Python爬蟲中urllib3與urllib的區別有哪些

這篇文章主要介紹“Python爬蟲中urllib3與urllib的區別有哪些”，在日常操作中，相信很多人在Python爬蟲中urllib3與urllib的區別有哪些問題上存在疑惑，小編查閱了各式資料，整理出簡單好用的操作方法，希望對大家解答”Python爬蟲中urllib3與urllib的區別有哪些”的疑惑有所幫助！接下來，請跟著小編一起來學習吧！

urllib庫

urllib 是一個用來處理網絡請求的python標準庫，它包含4個模塊。

• urllib.request---請求模塊，用于發起網絡請求

• urllib.parse---解析模塊，用于解析URL

• urllib.error---異常處理模塊，用于處理request引起的異常

• urllib.robotparser robots.tx---用于解析robots.txt文件

urllib.request模塊

request模塊主要負責構造和發起網絡請求，并在其中添加Headers，Proxy等。 利用它可以模擬瀏覽器的請求發起過程。

• 發起網絡請求

• 操作cookie

• 添加Headers

• 使用代理

關于urllib.request.urlopen參數的介紹

urllib.request.urlopen(url, data=None, [timeout, ]*, cafile=None, capath=None, cadefault=False, context=None)

urlopen是一個簡單發送網絡請求的方法。它接收一個字符串格式的url，它會向傳入的url發送網絡請求，然后返回結果。

先寫一個簡單的例子:

from urllib import request
response = request.urlopen(url="http://www.httpbin.org/get")
print(response.read().decode())

urlopen默認會發送get請求，當傳入data參數時，則會發起POST請求。data參數是字節類型、者類文件對象或可迭代對象。

from urllib import request
response = request.urlopen(url="http://www.httpbin.org/post",
                           data=b"username=q123&password=123")
print(response.read().decode())

還才可以設置超時，如果請求超過設置時間，則拋出異常。timeout沒有指定則用系統默認設置，timeout只對，http，https以及ftp連接起作用。它以秒為單位，比如可以設置timeout=0.1 超時時間為0.1秒。

from urllib import request
response = request.urlopen(url="https://www.baidu.com/",timeout=0.1)

Request對象

利用openurl可以發起最基本的請求，但這幾個簡單的參數不足以構建一個完整的請求，可以利用更強大的Request對象來構建更加完整的請求。

1 . 請求頭添加

通過urllib發送的請求會有一個默認的Headers: “User-Agent”:“Python-urllib/3.6”，指明請求是由urllib發送的。所以遇到一些驗證User-Agent的網站時，需要我們自定義Headers把自己偽裝起來。

from urllib import request
headers ={
    "Referer": "https://www.baidu.com/s?ie=utf-8&f=3&rsv_bp=1&tn=baidu&wd=python%20urllib%E5%BA%93&oq=python%2520urllib%25E5%25BA%2593&rsv_pq=947af0af001c94d0&rsv_t=66135egC273yN5Uj589q%2FvA844PvH9087sbPe9ZJsjA8JA10Z2b3%2BtWMpwo&rqlang=cn&rsv_enter=0&prefixsug=python%2520urllib%25E5%25BA%2593&rsp=0",
     "User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/72.0.3626.121 Safari/537.36"
}
response = request.Request(url="https://www.baidu.com/",headers=headers)
response = request.urlopen(response)
print(response.read().decode())

2. 操作cookie

在開發爬蟲過程中，對cookie的處理非常重要，urllib的cookie的處理如下案例

from urllib import request
from http import cookiejar
# 創建一個cookie對象
cookie = cookiejar.CookieJar()

# 創一個cookie處理器
cookies = request.HTTPCookieProcessor(cookie)

# 以它為參數，創建opener對象
opener = request.build_opener(cookies)
# 使用這個opener 來發請求
res =opener.open("https://www.baidu.com/")

print(cookies.cookiejar)

