本文节选自《Python爬虫技术:深入理解原理、技术与开发》。
urllib是Python3中内置的HTTP请求库,不需要单独安装,官方文档链接如下:
https://docs.python.org/3/library/urllib.html
从官方文档可以看出,urllib包含4个模块,如图1所示。
图1 urllib官方文档目录
这4个模块的功能描述如下:
本文主要介绍如何通过urllib发送HTTP GET请求和HTTP POST请求,并获取相应数据。
1. 用urlopen函数发送HTTP GET请求
urllib最基本的一个功能就是向服务端发送HTTP请求,然后接收服务端返回的响应数据。这个功能只需要通过urlopen函数就可以搞定。例如,下面的代码向百度发送HTTP GET请求,然后输出服务端的响应结果。
import urllib.requestresponse=urllib.request.urlopen('https://baidu.com')# 将服务端的响应数据用utf-8解码print(response.read().decode('utf-8'))
运行结果如图2所示。
图2 百度首页的HTML代码
我们可以看到,使用urllib与服务端交互是非常容易的,除了import语句外,真正与业务有关的代码只有2行,就完成了整个与服务端交互的过程。其实这个过程已经完成了爬虫的第一步,就是从服务端获取HTML代码,然后就可以利用各种分析库对HTML代码进行解析,提取出我们感兴趣的URL、文本、图像等。
其实urlopen函数返回的是一个对象,而read是这个对象的一个方法,可以利用type方法输出这个对象的类型,当我们知道了对象类型后,就可以很容易知道这个对象中有哪些API,然后调用它们。
import urllib.requestresponse=urllib.request.urlopen('https://baidu.com')print(type(response))
这段代码会输出如下的结果:
<class 'http.client.HTTPResponse'>
现在我们了解到,urlopen函数返回的是HTTPResponse类型的对象,主要包含read、getheader、getheaders等方法,以及msg、version、status、debuglevel、closed等属性。
下面是一个实际的案例,用来演示了HTTPResponse对象中主要的方法和属性的用法。
import urllib.request# 向京东商城发送HTTP GET请求,urlopen函数即可以使用http,也可以使用httpsresponse=urllib.request.urlopen('https://www.jd.com')# 输出urlopen函数返回值的数据类型print('response的类型:',type(response))# 输出响应状态码、响应消息和HTTP版本print('status:',response.status,' msg:',response.msg,' version:', response.version)# 输出所有的响应头信息print('headers:',response.getheaders())# 输出名为Content-Type的响应头信息print('headers.Content-Type',response.getheader('Content-Type'))# 输出京东商城首页所有的HTML代码(经过utf-8解码)print(response.read().decode('utf-8'))
运行结果如图3所示。
图3 HTTPResponse对象的API演示
2. 用urlopen函数发送HTTP POST请求
urlopen函数默认情况下发送的是HTTP GET请求,如果要发送HTTP POST请求,需要使用data命名参数,该参数是bytes类型,需要用bytes类将字符串形式的数据转换为bytes类型。
下面的例子向http://httpbin.org/post发送HTTP POST请求,并输出返回结果。
import urllib.request# 将表单数据转换为bytes类型,用utf-8编码data=bytes(urllib.parse.urlencode({'name':'Bill','age':30}),encoding='utf-8')# 提交HTTP POST请求response=urllib.request.urlopen('http://httpbin.org/post',data=data)# 输出响应数据print(response.read().decode('utf-8'))
这段代码中一开始提供了一个字典形式的表单数据,然后使用urlencode方法将字典类型的表单转换为字符串形式的表单,接下来将字符串形式的表单按utf-8编码转换为bytes类型,这就是要传给urlopen函数的data命名参数的值,要注意,一旦指定了data命名参数,urlopen函数就会向服务端提交HTTP POST请求,这里并不需要显式指定要提交的是POST请求。
本例将HTTP POST请求提交给了http://httpbin.org/post,这是一个用于测试HTTP POST请求的网址,如果请求成功,服务端会将HTTP POST请求信息原封不动地返回给客户端。
运行结果如图4所示。
图4 HTTP POST请求信息
- EOF -
推荐阅读 点击标题可跳转