綜述

本系列文檔用于對Python爬蟲技術(shù)進行簡單的講解記錄牵署，鞏固自己技術(shù)知識的同時，萬一一不小心又正好對你有用那就更好了循帐。
Python 版本是3.7.4

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

網(wǎng)上有很多的網(wǎng)站想要請求需要設(shè)置一些請求頭辙诞，如果要在請求的時候增加一些請求頭，那么就必須使用request.Request類來實現(xiàn)了量淌，比如要增加一個 User-Agent 骗村，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：

1. 動態(tài)設(shè)置請求頭headers(User-Agent)（隨機切換User-Agent呀枢，模擬不同用戶的瀏覽器信息）
2. 使用IP地址池：VPN和代理IP胚股，現(xiàn)在大部分網(wǎng)站都是根據(jù)IP來ban的
3. Cookies
4. 設(shè)置延遲下載（防止訪問過于頻繁，設(shè)置為2秒或更高）要明白爬蟲重要的是拿到數(shù)據(jù)(這個用到time庫的time.sleep()方法裙秋，在這里不在說明)

設(shè)置請求頭(urllib.request.Request)

urllib.request.Request是urllib的一個抽象類琅拌，用于構(gòu)造一個http請求對象實例。
request類Request方法常用的內(nèi)置方法：

• Request.add_data(data)設(shè)置data參數(shù)摘刑，如果一開始創(chuàng)建的時候沒有給data參數(shù)进宝，那么可以使用該方法追加data參數(shù)；
• Request.get_method() 返回HTTP請求方法枷恕，一般返回GET或是POST党晋；
• Request.has_data() 查看是否設(shè)置了data參數(shù)；
• Request.get_data() 獲取data參數(shù)的數(shù)據(jù)；
• Request.add_header(key, val) 添加頭部信息未玻，key為頭域名灾而，val為域值；
• Request.get_full_url() 獲取請求的完整url扳剿；
• Request.get_host() 返回請求url的host（主域名）旁趟；
• Request.set_proxy(host, type) 設(shè)置代理，第一個參數(shù)是代理ip和端口庇绽，第二個參數(shù)是代理類型（http/https)锡搜。

1. 代碼示例

    # 導入urllib庫
    import urllib.parse
    import urllib.request
    
    # 聲明定義請求頭
    headers = {
        # 在這個頭字典里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(fā)送請求，并返回
    post_url = 'https://fanyi.baidu.com/sug'
    # 傳入?yún)?shù)
    form_data = {
        'kw': 'honey'
    }
    # 格式化參數(shù)
    form_data = urllib.parse.urlencode(form_data).encode()
    # 創(chuàng)建Request類
    req = urllib.request.Request(url=post_url, headers=headers, data=form_data)
    
    # 進行請求瞧掺，打印結(jié)果
    ret = urllib.request.urlopen(req)
    print(ret.read())

2. 爬蟲示例

爬取拉勾網(wǎng)Python職位招聘信息（由于拉勾網(wǎng)進行了防爬耕餐，訪問其接口需要傳遞Cookie，本人直接在瀏覽器復制出來寫入到請求頭中的）夸盟。

    # 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(shù)
    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)
    # 請求接口蛾方，打印結(jié)果
    res = urllib.request.urlopen(req)
    print(res.read().decode())

使用代理(urllib.request.ProxyHandle)

很多網(wǎng)站會員檢測某一時間內(nèi)某個IP的訪問次數(shù)(通過流量統(tǒng)計像捶，系統(tǒng)日志等)上陕，如果訪問次數(shù)多的不像正常人，它就會禁止這個IP訪問拓春。所以我們可以設(shè)置一些代理服務(wù)器释簿，每隔一段時間換一個代理，就算IP被禁止硼莽，依然可以換個IP繼續(xù)爬取庶溶。

1. 基本原理
   代理實際上指的就是代理服務(wù)器，它的功能是代理網(wǎng)絡(luò)用戶去取得網(wǎng)絡(luò)信息懂鸵。形象地說偏螺，它是網(wǎng)絡(luò)信息的中轉(zhuǎn)站。在我們正常請求一個網(wǎng)站時匆光，其實是發(fā)送了請求給Web服務(wù)器套像，Web服務(wù)器把響應(yīng)傳回給我們。如果設(shè)置了代理服務(wù)器终息，實際上就是在本機和服務(wù)器之間搭建了一個橋夺巩，此時本機不是直接向Web服務(wù)器發(fā)起請求，而是向代理服務(wù)器發(fā)出請求周崭，請求會發(fā)送給代理服務(wù)器柳譬，然后由代理服務(wù)器再發(fā)送給Web服務(wù)器，接著由代理服務(wù)器再把Web服務(wù)器返回的響應(yīng)轉(zhuǎn)發(fā)給本機续镇。這樣我們同樣可以正常訪問網(wǎng)頁美澳，但這個過程中Web服務(wù)器識別出的真實IP就不再是我們本機的IP了，就成功實現(xiàn)了IP偽裝，這就是代理的基本原理制跟。

2. 作用

   • 突破自身IP訪問限制柴墩，訪問一些平時不能訪問的站點；
   • 提高訪問速度凫岖；
   • 隱藏真實IP江咳。

3. 常用的代理

   • 西刺代理 : https://www.xicidaili.com/
   • 快代理 : https://www.kuaidaili.com/
   • 云代理 : http://www.ip3366.net/

