Python爬蟲 — urllib高級用法教程

綜述

本系列文檔用於對Python爬蟲技術進行簡單的講解記錄，鞏固自己技術知識的同時，萬一一不小心又正好對你有用那就更好了。
Python 版本是3.7.4

上篇文章介紹了urllib的基礎使用方法本篇文章就來介紹一下urllib稍微高級一點的用法。

網上有很多的網站想要請求需要設置一些請求頭，如果要在請求的時候增加一些請求頭，那麼就必須使用request.Request類來實現了，比如要增加一個 User-Agent ，增加一個 Referer 頭信息等。

通常防止爬蟲被反主要有以下幾個策略：

動態設置請求頭headers(User-Agent)（隨機切換User-Agent，模擬不同用戶的瀏覽器信息）
使用IP地址池：VPN和代理IP，現在大部分網站都是根據IP來ban的
Cookies
設置延遲下載（防止訪問過於頻繁，設置爲2秒或更高）要明白爬蟲重要的是拿到數據(這個用到time庫的time.sleep()方法，在這裏不在說明)

設置請求頭(urllib.request.Request)

urllib.request.Request是urllib的一個抽象類，用於構造一個http請求對象實例。
request類Request方法常用的內置方法：

Request.add_data(data)設置data參數，如果一開始創建的時候沒有給data參數，那麼可以使用該方法追加data參數；
Request.get_method() 返回HTTP請求方法，一般返回GET或是POST；
Request.has_data() 查看是否設置了data參數；
Request.get_data() 獲取data參數的數據；
Request.add_header(key, val) 添加頭部信息，key爲頭域名，val爲域值；
Request.get_full_url() 獲取請求的完整url；
Request.get_host() 返回請求url的host（主域名）；
Request.set_proxy(host, type) 設置代理，第一個參數是代理ip和端口，第二個參數是代理類型（http/https)。

代碼示例

    # 導入urllib庫
    import urllib.parse
    import urllib.request
    
    # 聲明定義請求頭
    headers = {
        # 在這個頭字典裏面可以將你所有需要傳遞的頭添加進來
        'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/70.0.3538.110 Safari/537.36'
    }
    
    # 向指定的url發送請求，並返回
    post_url = 'https://fanyi.baidu.com/sug'
    # 傳入參數
    form_data = {
        'kw': 'honey'
    }
    # 格式化參數
    form_data = urllib.parse.urlencode(form_data).encode()
    # 創建Request類
    req = urllib.request.Request(url=post_url, headers=headers, data=form_data)
    
    # 進行請求，打印結果
    ret = urllib.request.urlopen(req)
    print(ret.read())

爬蟲示例

爬取拉勾網Python職位招聘信息（由於拉勾網進行了防爬，訪問其接口需要傳遞Cookie，本人直接在瀏覽器複製出來寫入到請求頭中的）。

    # 引入urllib庫
    import urllib.parse
    import urllib.request
    
    # 聲明定義請求頭
    headers = {
        'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/70.0.3538.110 Safari/537.36',
        'Referer': 'https://www.lagou.com/jobs/list_python?labelWords=&fromSearch=true&suginput=',
        'Host': 'www.lagou.com',
        'Origin': 'https://www.lagou.com',
        'X-Requested-With': 'XMLHttpRequest',
        'Cookie': '_ga=GA1.2.1158944803.1554684888; user_trace_token=20190408085447-e8216b55-5998-11e9-8cbc-5254005c3644; LGUID=20190408085447-e8216df3-5998-11e9-8cbc-5254005c3644; JSESSIONID=ABAAABAAAFCAAEG89414A0A463BB593A6FCB8B25161B297; WEBTJ-ID=20190803154150-16c566d76a7a71-0d0261dbc1a413-a7f1a3e-2073600-16c566d76a8664; _gid=GA1.2.646413362.1564818110; Hm_lvt_4233e74dff0ae5bd0a3d81c6ccf756e6=1564818110; LGSID=20190803154149-2746a012-b5c2-11e9-8700-525400f775ce; PRE_UTM=; PRE_HOST=www.baidu.com; PRE_SITE=https%3A%2F%2Fwww.baidu.com%2F; PRE_LAND=https%3A%2F%2Fwww.lagou.com%2F; index_location_city=%E5%85%A8%E5%9B%BD; X_HTTP_TOKEN=7b450c20fc1c8ebb1028184651d95c44e86182119a; Hm_lpvt_4233e74dff0ae5bd0a3d81c6ccf756e6=1564818202; _gat=1; LGRID=20190803154322-5e321a85-b5c2-11e9-8700-525400f775ce; TG-TRACK-CODE=index_search; SEARCH_ID=f2eeeba9273a435281d59597e5b8b7ba',
    }
    # 拉鉤接口地址
    url = 'https://www.lagou.com/jobs/positionAjax.json?needAddtionalResult=false'
    # 接口參數
    data = {
        'first': 'true',
        'pn': '1',
        'kd': 'python'
    }
    from_data = urllib.parse.urlencode(data).encode()
    # 聲明定義Request類
    req = urllib.request.Request(url=url, headers=headers, data=from_data)
    # 請求接口，打印結果
    res = urllib.request.urlopen(req)
    print(res.read().decode())

