爬蟲-urllib3模塊的使用

urllib3是一個功能強大，對SAP健全的 HTTP客戶端，許多Python生態系統已經使用了urllib3。

一、安裝

sudo pips install urllib3

二、創建PoolManager對象

　　通過urllib3訪問網頁，首先需要構造一個PoolManager實例對象用於處理與線程池的連接以及線程安全的所有細節，然後通過request（）方法來發送請求

  • import urllib3

#創建PoolManager對象，用於處理與線程池的連接以及線程安全的所有細節
http = urllib3.PoolManager()

#對需要爬取的網頁發送請求
resp = http.request(method,url,...)

    method和url兩個參數必選，並且method需要大寫

三、基本GET請求（headers參數和fields參數）

  • 最基本的GET請求

    import urllib3

#創建PoolManager對象，用於處理與線程池的連接以及線程安全的所有細節
http = urllib3.PoolManager()

#對需要爬取的網頁發送請求
resp = http.request('GET','//www.baidu.com/')

print(resp.data.decode())#響應數據
print(resp.headers)#響應頭信息
print(resp.status)#狀態碼
resp.release_conn()#釋放這個http連接

  • 添加headers和查詢參數

　　　可以傳入headers參數(dict類型)來增加請求頭中的headers信息。可以利用fields參數傳遞查詢參數(dict類型)，並且url後面的’?『一定不能帶上

  • import urllib3

http = urllib3.PoolManager()

kw = {"wd":"長城"}
headers = {"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/54.0.2840.99 Safari/537.36"}
resp = proxy.request('GET','//www.baidu.com/s',fields=kw,headers = headers)
print(resp.data.decode())

四、基本POST請求（fields參數）

  • 最基本的POST請求需要傳入fields參數(dict類型)，urllib3會自動將其轉換成表單數據類型

    import urllib3

http = urllib3.PoolManager()

#需要提交的數據
data = {'word':'hello'}
headers = {"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/54.0.2840.99 Safari/537.36"}
response = http.request('POST','//httpbin.org/post',fields = data,headers = headers)
print(response.data.decode())

  • url中攜帶查詢參數

    • 需要先通過urlencode()編碼，然後附加在url後面，這和GET方式有所不同（示例略）

  • 傳遞json數據（body參數）

    • 利用body參數進行傳遞，但是數據需要先序列化成json字符串，然後headers中需要設置’Content-Type’:’application/json’
  • import urllib3
import json

http = urllib3.PoolManager()
url = '//openapi.vmall.com/mcp/offlineshop/getShopList'
data = {
"portal":2,"lang":"zh-CN","country":"CN","brand":1,"province":"山西","city":"太原","pageNo":1,"pageSize":20
}

# 將字典類型數據序列化成json字符串
json_data = json.dumps(data)

#headers中設置Conten-Type為application/json
headers = {
    'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_15_4) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/80.0.3987.163 Safari/537.36',
    'Content-Type':'application/json'
}
resp = http.request('POST',url,body = json_data,headers = headers)
print(resp.data.decode())

    注意：body參數和fields參數不能同時使用

五、文件上傳

  • 普通文件上傳

    • 使用multipart/form-data編碼方式上傳文件,可以使用和傳入Form data數據一樣的方法進行,並將文件定義為一個二元元組（文件名，數據）或三元元組（文件名，數據，MIME類型），文件名的定義雖然不是嚴格要求的,但是推薦使用,以使得表現得更像瀏覽器 
      import urllib3

http = urllib3.PoolManager()

#打開文件test.txt
with open('test.txt','r') as f:
    file_data = f.read()

headers = {"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/54.0.2840.99 Safari/537.36"}

#三元元組的方式傳入
resp = http.request('POST','//httpbin.org/post',fields={'filefield':('test.txt',file_data,'text/plain')},headers=headers)
#二元元組的方式傳入
#resp = http.request('POST','//httpbin.org/post',fields={'filefield':('test.txt',file_data)},headers=headers)
print(resp.data.decode('unicode_escape'))

  • 二進制文件上傳

    • 原始二進制數據，只要將其定義為body參數即可。同時，建議對header的Content-Type參數進行設置 
      import urllib3

http = urllib3.PoolManager()

with open('test.jpg','rb') as f:
    binary_data = f.read()
headers = {"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/54.0.2840.99 Safari/537.36",'Content-Type':'image/jpeg'}
resp = http.request('POST','//httpbin.org/post',body = binary_data,headers = headers)
print(resp.data.decode())