3. 設置代理

運行爬蟲的時候，經常會出現被封IP的情況，這時我們就需要使用ip代理來處理，urllib的IP代理的設置如下：

from urllib import request
url ="http://httpbin.org/ip"

#代理地址
proxy ={"http":"172.0.0.1:3128"}

# 代理處理器
proxies =request.ProxyBasicAuthHandler(proxy)

# 創建opener對象
opener = request.build_opener(proxies)

res =opener.open(url)
print(res.read().decode())

urlib庫中的類或或者方法，在發送網絡請求后，都會返回一個urllib.response的對象。它包含了請求回來的數據結果。它包含了一些屬性和方法，供我們處理返回的結果

• read() 獲取響應返回的數據，只能用一次

• readline() 讀取一行

• info() 獲取響應頭信息

• geturl() 獲取訪問的url

• getcode() 返回狀態碼

urllib.parse模塊

parse.urlencode() 在發送請求的時候，往往會需要傳遞很多的參數，如果用字符串方法去拼接會比較麻煩，parse.urlencode()方法就是用來拼接url參數的。

from urllib import parse
params = {"wd":"測試", "code":1, "height":188}
res = parse.urlencode(params)
print(res)

打印結果為wd=%E6%B5%8B%E8%AF%95&code=1&height=188

也可以通過parse.parse_qs()方法將它轉回字典

print(parse.parse_qs("wd=%E6%B5%8B%E8%AF%95&code=1&height=188"))

urllib.error模塊

error模塊主要負責處理異常，如果請求出現錯誤，我們可以用error模塊進行處理 主要包含URLError和HTTPError

URLError：是error異常模塊的基類，由request模塊產生的異常都可以用這個類來處理

HTTPError：是URLError的子類，主要包含三個屬性

• Code:請求的狀態碼

• reason：錯誤的原因

• headers：響應的報頭

from urllib import request,error
try:
    response = request.urlopen("http://pythonsite.com/1111.html")
except error.HTTPError as e:
    print(e.reason)
    print(e.code)
    print(e.headers)
except error.URLError as e:
    print(e.reason)

else:
    print("reqeust successfully")

urllib.robotparse模塊 

robotparse模塊主要負責處理爬蟲協議文件，robots.txt.的解析。

Robots協議（也稱為爬蟲協議、機器人協議等）的全稱是“網絡爬蟲排除標準”（Robots Exclusion Protocol），網站通過Robots協議告訴搜索引擎哪些頁面可以抓取，哪些頁面不能抓取

網絡庫urllib3

urllib3是比urllib庫更強大的存在，目前已經有許多的原生系統已經開始使用urllib3。

urllib3具有如下優點：

• 支持HTTP和SOCKS代理

• 支持壓縮編碼

• 100%測試覆蓋率

• 具有鏈接池

• 線程安全

• 客戶端SLL/TLS驗證

• 協助處理重復請求和HTTP重定位

• 使用multipart編碼上傳文件

因為urllib3并不是Python的標準庫，所以我們使用之前，需要進行下載安裝，具體命令如下所示：

pip install urllib3
#或
conda install urllib3

下面，我們來講解urllib3庫的使用方式。

網絡請求

GET請求

首先，在我們使用urllib3庫進行網絡請求時，需創建PoolManager類的實例，該類用于管理線程池。

下面，我們來通過urllib訪問百度，并返回查詢的結果，示例如下：

import urllib3

http = urllib3.PoolManager()
url = "http://www.baidu.com/s"
headers = {
    "User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/91.0.4472.124 Safari/537.36"
}
response = http.request("GET", url, fields={"wd": "機器學習"}, headers=headers)
result = response.data.decode("UTF-8")
print(result)

運行之后，效果如下：

這里，我們通過fields參數指定GET的請求字段。不過，這里先一步講解了請求頭，其實是百度有安全機制，讀者可以去掉headers參數試試。會返回百度的安全驗證頁面。