使用代理(urllib.request.ProxyHandle)

很多網站會員檢測某一時間內某個IP的訪問次數(通過流量統計，系統日誌等)，如果訪問次數多的不像正常人，它就會禁止這個IP訪問。所以我們可以設置一些代理服務器，每隔一段時間換一個代理，就算IP被禁止，依然可以換個IP繼續爬取。

基本原理
代理實際上指的就是代理服務器，它的功能是代理網絡用戶去取得網絡信息。形象地說，它是網絡信息的中轉站。在我們正常請求一個網站時，其實是發送了請求給Web服務器，Web服務器把響應傳回給我們。如果設置了代理服務器，實際上就是在本機和服務器之間搭建了一個橋，此時本機不是直接向Web服務器發起請求，而是向代理服務器發出請求，請求會發送給代理服務器，然後由代理服務器再發送給Web服務器，接着由代理服務器再把Web服務器返回的響應轉發給本機。這樣我們同樣可以正常訪問網頁，但這個過程中Web服務器識別出的真實IP就不再是我們本機的IP了，就成功實現了IP僞裝，這就是代理的基本原理。
作用
- 突破自身IP訪問限制，訪問一些平時不能訪問的站點；
- 提高訪問速度；
- 隱藏真實IP。
常用的代理
- 西刺代理 : https://www.xicidaili.com/
- 快代理 : https://www.kuaidaili.com/
- 雲代理 : http://www.ip3366.net/

用法示例

    # 引入所需要的庫
    import random
    import urllib.request
    
    # 聲明定義代理服務器列表
    proxy_list = [
        {"http": "220.184.144.80:8060"},
        {"http": "180.175.170.210:8060"},
        {"http": "116.226.28.17:8060"},
        {"http": "123.123.137.72:8060"},
        {"http": "116.226.31.161:8060"}
    ]
    # 隨機選擇一個代理
    proxy = random.choice(proxy_list)
    
    # 使用選擇的代理構建代理處理器對象
    http_proxy_handler = urllib.request.ProxyHandler(proxy)
    # 通過 urllib.request.build_opener(),創建自定義opener對象
    opener = urllib.request.build_opener(http_proxy_handler)
    # 創建Request對象
    url = 'http://www.baidu.com/s?ie=UTF-8&wd=ip'
    headers = {
        'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/70.0.3538.110 Safari/537.36'
    }
    req = urllib.request.Request(url=url, headers=headers)
    # 使用opener.open()方法發送請求才使用自定義的代理，而urlopen()則不使用自定義代理
    # 這麼寫，就是將opener應用到全局，之後所有的，不管是opener.open()還是urlopen()發送請求，都將使用自定義代理
    res = opener.open(req)
    print(res.read().decode())

Cookie(urllib.request.HTTPCookieProcessor)

cookie是什麼

在網站中，http請求時無狀態的，也就是說即使第一次和服務器鏈接後並且登陸成功後，第二次請求服務器依然不能知道當前請求是那個用戶，cookie的出現就是爲了解決這個問題，第一次登陸後服務器返回一些數據(cookie)給瀏覽器，然後瀏覽器保存在本地，當該用戶第二次請求的時候，就會自動把上次請求的cookie數據自動的攜帶給服務器，服務器通過瀏覽器攜帶的cookie數據就能判斷當前的用戶是那個了。cookie存儲的數據有限，不同的瀏覽器又不同的存儲大小，但一般不超過4kb，因此使用cookie只能存儲一些小量的數據。(解釋比較簡單，詳細的cookie說明可以看百科介紹)
cookie格式
```
Set－Cookie: NAME=VALUE; Expires=DATE; Domain=DOMAIN_NAME; Path=PATH; SECURE
```
- NAME=VALUE：這是每一個Cookie均必須有的部分。NAME是該Cookie的名稱，VALUE是該Cookie的值。在字符串“NAME=VALUE”中，不含分號、逗號和空格等字符；
- Expires=DATE：Expires變量是一個只寫變量，它確定了Cookie有效終止日期。該變量可省，如果缺省時，則Cookie的屬性值不會保存在用戶的硬盤中，而僅僅保存在內存當中，Cookie文件將隨着瀏覽器的關閉而自動消失；
- Domain=DOMAIN－NAME：Domain該變量是一個只寫變量，它確定了哪些Internet域中的Web服務器可讀取瀏覽器所存取的Cookie，即只有來自這個域的頁面纔可以使用Cookie中的信息。這項設置是可選的，如果缺省時，設置Cookie的屬性值爲該Web服務器的域名；
- Path=PATH：Path屬性定義了Web服務器上哪些路徑下的頁面可獲取服務器設置的Cookie；
- SECURE：在Cookie中標記該變量，表明只有當瀏覽器的通信協議爲加密認證協議時，瀏覽器才向服務器提交相應的Cookie。當前這種協議只有一種，即爲HTTPS。
http.cookiejar

