目录
正文
1. Python3 使用urllib库请求网络
1.1 基于urllib库的GET请求
请求百度首页www.baidu.com ，不添加请求头信息：
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()
输出显示百度首页的源码。但是有的网站进行了反爬虫设置，上述代码可能会返回一个40X之类的响应码，因为该网站识别出了是爬虫在访问网站，这时需要伪装一下爬虫，让爬虫模拟用户行为，给爬虫设置headers（User-Agent）属性，模拟浏览器请求网站。
1.2 使用User-Agent伪装后请求网站
由于urllib.request.urlopen() 函数不接受headers参数，所以需要构建一个urllib.request.Request对象来实现请求头的设置：
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()
添加headers参数，来模拟浏览器的行为。
1.3 基于urllib库的POST请求，并用Cookie保持会话
登陆ChinaUnix论坛，获取首页源码，然后访问一个文章。首先不使用Cookie看一下什么效果：
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()
搜索源码中是否能看见用户名StrivePy，发现登陆成功，但是再请求其它文章时，显示为游客状态，会话状态没有保持。现在使用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 # 创建CookieJar对象
18 cjar = http.cookiejar.CookieJar()
19 # 以CookieJar对象为参数创建Cookie
20 cookie = urllib.request.HTTPCookieProcessor(cjar)
21 # 以Cookie对象为参数创建Opener对象
22 opener = urllib.request.build_opener(cookie)
23 # 将Opener安装位全局，覆盖urlopen函数，也可以临时使用opener.open()函数
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()
结果显示登陆成功后，再访问其它文章时，显示为登陆状态。若要将Cookie保存为文件待下次使用，可以使用MozillaCookieJar对象将Cookie保存为文件。
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 # 创建CookieJar对象
19 cjar = http.cookiejar.MozillaCookieJar(filename)
20 # 以CookieJar对象为参数创建Cookie
21 cookie = urllib.request.HTTPCookieProcessor(cjar)
22 # 以Cookie对象为参数创建Opener对象
23 opener = urllib.request.build_opener(cookie)
24 # 临时使用opener来请求
25 opener.open(req)
26 # 将cookie保存为文件
27 cjar.save(ignore_discard=True, ignore_expires=True)
会在当前工作目录生成一个名为cookies.txt的cookie文件，下次就可以不用登陆（如果cookie没有失效的话）直接读取这个文件来实现免登录访问。例如不进行登陆直接访问其中一篇文章（没登陆也可以访问，主要是看抬头是不是登陆状态）：
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()
结果显示是以登陆状态在查看这篇文章。
1.4 基于urllib库使用代理请求
使用代理可以有效规避爬虫被封。
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 # 创建代理Handler对象
14 proxy_handler = urllib.request.ProxyHandler(proxy)
15 # 以Handler对象为参数创建Opener对象
16 opener = urllib.request.build_opener(proxy_handler)
17 # 将Opener安装为全局
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()
抓取到的页面应该显示代理IP，不知道什么原因，有时候能正常显示，有时候跳转到有道词典广告页！！！问题有待更进一步研究。
2. Python3 使用requsets库访问网络
2.1 基于requests库的GET请求
以GET方式请求http://httpbin.org测试网站。
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()
直接得到响应体。
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方法中传递参数的三种方式：
- 将字典形式的参数用urllib.parse.urlencode()函数编码成url参数:
1 import urllib.parse
2
3 if __name__ == '__main__':
4 base_url = 'http://httpbin.org/'
5 params = {
6 'key1': 'value1',
7 'key2': 'value2'
8 }
9 full_url = base_url + urllib.parse.urlencode(params)
10 print(full_url)1 http://httpbin.org/key1=value1&key2=value2
- 直接在urllib.request.get()函数中使用params参数：
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直接包含参数：
1 http://httpbin.org/get?key2=value2&key1=value1
2.2 基于requests库的POST请求，并用session保持会话
登陆ChinaUnix论坛，获取首页源码，然后访问一个文章。首先不使用Session看一下什么效果：
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()
结果显示访问其它文章时为游客模式。接下来用session来维持会话看一下效果：
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()
结果显示访问其它文章时，显示为登陆状态，会话保持住了。使用session的效果类似于urllib库临时使用opener或者将opener安装为全局的效果。
2.3 基于requests库使用代理请求
在requests库中使用代理：
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()
这个请求到的代码显示IP还是本地的网络IP，代理没起作用，具体原因有待研究。