2.2/user-tooltip.js,lib/qrcode/1.0.0/qrcode.min.js"></script> <script src='//g.csdnimg.cn/common/csdn-report/report.js' type='text/javascript'></script> 
             <script src="https://g.csdnimg.cn/user-ordercart/2.0.1/user-ordercart.js?ts=2.0.1"></script>
           
              <script src="https://g.csdnimg.cn/login-box/1.1.7/login-box.js"></script>
              ......

下面我们详细了解requests库的各种请求用法。

#### 1、GET请求 ####

这里我们给出一个测试网站：http://httpbin.org/get，对该网站发起GET请求：

import requests
    rp = requests.get("http://httpbin.org/get")
    print(rp.text)

【运行结果】

{
      "args": {}, 
      "headers": {
        "Accept": "*/*", 
        "Accept-Encoding": "gzip, deflate", 
        "Host": "httpbin.org", 
        "User-Agent": "python-requests/2.25.1", 
        "X-Amzn-Trace-Id": "Root=1-6123623a-1cc64df4378b3f9913a68485"
      }, 
      "origin": "111.36.128.31", 
      "url": "http://httpbin.org/get"
    }

该网站是测试网站，数据采用JSON数据格式存储，当我们发送GET请求时，在请求加上参数，请求方式可以写成如下方式：

import requests
    data = {
        
    	'name':'little fox',
    	'age':20
    }
    rp = requests.get("http://httpbin.org/get",params = data)
    print(rp.text)
    print(type(rp.text)) #打印获取数据的类型

【运行结果】

{
      "args": {
        "age": "20", 
        "name": "little fox"
      }, 
      "headers": {
        "Accept": "*/*", 
        "Accept-Encoding": "gzip, deflate", 
        "Host": "httpbin.org", 
        "User-Agent": "python-requests/2.25.1", 
        "X-Amzn-Trace-Id": "Root=1-61236364-0e7ea320083f082b7db5ace5"
      }, 
      "origin": "111.36.128.31", 
      "url": "http://httpbin.org/get?name=little+fox&age=20"
    }
    <class 'str'>

从运行结果也可以看出，该请求方式实际上是向服务器发送的该URL（http://httpbin.org/get?name=little+fox&age=20）的请求。

获取数据的类型为<class ‘str’>，对于该类型数据的处理是使用JSON()方法，将格式转化为字典类型。

**引入headers参数**

引入该参数的目的是将爬虫访问伪装成浏览器访问，避免服务器识别出请求为爬虫，从而禁止爬取。

此处添加的headers参数主要是User-Agent，以爬取CSDN首页为例：

URL：https://blog.csdn.net/?spm=1001.2014.3001.4477

User-Agent查看方法：

在首页界面按F12进入浏览器检查界面：

![在这里插入图片描述][watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBA5bCP54uQ54u45qKm5oOz5Y6756ul6K-d6ZWH_size_20_color_FFFFFF_t_70_g_se_x_16_pic_center]

import requests
    headers = {
        
    	'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/80.0.3987.163 Safari/537.36'
    }
    url = 'https://blog.csdn.net/?spm=1001.2014.3001.4477'
    rp = requests.get(url = url,headers = headers)
    print(rp.text)

