重拾python爬蟲之urllib3

Urllib3是一個功能強大，條理清晰，用於HTTP客戶端的Python庫。許多Python的原生系統已經開始使用urllib3。Urllib3提供了很多python標準庫urllib裏所沒有的重要特性：

1. 線程安全
2. 連接池
3. 客戶端SSL/TLS驗證
4. 文件分部編碼上傳
5. 協助處理重複請求和HTTP重定位
6. 支持壓縮編碼
7. 支持HTTP和SOCKS代理

一、get請求

urllib3主要使用連接池進行網絡請求的訪問，所以訪問之前我們需要創建一個連接池對象，如下所示：

import  urllib3

url = "http://httpbin.org"
http = urllib3.PoolManager();
r = http.request('GET',url+"/get")
print(r.data.decode())
print(r.status)

帶參數的get
r = http.request('get','http://www.baidu.com/s',fields={'wd':'周杰倫'})
print(r.data.decode())

經查看源碼：

def request(self, method, url, fields=None, headers=None, **urlopen_kw):

• 第一個參數method 必選，指定是什麼請求，'get'、'GET'、'POST'、'post'、'PUT'、'DELETE'等，不區分大小寫。
• 第二個參數url，必選
• 第三個參數fields，請求的參數，可選
• 第四個參數headers 可選

request請求的返回值是<urllib3.response.HTTPResponse object at 0x000001B3879440B8>

我們可以通過dir()查看其所有的屬性和方法。
dir(r)

直截取了一部分
#'data', 'decode_content', 'enforce_content_length', 'fileno', 'flush', 'from_httplib',
# 'get_redirect_location', 'getheader', 'getheaders', 'headers', 'info', 'isatty',
# 'length_remaining', 'read', 'read_chunked', 'readable', 'readinto', 'readline',
# 'readlines', 'reason', 'release_conn', 'retries', 'seek', 'seekable', 'status',
# 'stream', 'strict', 'supports_chunked_reads', 'tell', 'truncate', 'version', 'writable',
# 'writelines']

二、post請求

import  urllib3
url = "http://httpbin.org"
fields = {
    'name':'xfy'
}
http = urllib3.PoolManager()
r = http.request('post',url+"/post",fields=fields)
print(r.data.decode())

可以看到很簡單，只是第一個參數get換成了post。
並且參數不需要再像urllib一樣轉換成byte型了。

三、設置headers

import  urllib3
headers = {
     'User-Agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/60.0.3112.113 Safari/537.36'
}
http = urllib3.PoolManager();
r = http.request('get',url+"/get",headers = headers)
print(r.data.decode())

四、設置代理

import  urllib3
url = "http://httpbin.org"
headers = {
     'User-Agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/60.0.3112.113 Safari/537.36'
}
proxy = urllib3.ProxyManager('http://101.236.19.165:8866',headers = headers)
r = proxy.request('get',url+"/ip")
print(r.data.decode())

五、當請求的參數爲json

在發起請求時,可以通過定義body 參數並定義headers的Content-Type參數來發送一個已經過編譯的JSON數據

import  urllib3
url = "http://httpbin.org"
import json
data = {'name':'徐繁韻'}

json_data = json.dumps(data)

http = urllib3.PoolManager()
r = http.request('post',url+"/post",body = json_data,headers = {'Content-Type':'application/json'})
print(r.data.decode('unicode_escape'))

六、上傳文件

#元組形式
with open('a.html','rb') as f:
    data = f.read()
http = urllib3.PoolManager()
r = http.request('post','http://httpbin.org/post',fields = {'filefield':('a.html',data,'text/plain')})
print(r.data.decode())

#二進制形式

r = http.request('post','http://httpbin.org/post',body = data,headers={'Content-Type':'image/jpeg'})
print(r.data.decode())

七、超時設置

# 1全局設置超時
# http = urllib3.PoolManager(timeout = 3)
# 2在request裏設置
# http.request('post','http://httpbin.org/post',timeout = 3)

八、重試和重定向

import urllib3
http = urllib3.PoolManager()
#重試
r = http.request('post','http://httpbin.org/post',retries = 5) #請求重試測次數爲5次  ，默認爲3ci
print(r.retries) #Retry(total=5, connect=None, read=None, redirect=0, status=None)
#關閉重試
http.request('post','http://httpbin.org/post',retries = False) #請求重試測次數爲5次  ，默認爲3ci

r = http.request('get','http://httpbin.org/redirect/1',redirect = False)
print(r.retries)# Retry(total=3, connect=None, read=None, redirect=None, status=None)
print(r.status)
print(r.data.decode())
print("--------------------")
print(r.get_redirect_location())
#302不是異常

九、urllib3 本身設置了https的處理，但是有警告

雖然可以請求，但是報如下警告：

InsecureRequestWarning: Unverified HTTPS request is being made. Adding certificate verification is strongly advised. See: https://urllib3.readthedocs.io/en/latest/advanced-usage.html#ssl-warnings
  InsecureRequestWarning)

禁用警告：

import urllib3
urllib3.disable_warnings()  #禁用各種警告
url = "https://www.12306.cn/mormhweb/"
http = urllib3.PoolManager()
r = http.request('get',url)
print(r.data.decode())

urllib3很強大，但是並沒有requests好用。瞭解爲主。