六、超時設置

  • 使用timeout，可以控制請求的總超時時間（連接超時和讀取超時時間總和），timeout參數為一個浮點數：

    resp = http.request('GET','//httpbin.org/delay/3',timeout = 4.0)

  • 也可以分別設置總超時、連接超時和讀取超時時間，這時候需要使用Timeout（）實例，裏面有3個關鍵字參數total，connect和read：

    #設置總超時時間為3.0秒，連接超時不超過1.5秒，讀取超時不超過2.0秒
resp = http.request('GET','//httpbin.org/delay/3',timeout = urllib3.Timeout(total=3.0,connect=1.5,read=2.0))

  • 如果想讓所有的request都遵循一個timeout，可以將timeout參數定義在PoolManager中，當在具體的request中再次定義timeout時，會覆蓋PoolManager層面上的timeout。

    http = urllib3.PoolManager(timeout = urllib3.Timeout(total=3.0,connect=1.5,read=2.0))

#http = urllib3.PoolManager(timeout = 4.0)

七、重試（retries參數）以及重定向（redirect參數）設置

  • urllib3默認進行3次請求重試，3次重定向

  • 通過retries來自定義請求重試次數

    #設置請求重試次數10次
resp = http.request('GET','//httpbin.org/ip',retries = 10)

  • 將參數retries設為False，請求重試和重定向會同時關閉

    #同時關閉請求重試和重定向
resp = http.request('GET','//httpbin.org/redirect/1',retries = False)

  • 將參數redirect設為False，僅關閉重定向，保持請求重試

    #僅關閉重定向
resp = http.request('GET','//httpbin.org/redirect/1',redirect = False)

  • 通過Retry（）實例可以精細控制重試和重定向次數，該實例默認總重試次數為10次，比如我們設置3次重試，2次重定向

    resp = http.request('GET','//httpbin.org/redirect/3',retries = urllib3.Retry(3,redirect = 2))

  • 如果想讓所有的request都遵循一個請求重試和重定向策略，可以在PoolManager中定義retries參數，當在具體的request中再次定義retries時，會覆蓋 PoolManager層面上的retries。

    http = urllib3.PoolManager(retries = urllib3.Retry(3,redirect=2))
#http = urllib3.PoolManager(retries = False)

八、ProxyManager（代理IP）

  • 如果你需要使用代理來訪問某個網站的話, 那麼你可以使用 ProxyManager 對象來進行設置
  • ProxyManager和PoolManager的方法基本完全相同，這裡舉個簡單的小例子 
    import urllib3

#創建ProxyManager對象
proxy_http = urllib3.ProxyManager('//175.42.122.96:9999')

headers = {"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/54.0.2840.99 Safari/537.36"}

#利用代理對需要爬取的網頁發送請求
resp = proxy_http.request('GET','//www.baidu.com/',headers=headers)

print(resp.data.decode())#響應數據
print(resp.headers)#響應頭信息
print(resp.status)#狀態碼
resp.release_conn()#釋放這個http連接

九、SSL證書驗證

  • urllib3默認不驗證HTTPS請求，如果想開啟驗證，最可靠的方法是使用提供Mozilla根證書包的certifi包

    sudo pip3 install certifi

  • 獲得證書後，可以在PoolManager中定義cert_reqs參數和ca_certs參數，來自動處理證書驗證

    import urllib3
import certici

#開啟ssl證書自動驗證
http = urllib3.PoolManager(cert_reqs='CERT_REQUIRED',ca_certs=certifi.where())

headers = {"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/54.0.2840.99 Safari/537.36"}
resp = http.request('GET','//www.baidu.com/',headers=headers)

print(resp.data.decode())

  • 如果需要，可以使用OS提供的證書。只需指定證書包的完整路徑作為ca_certs參數而不是 certifi.where()。例如，大多數Linux系統都存儲證書/etc/ssl/certs/ca-certificates.crt。

    import urllib3
import certifi

http = urllib3.PoolManager(cert_reqs='CERT_REQUIRED',ca_certs='/etc/ssl/certs/ca-certificates.crt')

     

Tags:

VirMach 便宜 VPS

QNews

QNews