【运行结果】

<!DOCTYPE html>
    <html>
    <head>
        <meta charset="utf-8">
        <meta http-equiv="X-UA-Compatible" content="IE=Edge">
        <meta name="viewport" content="width=device-width, initial-scale=1.0, minimum-scale=1.0, maximum-scale=1.0, user-scalable=no">
        <meta name="apple-mobile-web-app-status-bar-style" content="black">
        <meta name="referrer"content="always">
        <meta name="msvalidate.01" content="3189512127C34C46BC74BED5852D45E4" />
        <title>CSDN博客 - 专业IT技术发表平台</title>
        <meta data-n-head="true" data-hid="description" name="description" content="CSDN博客为中国软件开发者、IT从业人员、IT初学者打造交流的专业IT技术发表平台,全心致力于帮助开发者通过互联网分享知识,让更多开发者从中受益,一同和IT开发者用代码改变未来.">
        <script src='//g.csdnimg.cn/tingyun/1.8.3/www.js' type='text/javascript'></script>
        <link ref="canonical"  href="https://blog.csdn.net">
        <link href="https://g.csdnimg.cn/static/logo/favicon32.ico" rel="shortcut icon" type="image/x-icon"/>
        <link rel="stylesheet" href="//csdnimg.cn/public/common/toolbar/content_toolbar_css/content_toolbar.css">
        <link rel="stylesheet" href="//csdnimg.cn/public/common/libs/bootstrap/css/bootstrap.min.css">
        <link rel="stylesheet" href="//csdnimg.cn/public/static/css/avatar.css">
        <link href="//g.csdnimg.cn/nav-second/1.0.3/css/nav-second.css" type="text/css" rel="stylesheet">
        <script src="//csdnimg.cn/public/common/libs/jquery/jquery-1.9.1.min.js" type="text/javascript"></script>
        <link href='/css/csdn_feed.css?1627614636' rel='stylesheet' />
        <meta name="report" content='{
         "spm":"1001.2100"}'>
    </head>
    <body data-category="home" data-host_type="blog">
        <script src="//g.csdnimg.cn/common/csdn-toolbar/csdn-toolbar.js" type="text/javascript"></script>
        <script src="https://g.csdnimg.cn/??login-box/1.1.4/login-box.js,login-box/1.1.4/login-auto.js"></script>
        <div class="container clearfix"> 
                <nav id="nav" class="clearfix"></nav>
          <div class="fixed_content" id="mainContent">
                    
            
            <main>
            <!DOCTYPE html>
     <div class="carousel">
        <div class="carousel-left">
            <div id="myCarousel" class="slide" data-ride="carousel">
          
          <ol class="carousel-indicators">
    						<li data-target="#myCarousel" data-slide-to="0" class="active"></li>
    					<li data-target="#myCarousel" data-slide-to="1" class=""></li>
    					<li data-target="#myCarousel" data-slide-to="2" class=""></li>
    			      </ol>
    	  <div class="carousel-inner" role="listbox" data-report-view='{
         "mod":"popu_465","strategy":""}'>         	         
           ......

#### 2、POST请求 ####

import requests
    data = {
        
    	'name':'little fox',
    	'age':20
    }
    rp = requests.post("http://httpbin.org/get",params = data)
    print(rp.text)
    print(type(rp.text)) #打印获取数据的类型

【运行结果】

{
      "args": {}, 
      "data": "", 
      "files": {}, 
      "form": {
        "age": "20", 
        "name": "little fox"
      }, 
      "headers": {
        "Accept": "*/*", 
        "Accept-Encoding": "gzip, deflate", 
        "Content-Length": "22", 
        "Content-Type": "application/x-www-form-urlencoded", 
        "Host": "httpbin.org", 
        "User-Agent": "python-requests/2.25.1", 
        "X-Amzn-Trace-Id": "Root=1-612369a5-1fd9709e318dd6dd21736dca"
      }, 
      "json": null, 
      "origin": "111.36.128.31", 
      "url": "http://httpbin.org/post"
    }
    
    <class 'str'>

在返回结果中，我们可以看到form中就是我们使用表单提交的数据。

#### 3、文件上传 ####

requests可以模拟一些数据的上传，因此也可以向网站上传一些文件。

例如上传一个txt类型的测试文件。

![在这里插入图片描述][watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBA5bCP54uQ54u45qKm5oOz5Y6756ul6K-d6ZWH_size_13_color_FFFFFF_t_70_g_se_x_16_pic_center]

import requests
    
    files = {
        'file':open('reauests测试文件.txt','rb')}
    rp = requests.post('http://httpbin.org/post',files = files)
    print(rp.text)

