Python爬虫这么久了，它们三兄弟终于搞清楚了（干货）
Python爬虫这么久了，它们三兄弟终于搞清楚了（干货）
urllib，urllib2和 urllib3的区别
01/11
周五 晴
在可供使用的网络库中，urllib和urllib2可能是投入产出比最高的两个，是Python中操作url的官方标准库。它们让你能够通过网络访问文件，就像这些文件位于你的计算机中一样。只需一个简单的函数调用，就几乎可将统一资源定位符（URL）可指向的任何动作作为程序的输入。结合re模块使用将发挥强大威力！
一、urllib
urllib作为Python的标准库，基本上涵盖了基础的网络请求功能。
1.urllib.request
urllib中，request这个模块主要负责构造和发起网络请求，并在其中加入Headers、Proxy等。
(1)发起GET请求
主要使用urlopen()方法来发起请求：
from urllib import request
resp =request.urlopen('http://www.baidu.com')
print(resp.read().decode())在urlopen()方法中传入字符串格式的url地址，则此方法会访问目标网址，然后返回访问的结果。返回的结果会是一个http.client.HTTPResponse对象，使用此对象的read()方法可以获取访问网页获得的数据。但是要注意的是，获得的数据会是bytes的二进制格式，所以需要decode()一下，转换成字符串格式。
使用带参数的GET方法取回URL:
>>> import urllib
>>> params =urllib.urlencode({'spam': 1, 'eggs': 2, 'bacon': 0})
>>> f =urllib.urlopen("http://www.musi-cal.com/cgi-bin/query?%s" % params)
>>> print f.read()(2)发起POST请求
urlopen()默认的访问方式是GET，当在urlopen()方法中传入data参数时，则会发起POST请求。注意：传递的data数据需要为bytes格式。timeout参数还可以设置超时时间，如果请求时间超出，那么就会抛出异常。
from urllib import request
resp=request.urlopen('http://httpbin.org/post', data=b'word=hello', timeout=10)
print(resp.read().decode())
使用带参数的POST方法：
>>> import urllib
>>> params =urllib.urlencode({'spam': 1, 'eggs': 2, 'bacon': 0})
>>>f=urllib.urlopen("http://www.musi-cal.com/cgi-bin/query", params)
>>> print f.read()(3)添加Headers
通过urllib发起的请求会有默认的一个Headers："User-Agent":"Python-urllib/3.6"，指明请求是由urllib发送的。
所以遇到一些验证User-Agent的网站时，我们需要自定义Headers，而这需要借助于urllib.request中的Request对象。
from urllib import request
url = 'http://httpbin.org/get'
headers = {'user-agent': 'Mozilla/5.0(Macintosh; Intel Mac OS X 10_13_5) AppleWebKit/537.36 (KHTML, like Gecko)Chrome/66.0.3359.181 Safari/537.36'}# 需要使用url和headers生成一个Request对象，然后将其传入urlopen方法中
req = request.Request(url, headers=headers)
resp = request.urlopen(req)
print(resp.read().decode())(4)Request对象
如上所示，urlopen()方法中不止可以传入字符串格式的url，也可以传入一个Request对象来扩展功能，Request对象如下所示。
class urllib.request.Request(url, data=None,headers={},
origin_req_host=None,
unverifiable=False, method=None)构造Request对象必须传入url参数，data数据和headers都是可选的。
最后，Request方法可以使用method参数来自由选择请求的方法，如PUT，DELETE等等，默认为GET。
(5)添加Cookie
为了在请求时能带上Cookie信息，我们需要重新构造一个opener。
使用request.build_opener方法来进行构造opener，将我们想要传递的cookie配置到opener中，然后使用这个opener的open方法来发起请求。
from http import cookiejar
from urllib import request
url = 'https://www.baidu.com'
# 创建一个cookiejar对象
cookie = cookiejar.CookieJar()
# 使用HTTPCookieProcessor创建cookie处理器
cookies = request.HTTPCookieProcessor(cookie)
# 并以它为参数创建Opener对象
opener = request.build_opener(cookies)
# 使用这个opener来发起请求
resp = opener.open(url)
# 查看之前的cookie对象，则可以看到访问百度获得的cookie
for i in cookie:
print(i) 或者也可以把这个生成的opener使用install_opener方法来设置为全局的，之后使用urlopen方法发起请求时，都会带上这个cookie：
# 将这个opener设置为全局的opener
request.install_opener(opener)
resp = request.urlopen(url)(6)设置Proxy代理
使用爬虫来爬取数据的时候，常常需要使用代理来隐藏我们的真实IP。
from urllib import request
url = 'http://httpbin.org/ip'
proxy ={'http':'218.18.232.26:80','https':'218.18.232.26:80'}
# 创建代理处理器
proxies = request.ProxyHandler(proxy)
# 创建opener对象
opener = request.build_opener(proxies)
resp = opener.open(url)
print(resp.read().decode())(7)下载数据到本地
在我们进行网络请求时常常需要保存图片或音频等数据到本地，一种方法是使用python的文件操作，将read()获取的数据保存到文件中。
而urllib提供了一个urlretrieve()方法，可以简单的直接将请求获取的数据保存成文件。
from urllib import request
url = 'http://python.org/'