POST請求

如果需要向服務器提交表單或者比較復雜的數據，就需要使用到POST請求。POST請求比較簡單，僅僅只是將請求的第一個參數改為“POST”即可。

示例如下：

import urllib3

http = urllib3.PoolManager()
url = "http://httpbin.org/post"
headers = {
    "User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/91.0.4472.124 Safari/537.36"
}
response = http.request("POST", url, fields={"username": "name", "age": "123456"}, headers=headers)
result = response.data.decode("UTF-8")
print(result)

運行之后，返回如下數據：

HTTP響應頭

使用urllib3庫進行網絡訪問時，其返回的HTTPResponse。默認有一些攜帶的參數，其中就包括info方法。它能返回響應頭數據，示例如下：

import urllib3

http = urllib3.PoolManager()
url = "http://www.baidu.com/s"
headers = {
    "User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/91.0.4472.124 Safari/537.36"
}
response = http.request("POST", url, fields={"wd": "機器學習"}, headers=headers)
for key in response.info().keys():
    print("key:",response.info()[key])

運行之后，返回的響應數據如下：

上傳文件

首先，我們需要簡單的實現一個文件上傳的服務器代碼，這里我們使用Flask搭建一個簡單的服務器Python程序，代碼如下：

import flask
import os

UPLOAD_FILE = "uploads"
app = flask.Flask(__name__)
@app.route("/", methods=["POST"])
def upload_file():
    file = flask.request.files["file"]
    if file:
        file.save(os.path.join(UPLOAD_FILE, os.path.basename(file.filename)))
        return "文件上傳成功"
    else:
        return "文件上傳失敗"

if __name__ == "__main__":
    app.run()

運行之后，它會一直等待客戶端上傳文件。

這個時候，我們再來實現urllib3是如何上傳文件的，示例如下：

import urllib3

http = urllib3.PoolManager()
with open("1.jpg", "rb") as f:
    fileData = f.read()
url = "http://127.0.0.1:5000"
response = http.request("POST", url, fields={"file": ("1.jpg", fileData, "image/jpeg")})
print(response.data.decode("UTF-8"))

默認flask搭建的服務器，其接口為5000，也就是通過127.0.0.1:5000進行訪問。運行之后，就會在uploads文件夾下創建一個1.jpg的圖片。

同時，控制臺會輸出文件上傳成功，而服務器會返回狀態碼200。

這里，上傳文件就1一個鍵值對，其中file代表服務器上傳文件的字段。值的元組里，fileData為文件的二進制形式，"image/jpeg"代表上傳文件的格式（可以省略）。

超時處理

urllib3庫其HTTP的底層都是基于Socket實現的，而Socket超時又分為連接超時與讀超時。

其中，連接超時表示在連接的過程中，由于服務器的問題或域名弄錯了，而導致的無法連接的情況拋出的異常。

讀超時表示從服務器讀取數據時由于服務器的問題，導致長時間無法正常讀取數據而導致的異常。

通常，我們超時的設置有2種，一種是通過http.request(timeout)進行設置，一種是通過PoolManager()連接池進行設置。示例如下：

from urllib3 import *

http = PoolManager(timeout=Timeout(connect=2.0, read=2.0))
with open("1.jpg", "rb") as f:
    fileData = f.read()
url = "http://127.0.0.1:5000"
try:
    response = http.request("POST", url, timeout=Timeout(connect=2.0, read=4.0))
    print(response.data.decode("UTF-8"))
except Exception as e:
    print(e)

需要注意的是，通過連接池PoolManager進行設置的超時，是全局超時時間，哪怕你后邊的請求不設置，也是默認使用的這個超時。如果同時設置了request的超時，那么以request為準。

到此，關于“Python爬蟲中urllib3與urllib的區別有哪些”的學習就結束了，希望能夠解決大家的疑惑。理論與實踐的搭配能更好的幫助大家學習，快去試試吧！若想繼續學習更多相關知識，請繼續關注億速云網站，小編會繼續努力為大家帶來更多實用的文章！