【运行结果】

{
      "args": {}, 
      "data": "", 
      "files": {
        "file": "reauests\u6d4b\u8bd5\u6587\u4ef6"
      }, 
      "form": {}, 
      "headers": {
        "Accept": "*/*", 
        "Accept-Encoding": "gzip, deflate", 
        "Content-Length": "210", 
        "Content-Type": "multipart/form-data; boundary=7d7ca86cec7b89327059ba0e878a6778", 
        "Host": "httpbin.org", 
        "User-Agent": "python-requests/2.25.1", 
        "X-Amzn-Trace-Id": "Root=1-61236c63-7cde90c158366b4b40ded960"
      }, 
      "json": null, 
      "origin": "111.36.128.31", 
      "url": "http://httpbin.org/post"
    }

#### 4、Cookies ####

这里我们介绍两种Cookies获取方法

**第一种：**

import requests
    rp = requests.get("https://www.baidu.com")
    print(rp.cookies)
    for (key,value) in rp.cookies.items():
        print(key + '=' + value)

【运行结果】

<RequestsCookieJar[<Cookie BDORZ=27315 for .baidu.com/>]>
    BDORZ=27315

**第二种：**  
![在这里插入图片描述][watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBA5bCP54uQ54u45qKm5oOz5Y6756ul6K-d6ZWH_size_20_color_FFFFFF_t_70_g_se_x_16_pic_center 1]

#### 5、会话维持 ####

使用Session对象，进行会话的维持。

import requests
    s = requests.Session()
    s.get("http://httpbin.org/cookies/set/age/20")
    rp = s.get("http://httpbin.org/cookies")
    print(rp.text)

【运行结果】

{
      "cookies": {
        "age": "20"
      }
    }

使用Session对象可以方便的维护一个会话，而不用担心Cookies问题。

#### 6、SSL证书验证 ####

当爬取一个不具备SSL证书的网站时，通常会报SSL Error的错误，这是因为在爬取发送请求，默认检查网站是否具有SSL证书，如果要解决此错误，可在发送请求时，将参数verify设置为False。

#### 7、代理设置 ####

在进行大规模爬取时，网站可能会弹出验证码，或者是跳转到登录界面，还可能封禁IP等反爬机制，为了防止出现这种情况，通常设置代理来进行大规模的爬取，使用到的参数为proxies。

import requests
    proxies = {
        
    	"http":"http://10.0.0.1:8888",  #此处设置为自己的有效代理
    }
    requests.get("https://www.csdn.net/",proxies = proxies)

#### 8、超时设置 ####

设置一个超时时间，该时间是发出请求到服务器返回响应的时间。使用到的参数为timeout。

（1）设置整体时间

rp = requests.get("https://www.csdn.net/",timeout = 1)

（2）单独设置时间

rp = requests.get("https://www.csdn.net/",timeout = (5,20)) #5代表连接阶段的时间，20代表读取阶段的时间

（3）永久等待

rp = requests.get("https://www.csdn.net/",timeout = None)
    或者
    rp = requests.get("https://www.csdn.net/")

#### 9、身份验证 ####

在爬取界面通常会遇到登录的情况，而requests库在请求时也有对应的解决方案，使用到的参数为：auth，auth的类型是一个元组，里面包含登录信息，例如用户名、密码等。

rp = requests.get("https://www.csdn.net/"，auth = ('littlefox','123456789'))

##  ##

[watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBA5bCP54uQ54u45qKm5oOz5Y6756ul6K-d6ZWH_size_7_color_FFFFFF_t_70_g_se_x_16_pic_center]: /images/20220829/1e880448271445c88a3a48096c1a1037.png
[watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBA5bCP54uQ54u45qKm5oOz5Y6756ul6K-d6ZWH_size_20_color_FFFFFF_t_70_g_se_x_16_pic_center]: /images/20220829/91645f9713614a61b91f25da1797906f.png
[watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBA5bCP54uQ54u45qKm5oOz5Y6756ul6K-d6ZWH_size_13_color_FFFFFF_t_70_g_se_x_16_pic_center]: /images/20220829/ff759b1f77194eddb7f8e0f86cb20f7d.png
[watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBA5bCP54uQ54u45qKm5oOz5Y6756ul6K-d6ZWH_size_20_color_FFFFFF_t_70_g_se_x_16_pic_center 1]: /images/20220829/3df1153839a741b28f72d4ff20fe185e.png