cookielib一般用於客戶端處理HTTP cookie信息，通過它可以從服務器端獲取cookie信息，反過來又可以通過它將獲取到的cookie發送給服務器。cookielib提供了不同的類來自動處理HTTP的cookie信息，使用比較多的類包括了CookieJar、MozillaCookieJar以及Cookie。

代碼使用示例(使用http.cookiejar和urllib.request.HTTPCookieProcessor登陸人人網):


    # 引入所需要的庫
    import http.cookiejar
    import urllib.parse
    import urllib.request
    
    # 真實的模擬瀏覽器，當發送完post請求的時候，將cookie保存到代碼中
    # 創建一個cookiejar對象
    cj = http.cookiejar.CookieJar()
    # 通過cookiejar創建一個handler
    handler = urllib.request.HTTPCookieProcessor(cj)
    # 根據handler創建一個opener
    opener = urllib.request.build_opener(handler)
    # 人人網登陸地址
    post_uel = 'http://www.renren.com/ajaxLogin/login?1=1&uniqueTimestamp=2019621044248'
    form_data = {
        'email': '188****7357',  # 這是人人網賬號
        'icode': '',
        'origURL': 'http://www.renren.com/home',
        'domain': 'renren.com',
        'key_id': '1',
        'captcha_type': 'web_login',
        'password': '01cb55635986f56265d3b55aaddaa79337d094cb56d6cf7724343a93ad586fe7',
        'rkey': 'd5ff51375d8eb17a011cad5622d835fd',
        'f': 'http%3A%2F%2Fwww.renren.com%2F971686685%2Fprofile'
    }
    # 聲明定義header
    headers = {
        'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/70.0.3538.110 Safari/537.36'
    }
    # 創建Request對象,格式化參數
    req = urllib.request.Request(url=post_uel, headers=headers)
    form_data = urllib.parse.urlencode(form_data).encode()
    # 構造訪問
    res = opener.open(req, data=form_data)
    print(res.read().decode())
    print('*' * 50)
    
    # 人人網個人中心地址
    get_url = 'http://www.renren.com/971686685/profile'
    # 創建Request對象
    req1 = urllib.request.Request(url=get_url, headers=headers)
    # 構造訪問(自帶cookie),打印結果
    res1 = opener.open(req1)
    print(res1.read().decode())

cookie信息的保存

    # 引入所需要的庫
    import urllib.request
    from http.cookiejar import MozillaCookieJar
    
    # 聲明cookiejar
    cj = MozillaCookieJar('cookie.txt')
    # 創建handler\opener
    handler = urllib.request.HTTPCookieProcessor(cj)
    opener = urllib.request.build_opener(handler)
    # 聲明定義url,進行訪問
    url = 'http://httpbin.org/cookies/set?wei=weizhihua'
    res = opener.open(url)
    # 保存cookie, ignore_discard 設置爲True,將過期的cookie也進行保存
    # 如果在聲明cookiejar時沒有寫入文件保存地址,則在save()函數中需寫入文件地址參數
    cj.save(ignore_discard=True)

cookie信息的加載

    import urllib.request
    from http.cookiejar import MozillaCookieJar
    
    # 聲明cookiejar
    cj = MozillaCookieJar('cookie.txt')
    # ignore_discard 設置爲True,將過期的cookie也加載出來
    cj.load(ignore_discard=True)
    # 打印內容
    for cookie in cj:
        print(cookie)

其他博文鏈接

Python爬蟲 — urllib基礎用法教程

Python爬蟲 — urllib高級用法教程