Python3爬虫如何实现发送请求的实例分析？

本文共计2591个文字，预计阅读时间需要11分钟。

使用urllib的request模块，我们可以方便地实现发送请求并获取响应。下面是具体用法：

1. urlopen()：urllib.request模块提供了urlopen()函数，用于构造最基本的HTTP请求，并获取响应。利用它可以模拟浏览器行为。

pythonfrom urllib.request import urlopen

url=http://www.example.comresponse=urlopen(url)

这里，url是请求的网址，response是服务器返回的响应对象。

使用urllib的request模块，我们可以方便地实现请求的发送并得到响应，本节就来看下它的具体用法。

1. urlopen()

urllib.request模块提供了最基本的构造HTTP请求的方法，利用它可以模拟浏览器的一个请求发起过程，同时它还带有处理授权验证（authenticaton）、重定向（redirection)、浏览器Cookies以及其他内容。

下面我们来看一下它的强大之处。这里以Python官网为例，我们来把这个网页抓下来：

importurllib.request response=urllib.request.urlopen('www.python.org') print(response.read().decode('utf-8'))

运行结果如图3-1所示。

这里我们只用了两行代码，便完成了Python官网的抓取，输出了网页的源代码。得到源代码之后呢？我们想要的链接、图片地址、文本信息不就都可以提取出来了吗？

接下来，看看它返回的到底是什么。利用type()方法输出响应的类型：

importurllib.request response=urllib.request.urlopen('www.python.org') print(type(response))

输出结果如下：

<class'www.python.org') print(response.status) print(response.getheaders()) print(response.getheader('Server'))

运行结果如下：

200 [('Server','nginx'),('Content-Type','text/html;charset=utf-8'),('X-Frame-Options','SAMEORIGIN'), ('X-Clacks-Overhead','GNUTerryPratchett'),('Content-Length','47397'),('Accept-Ranges','bytes'), ('Date','Mon,01Aug201609:57:31GMT'),('Via','1.1varnish'),('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

可见，前两个输出分别输出了响应的状态码和响应的头信息，最后一个输出通过调用getheader()方法并传递一个参数Server获取了响应头中的Server值，结果是nginx，意思是服务器是用Nginx搭建的。

利用最基本的urlopen()方法，可以完成最基本的简单网页的GET请求抓取。

如果想给链接传递一些参数，该怎么实现呢？首先看一下urlopen()函数的API：

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

可以发现，除了第一个参数可以传递URL之外，我们还可以传递其他内容，比如data（附加数据）、timeout（超时时间）等。

下面我们详细说明下这几个参数的用法。

data参数

data参数是可选的。如果要添加该参数，并且如果它是字节流编码格式的内容，即bytes类型，则需要通过bytes()方法转化。另外，如果传递了这个参数，则它的请求方式就不再是GET方式，而是POST方式。

下面用实例来看一下：

importurllib.parse importurllib.request data=bytes(urllib.parse.urlencode({'word':'hello'}),encoding='utf8') response=urllib.request.urlopen('docs.python.org/3/library/urllib.request.html。

2. Request

我们知道利用urlopen()方法可以实现最基本请求的发起，但这几个简单的参数并不足以构建一个完整的请求。如果请求中需要加入Headers等信息，就可以利用更强大的Request类来构建。

首先，我们用实例来感受一下Request的用法：

importurllib.request request=urllib.request.Request('python.org') response=urllib.request.urlopen(request) print(response.read().decode('utf-8'))

可以发现，我们依然是用urlopen()方法来发送这个请求，只不过这次该方法的参数不再是URL，而是一个Request类型的对象。通过构造这个数据结构，一方面我们可以将请求独立成一个对象，另一方面可更加丰富和灵活地配置参数。

下面我们看一下Request可以通过怎样的参数来构造，它的构造方法如下：

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

第一个参数url用于请求URL，这是必传参数，其他都是可选参数。

第二个参数data如果要传，必须传bytes（字节流）类型的。如果它是字典，可以先用urllib.parse模块里的urlencode()编码。

第三个参数headers是一个字典，它就是请求头，我们可以在构造请求时通过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。

添加请求头最常用的用法就是通过修改User-Agent来伪装浏览器，默认的User-Agent是Python-urllib，我们可以通过修改它来伪装浏览器。比如要伪装火狐浏览器，你可以把它设置为：

Mozilla/5.0(X11;U;Linuxi686)Gecko/20071127Firefox/2.0.0.11

第四个参数origin_req_host指的是请求方的host名称或者IP地址。

第五个参数unverifiable表示这个请求是否是无法验证的，默认是False，意思就是说用户没有足够权限来选择接收这个请求的结果。例如，我们请求一个HTML文档中的图片，但是我们没有自动抓取图像的权限，这时unverifiable的值就是True`。

第六个参数method是一个字符串，用来指示请求使用的方法，比如GET、POST和PUT等。

下面我们传入多个参数构建请求来看一下：

fromurllibimportrequest,parse url='docs.python.org/3/library/urllib.request.html#urllib.request.BaseHandler。

关于怎么使用它们，现在先不用着急，后面会有实例演示。

另一个比较重要的类就是OpenerDirector，我们可以称为Opener。我们之前用过urlopen()这个方法，实际上它就是urllib为我们提供的一个Opener。

