urllib库

urllib库
urllib库是Python中一个最基本的网络请求库。可以模拟浏览器的行为，向指定的服务器发送一个请求，并可以保存服务器返回的数据。
在Python3的urllib库中，所有和网络请求相关的方法，都被集到urllib.request模块下了
urlopen函数：
urllib.request.urlopen(url, data=None, [timeout, ], cafile=None, capath=None, cadefault=False, context=None)
返回值：返回值是一个http.client.HTTPResponse对象，这个对象是一个类文件句柄对象。有read(size)、readline、readlines以及getcode等方法。
url：目标资源在网路中的位置。可以是一个表示URL的字符串；也可以是一个urllib.request对象
data：data用来指明发往服务器请求中的额外的信息（如：在线翻译，在线答题等提交的内容）。HTTP是python中实现的众多网络通信http、https、ftp等协议中，唯一一个 使用data 参数的，也就是说只有打开的是http网址的时候，自定义data参数才会有作用。另外，官方API手册介绍指出：
1. data必须是一个字节数据对象（Python的bytes object）
2. data必须符合标准the standard application/x-www-form-urlencoded format，怎么得到这种标准结构的data呢？使用urllib.parse.urlencode()将自定义的data转换成标准格式，而这个函数所能接收的参数类型是pyhon中的mapping object（键/值对，如dict） or a sequence of two-element tuples（元素是tuple的列表）。
3. data也可以是一个可迭代的对象，这种情况下就需要配置response对象中的Conten-length，指明data的大小。
4. data默认是None，此时以GET方式发送请求；当用户给出data参数的时候，改为POST方式发送请求。
cafile、capath、cadefault 参数：用于实现可信任的CA证书的HTTP请求。（基本上很少用）
context参数：实现SSL加密传输。（基本上很少用）

from urllib import request
resp = request.urlopen(‘http://www.baidu.com‘) .read()
print(resp)

urlretrieve函数：
这个函数可以方便的将网页上的一个文件保存到本地。以下代码可以非常方便的将百度的首页下载到本地：
urlretrieve(url, filename=None, reporthook=None, data=None)
url：外部或者本地url
filename：指定了保存到本地的路径（如果未指定该参数，urllib会生成一个临时文件来保存数据）；
reporthook：是一个回调函数，当连接上服务器、以及相应的数据块传输完毕的时候会触发该回调。我们可以利用这个回调函数来显示当前的下载进度。
data：指post到服务器的数据。该方法返回一个包含两个元素的元组(filename, headers)，filename表示保存到本地的路径，header表示服务器的响应头。

urlopen返回 一个类文件对象，它提供了如下方法：
read() , readline() , readlines() , fileno() , close() ：这些方法的使用方式与文件对象完全一样;
info()：返回一个httplib.HTTPMessage 对象，表示远程服务器返回的头信息
getcode()：返回Http状态码。如果是http请求，200表示请求成功完成;404表示网址未找到；
geturl()：返回请求的url；

from urllib import request
request.urlretrieve(‘http://www.baidu.com/','baidu.html‘)

urlencode函数：
用浏览器发送请求的时候，如果url中包含了中文或者其他特殊字符，那么浏览器会自动的给我们进行编码。而如果使用代码发送请求，那么就必须手动的进行编码，这时候就应该使用urlencode函数来实现。urlencode可以把字典数据转换为URL编码的数据。示例代码如下：

from urllib import parse
data = {‘name’:’爬虫基础’,’greet’:’hello world’,’age’:100}
qs = parse.urlencode(data)
print(qs)

parse_qs函数：
urllib.parse.parse_qs 返回字典
urllib.parse.parse_qsl 返回列表

可以将经过编码后的url参数进行解码。示例代码如下：

from urllib import parse
qs = “name=%E7%88%AC%E8%99%AB%E5%9F%BA%E7%A1%80&greet=hello+world&age=100”
print(parse.parse_qs(qs))

urlparse和urlsplit：
有时候拿到一个url，想要对这个url中的各个组成部分进行分割，那么这时候就可以使用urlparse或者是urlsplit来进行分割。示例代码如下：

from urllib import request,parse
url = ‘http://www.baidu.com/s?username=zhiliao‘
result = parse.urlsplit(url)
# result = parse.urlparse(url)
print(‘scheme:’,result.scheme)
print(‘netloc:’,result.netloc)
print(‘path:’,result.path)
print(‘query:’,result.query)
urlparse和urlsplit基本上是一模一样的。唯一不一样的地方是，urlparse里面多了一个params属性，而urlsplit没有这个params属性。比如有一个url为：url = ‘http://www.baidu.com/s;hello?wd=python&username=abc#1'，
那么urlparse可以获取到hello，而urlsplit不可以获取到。url中的params也用得比较少。

*request.Request类：
如果想要在请求的时候增加一些请求头，那么就必须使用request.Request类来实现。比如要增加一个User-Agent，示例代码如下：

from urllib import request
headers = {
‘User-Agent’: ‘Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/62.0.3202.94 Safari/537.36’
}
req = request.Request(“http://www.baidu.com/",headers=headers)
resp = request.urlopen(req)
print(resp.read())

user-agent:
将爬虫伪装成浏览器向服务器发送请求
cookie：
账户信息，用于登录

都保存在请求头headers里面

ProxyHandler处理器（代理设置）
很多网站会检测某一段时间某个IP的访问次数(通过流量统计，系统日志等)，如果访问次数多的不像正常人，它会禁止这个IP的访问。
所以我们可以设置一些代理服务器，每隔一段时间换一个代理，就算IP被禁止，依然可以换个IP继续爬取。
urllib中通过ProxyHandler来设置使用代理服务器，下面代码说明如何使用自定义opener来使用代理：

from urllib import request
# 这个是没有使用代理的
# resp = request.urlopen(‘http://httpbin.org/get‘)
# print(resp.read().decode(“utf-8”))

# 这个是使用了代理的
handler = request.ProxyHandler({“http”:”218.66.161.88:31769”})
opener = request.build_opener(handler)
req = request.Request(“http://httpbin.org/ip“)
resp = opener.open(req)
print(resp.read())