# urlretrieve()方法传入的第二个参数为文件保存的位置，以及文件名。
request.urlretrieve(url, 'python.html')
注：urlretrieve()方法是Python2.x直接移植过来的方法，以后有可能在某个版本中弃用。2.urllib.response
在使用urlopen()方法或者opener的open()方法发起请求后，获得的结果是一个response对象。这个对象有一些方法和属性，可以让我们对请求返回的结果进行一些处理。
read()：获取响应返回的数据，只能使用一次。
getcode()：获取服务器返回的状态码。
getheaders()：获取返回响应的响应报头。
geturl()：获取访问的url。
3.urllib.parse
urllib.parse是urllib中用来解析各种数据格式的模块。
(1) urllib.parse.quote
在url中，是只能使用ASCII中包含的字符的，也就是说，ASCII不包含的特殊字符，以及中文等字符都是不可以在url中使用的。而我们有时候又有将中文字符加入到url中的需求.urllib中可以使用quote()方法来实现这个功能。
>>> from urllib import parse
>>> keyword = '南北'
>>> parse.quote(keyword)
'%E5%8D%97%E5%8C%97'
如果需要将编码后的数据转换回来，可以使用unquote()方法。
>>>parse.unquote('%E5%8D%97%E5%8C%97')
'南北'(2)urllib.parse.urlencode
在访问url时，我们常常需要传递很多的url参数，而如果用字符串的方法去拼接url的话，会比较麻烦，所以urllib中提供了urlencode这个方法来拼接url参数。
>>> from urllib import parse
>>> params = {'wd': '南北', 'code': '1', 'height': '188'}
>>> parse.urlencode(params)
'wd=%E5%8D%97%E5%8C%97&code=1&height=188'
urllib.error在urllib中主要设置了两个异常，一个是URLError，一个是HTTPError，HTTPError是URLError的子类。
HTTPError还包含了三个属性：
code：请求的状态码
reason：错误的原因
headers：响应的报头
二、urllib2
Python2.x的一个例子：
import urllib2
# 设置浏览器请求头
ua_headers={
"User-Agent":"Mozilla/5.0 (Windows NT 6.1; WOW64;rv:34.0) Gecko/20100101 Firefox/34.0"
}
#建立请求内容
request=urllib2.Request("http://baidu.com/",headers=ua_headers)
#获取响应
response=urllib2.urlopen(request)
#页面内容
html=response.read()
print html
print response.getcode() #返回响应码
print response.geturl() #返回实际url
print response.info() #返回服务器响应的报头
来自urllib2官方文档的几个例子：
GET一个URL：
>>> import urllib2
>>> f =urllib2.urlopen('http://www.python.org/')
>>> print f.read()
使用基本的HTTP认证:
import urllib2
auth_handler = urllib2.HTTPBasicAuthHandler()
auth_handler.add_password(realm='PDQApplication',
uri='https://mahler:8092/site-updates.py',
user='klem',
passwd='kadidd!ehopper')
opener = urllib2.build_opener(auth_handler)
urllib2.install_opener(opener)
urllib2.urlopen('http://www.example.com/login.html')
一个使用代理的例子:
proxy_handler = urllib2.ProxyHandler({'http':'http://www.example.com:3128/'})
proxy_auth_handler =urllib2.ProxyBasicAuthHandler()
proxy_auth_handler.add_password('realm','host', 'username', 'password')
opener = urllib2.build_opener(proxy_handler,proxy_auth_handler)
opener.open('http://www.example.com/login.html')
添加HTTP请求头部:
import urllib2
req =urllib2.Request('http://www.example.com/')
req.add_header('Referer','http://www.python.org/')
r = urllib2.urlopen(req)
更改User-agent:
import urllib2
opener = urllib2.build_opener()
opener.addheaders = [('User-agent','Mozilla/5.0')]
opener.open('http://www.example.com/')注：httplib和httplib2、httplib是http客户端协议的实现，通常不直接使用，urllib是以httplib为基础，httplib2是第三方库，比httplib有更多特性。httplib比较底层，一般使用的话用urllib和urllib2即可。
三、urllib3
urllib3功能强大且易于使用，用于HTTP客户端的Python库。许多Python的原生系统已经开始使用urllib3。
urllib3提供了很多python标准库urllib里所没有的重要特性：
线程安全
连接池
客户端SSL/TLS验证
文件分部编码上传
协助处理重复请求和HTTP重定位
支持gzip和deflate压缩编码
支持HTTP和SOCKS代理
100%测试覆盖率
1.安装
urllib3是一个第三方库，pip安装：
pip install urllib32.使用
urllib3主要使用连接池进行网络请求的访问，所以访问之前需要先创建一个连接池对象：
导入urllib3模块：
>>> import urllib3(1)设置headers
通过request()方法向请求(request)中添加一些其他信息：
>>> r = http.request(
... 'POST',
... 'http://httpbin.org/post',
... fields={'hello': 'world'})
或者：在request()方法中，可以定义一个字典类型(dictionary)，并作为headers参数传入：
headers={'X-Something': 'value'}