4. 用法示例

       # 引入所需要的庫
       import random
       import urllib.request
       
       # 聲明定義代理服務(wù)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(gòu)建代理處理器對象
       http_proxy_handler = urllib.request.ProxyHandler(proxy)
       # 通過 urllib.request.build_opener(),創(chuàng)建自定義opener對象
       opener = urllib.request.build_opener(http_proxy_handler)
       # 創(chuàng)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(fā)送請求才使用自定義的代理，而urlopen()則不使用自定義代理
       # 這么寫哥放，就是將opener應(yīng)用到全局歼指，之后所有的，不管是opener.open()還是urlopen()發(fā)送請求甥雕，都將使用自定義代理
       res = opener.open(req)
       print(res.read().decode())
   

Cookie(urllib.request.HTTPCookieProcessor)

1. cookie是什么
   
   在網(wǎng)站中踩身，http請求時無狀態(tài)的，也就是說即使第一次和服務(wù)器鏈接后并且登陸成功后社露，第二次請求服務(wù)器依然不能知道當前請求是那個用戶挟阻，cookie的出現(xiàn)就是為了解決這個問題，第一次登陸后服務(wù)器返回一些數(shù)據(jù)(cookie)給瀏覽器峭弟，然后瀏覽器保存在本地附鸽，當該用戶第二次請求的時候，就會自動把上次請求的cookie數(shù)據(jù)自動的攜帶給服務(wù)器瞒瘸，服務(wù)器通過瀏覽器攜帶的cookie數(shù)據(jù)就能判斷當前的用戶是那個了坷备。cookie存儲的數(shù)據(jù)有限，不同的瀏覽器又不同的存儲大小情臭，但一般不超過4kb省撑，因此使用cookie只能存儲一些小量的數(shù)據(jù)。(解釋比較簡單俯在，詳細的cookie說明可以看百科介紹)

2. cookie格式

   Set－Cookie: NAME=VALUE; Expires=DATE; Domain=DOMAIN_NAME; Path=PATH; SECURE
   

   • NAME=VALUE：這是每一個Cookie均必須有的部分竟秫。NAME是該Cookie的名稱，VALUE是該Cookie的值跷乐。在字符串“NAME=VALUE”中肥败，不含分號、逗號和空格等字符劈猿；
   • Expires=DATE：Expires變量是一個只寫變量拙吉，它確定了Cookie有效終止日期。該變量可省揪荣，如果缺省時筷黔，則Cookie的屬性值不會保存在用戶的硬盤中，而僅僅保存在內(nèi)存當中仗颈，Cookie文件將隨著瀏覽器的關(guān)閉而自動消失佛舱；
   • Domain=DOMAIN－NAME：Domain該變量是一個只寫變量椎例，它確定了哪些Internet域中的Web服務(wù)器可讀取瀏覽器所存取的Cookie，即只有來自這個域的頁面才可以使用Cookie中的信息请祖。這項設(shè)置是可選的订歪，如果缺省時，設(shè)置Cookie的屬性值為該Web服務(wù)器的域名肆捕；
   • Path=PATH：Path屬性定義了Web服務(wù)器上哪些路徑下的頁面可獲取服務(wù)器設(shè)置的Cookie刷晋；
   • SECURE：在Cookie中標記該變量，表明只有當瀏覽器的通信協(xié)議為加密認證協(xié)議時慎陵，瀏覽器才向服務(wù)器提交相應(yīng)的Cookie眼虱。當前這種協(xié)議只有一種，即為HTTPS席纽。

3. http.cookiejar
   
   cookielib一般用于客戶端處理HTTP cookie信息捏悬，通過它可以從服務(wù)器端獲取cookie信息，反過來又可以通過它將獲取到的cookie發(fā)送給服務(wù)器润梯。cookielib提供了不同的類來自動處理HTTP的cookie信息过牙，使用比較多的類包括了CookieJar、MozillaCookieJar以及Cookie纺铭。

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

    # 引入所需要的庫
    import http.cookiejar
    import urllib.parse
    import urllib.request
    
    # 真實的模擬瀏覽器寇钉，當發(fā)送完post請求的時候，將cookie保存到代碼中
    # 創(chuàng)建一個cookiejar對象
    cj = http.cookiejar.CookieJar()
    # 通過cookiejar創(chuàng)建一個handler
    handler = urllib.request.HTTPCookieProcessor(cj)
    # 根據(jù)handler創(chuàng)建一個opener
    opener = urllib.request.build_opener(handler)
    # 人人網(wǎng)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(wǎng)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(chuàng)建Request對象,格式化參數(shù)
    req = urllib.request.Request(url=post_uel, headers=headers)
    form_data = urllib.parse.urlencode(form_data).encode()
    # 構(gòu)造訪問
    res = opener.open(req, data=form_data)
    print(res.read().decode())
    print('*' * 50)
    
    # 人人網(wǎng)個人中心地址
    get_url = 'http://www.renren.com/971686685/profile'
    # 創(chuàng)建Request對象
    req1 = urllib.request.Request(url=get_url, headers=headers)
    # 構(gòu)造訪問(自帶cookie),打印結(jié)果
    res1 = opener.open(req1)
    print(res1.read().decode())

4. 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(chuàng)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(shè)置為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(shù)中需寫入文件地址參數(shù)
    cj.save(ignore_discard=True)

5. cookie信息的加載

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

其他博文鏈接

• Python爬蟲教程1.1 — urllib基礎(chǔ)用法教程