那么，为什么要引入Opener呢？因为需要实现更高级的功能。之前使用的Request和urlopen()相当于类库为你封装好了极其常用的请求方法，利用它们可以完成基本的请求，但是现在不一样了，我们需要实现更高级的功能，所以需要深入一层进行配置，使用更底层的实例来完成操作，所以这里就用到了Opener。

Opener可以使用open()方法，返回的类型和urlopen()如出一辙。那么，它和Handler有什么关系呢？简而言之，就是利用Handler来构建Opener。

下面用几个实例来看看它们的用法。

验证

有些网站在打开时就会弹出提示框，直接提示你输入用户名和密码，验证成功后才能查看页面，如图3-2所示。

图3-2 验证页面

那么，如果要请求这样的页面，该怎么办呢？借助HTTPBasicAuthHandler就可以完成，相关代码如下：

fromurllib.requestimportHTTPPasswordMgrWithDefaultRealm,HTTPBasicAuthHandler,build_opener fromurllib.errorimportURLError username='username' password='password' url='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) exceptURLErrorase: print(e.reason)

这里首先实例化HTTPBasicAuthHandler对象，其参数是HTTPPasswordMgrWithDefaultRealm对象，它利用add_password()添加进去用户名和密码，这样就建立了一个处理验证的Handler。

接下来，利用这个Handler并使用build_opener()方法构建一个Opener，这个Opener在发送请求时就相当于已经验证成功了。

接下来，利用Opener的open()方法打开链接，就可以完成验证了。这里获取到的结果就是验证后的页面源码内容。

代理

在做爬虫的时候，免不了要使用代理，如果要添加代理，可以这样做：

fromurllib.errorimportURLError fromurllib.requestimportProxyHandler,build_opener proxy_handler=ProxyHandler({ '127.0.0.1:9743', '127.0.0.1:9743' }) opener=build_opener(proxy_handler) try: response=opener.open('www.baidu.com') print(response.read().decode('utf-8')) exceptURLErrorase: print(e.reason)

这里我们在本地搭建了一个代理，它运行在9743端口上。

这里使用了ProxyHandler，其参数是一个字典，键名是协议类型（比如HTTP或者HTTPS等），键值是代理链接，可以添加多个代理。

然后，利用这个Handler及build_opener()方法构造一个Opener，之后发送请求即可。

Cookies

Cookies的处理就需要相关的Handler了。

我们先用实例来看看怎样将网站的Cookies获取下来，相关代码如下：

importwww.baidu.com') foritemincookie: print(item.name+"="+item.value)

首先，我们必须声明一个CookieJar对象。接下来，就需要利用HTTPCookieProcessor来构建一个Handler，最后利用build_opener()方法构建出Opener，执行open()函数即可。

运行结果如下：

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，这里输出了每条Cookie的名称和值。

不过既然能输出，那可不可以输出成文件格式呢？我们知道Cookies实际上也是以文本形式保存的。

答案当然是肯定的，这里通过下面的实例来看看：

filename='cookies.txt' cookie=www.baidu.com') cookie.save(ignore_discard=True,ignore_expires=True)

这时CookieJar就需要换成MozillaCookieJar，它在生成文件时会用到，是CookieJar的子类，可以用来处理Cookies和文件相关的事件，比如读取和保存Cookies，可以将Cookies保存成Mozilla型浏览器的Cookies格式。

运行之后，可以发现生成了一个cookies.txt文件，其内容如下：

#NetscapeHTTPCookieFile #curl.haxx.se/rfc/cookie_spec.html #Thisisageneratedfile!Donotedit. .baidu.comTRUE/FALSE3622386254BAIDUID05AE39B5F56C1DEC474325CDA5 22D44F:FG=1 .baidu.comTRUE/FALSE3622386254BIDUPSID05AE39B5F56C1DEC474325CDA522D44F .baidu.comTRUE/FALSEH_PS_PSSID19638_1453_17710_18240_21091_18560 _17001_21191_21161 .baidu.comTRUE/FALSE3622386254PSTM1474902606 www.baidu.comFALSE/FALSEBDSVRTM0 www.baidu.comFALSE/FALSEBD_HOME0

另外，LWPCookieJar同样可以读取和保存Cookies，但是保存的格式和MozillaCookieJar不一样，它会保存成libwww-perl(LWP)格式的Cookies文件。

要保存成LWP格式的Cookies文件，可以在声明时就改为：

cookie=www.baidu.com') print(response.read().decode('utf-8'))

可以看到，这里调用load()方法来读取本地的Cookies文件，获取到了Cookies的内容。不过前提是我们首先生成了LWPCookieJar格式的Cookies，并保存成文件，然后读取Cookies之后使用同样的方法构建Handler和Opener即可完成操作。

运行结果正常的话，会输出百度网页的源代码。

通过上面的方法，我们可以实现绝大多数请求功能的设置了。

这便是urllib库中request模块的基本用法，如果想实现更多的功能，可以参考官方文档的说明：docs.python.org/3/library/urllib.request.html#basehandler-objects。

到此这篇关于Python3爬虫发送请求的知识点实例的文章就介绍到这了,更多相关Python3爬虫发送请求内容请搜索易盾网络以前的文章或继续浏览下面的相关文章希望大家以后多多支持易盾网络！