resp = http.request('GET','http://httpbin.org/headers', headers=headers)
(2)设置url参数
对于GET等没有请求正文的请求方法，可以简单的通过设置fields参数来设置url参数。
fields = {'arg': 'value'}
resp = http.request('GET','http://httpbin.org/get', fields=fields)
如果使用的是POST等方法，则会将fields作为请求的请求正文发送。
所以，如果你的POST请求是需要url参数的话，那么需要自己对url进行拼接。
fields = {'arg': 'value'}
resp = http.request('POST','http://httpbin.org/get', fields=fields)(3)设置代理
>>> import urllib3
>>> proxy =urllib3.ProxyManager('http://50.233.137.33:80', headers={'connection':'keep-alive'})
>>> resp = proxy.request('get','http://httpbin.org/ip')
>>> resp.status
200
>>> resp.data
b'{"origin":"50.233.136.254"}\n'注：urllib3中没有直接设置cookies的方法和参数，只能将cookies设置到headers中。
(4)官网的一些介绍
请求(request)中的数据项(requestdata)可包括：Headers
在request()方法中，可以定义一个字典类型(dictionary)并作为headers参数传入：
>>> r = http.request(
... 'GET',
... 'http://httpbin.org/headers',
... headers={
... 'X-Something': 'value'
... })
>>>json.loads(r.data.decode('utf-8'))['headers']
{'X-Something': 'value', ...}
Query parameters对于GET、HEAD和DELETE请求，可以简单的通过定义一个字典类型作为fields参数传入即可：
>>> r = http.request(
... 'GET',
... 'http://httpbin.org/get',
... fields={'arg': 'value'})
>>>json.loads(r.data.decode('utf-8'))['args']
{'arg': 'value'}对于POST和PUT请求(request),需要手动对传入数据进行编码，然后加在URL之后：
>>> from urllib.parse importurlencode
>>> encoded_args = urlencode({'arg':'value'})
>>> url = 'http://httpbin.org/post?'+ encoded_args
>>> r = http.request('POST', url)
>>>json.loads(r.data.decode('utf-8'))['args']
{'arg': 'value'}
Form data对于PUT和POST请求(request),urllib3会自动将字典类型的field参数编码成表格类型.
>>> r = http.request(
... 'POST',
... 'http://httpbin.org/post',
... fields={'field': 'value'})
>>>json.loads(r.data.decode('utf-8'))['form']
{'field': 'value'}
JSON在发起请求时,可以通过定义body参数并定义headers的Content-Type参数来发送一个已经过编译的JSON数据：
>>> import json
>>> data = {'attribute': 'value'}
>>> encoded_data =json.dumps(data).encode('utf-8')
>>> r = http.request(
... 'POST',
... 'http://httpbin.org/post',
... body=encoded_data,
... headers={'Content-Type': 'application/json'})
>>>json.loads(r.data.decode('utf-8'))['json']
{'attribute': 'value'}
Files & binary data 使用multipart/form-data编码方式上传文件，可以使用和传入Form data数据一样的方法进行，并将文件定义为一个元组的形式(file_name,file_data):
>>> with open('example.txt') as fp:
... file_data = fp.read()
>>> r = http.request(
... 'POST',
... 'http://httpbin.org/post',
... fields={
... 'filefield': ('example.txt', file_data),
... })
>>>json.loads(r.data.decode('utf-8'))['files']
{'filefield': '...'}文件名(filename)的定义不是严格要求的，但是推荐使用，以使得表现得更像浏览器。同时，还可以向元组中再增加一个数据来定义文件的MIME类型：
>>> r = http.request(
... 'POST',
... 'http://httpbin.org/post',
... fields={
... 'filefield': ('example.txt', file_data, 'text/plain'),
... })如果是发送原始二进制数据，只要将其定义为body参数即可。同时，建议对header的Content-Type参数进行设置：
>>> with open('example.jpg', 'rb')as fp:
... binary_data = fp.read()
>>> r = http.request(
... 'POST',
... 'http://httpbin.org/post',
... body=binary_data,
... headers={'Content-Type': 'image/jpeg'})
>>>json.loads(r.data.decode('utf-8'))['data']
Response contenttimeouts
使用timeout，可以控制请求的运行时间。在一些简单的应用中，可以将timeout参数设置为一个浮点数：
>>> http.request(
... 'GET', 'http://httpbin.org/delay/3', timeout=4.0)
<urllib3.response.HTTPResponse>
>>> http.request(
... 'GET', 'http://httpbin.org/delay/3', timeout=2.5)
MaxRetryError caused by ReadTimeoutError岁月有你 惜惜相