Python爬虫中urllib3与urllib的区别是什么

目录

• urllib库

• urllib.request模块

• Request对象

• 1 . 请求头添加

• 2. 操作cookie

• 3. 设置代理

• urllib.parse模块

• urllib.error模块

• urllib.robotparse模块 

• 网络库urllib3

• 网络请求

• GET请求

• POST请求

• HTTP响应头

• 上传文件

• 超时处理

urllib库

urllib 是一个用来处理网络请求的python标准库，它包含4个模块。

• urllib.request---请求模块，用于发起网络请求

• urllib.parse---解析模块，用于解析URL

• urllib.error---异常处理模块，用于处理request引起的异常

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

urllib.request模块

request模块主要负责构造和发起网络请求，并在其中添加Headers，Proxy等。 利用它可以模拟浏览器的请求发起过程。

• 发起网络请求

• 操作cookie

• 添加Headers

• 使用代理

关于urllib.request.urlopen参数的介绍

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

urlopen是一个简单发送网络请求的方法。它接收一个字符串格式的url，它会向传入的url发送网络请求，然后返回结果。

先写一个简单的例子:

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

urlopen默认会发送get请求，当传入data参数时，则会发起POST请求。data参数是字节类型、者类文件对象或可迭代对象。

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

还才可以设置超时，如果请求超过设置时间，则抛出异常。timeout没有指定则用系统默认设置，timeout只对，http，https以及ftp连接起作用。它以秒为单位，比如可以设置timeout=0.1 超时时间为0.1秒。

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

Request对象

利用openurl可以发起最基本的请求，但这几个简单的参数不足以构建一个完整的请求，可以利用更强大的Request对象来构建更加完整的请求。

1 . 请求头添加

通过urllib发送的请求会有一个默认的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，需要我们自定义Headers把自己伪装起来。

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

在开发爬虫过程中，对cookie的处理非常重要，urllib的cookie的处理如下案例

from urllib import request
from http import cookiejar
# 创建一个cookie对象
cookie = cookiejar.CookieJar()

# 创一个cookie处理器
cookies = request.HTTPCookieProcessor(cookie)

# 以它为参数，创建opener对象
opener = request.build_opener(cookies)
# 使用这个opener 来发请求
res =opener.open('https://www.baidu.com/')

print(cookies.cookiejar)

3. 设置代理

运行爬虫的时候，经常会出现被封IP的情况，这时我们就需要使用ip代理来处理，urllib的IP代理的设置如下：

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

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

# 代理处理器
proxies =request.ProxyBasicAuthHandler(proxy)

# 创建opener对象
opener = request.build_opener(proxies)

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

urlib库中的类或或者方法，在发送网络请求后，都会返回一个urllib.response的对象。它包含了请求回来的数据结果。它包含了一些属性和方法，供我们处理返回的结果

• read() 获取响应返回的数据，只能用一次

• readline() 读取一行

• info() 获取响应头信息

• geturl() 获取访问的url

• getcode() 返回状态码

urllib.parse模块

parse.urlencode() 在发送请求的时候，往往会需要传递很多的参数，如果用字符串方法去拼接会比较麻烦，parse.urlencode()方法就是用来拼接url参数的。

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

打印结果为wd=％E6％B5％8B％E8％AF％95&code=1&height=188

也可以通过parse.parse_qs()方法将它转回字典

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

urllib.error模块

error模块主要负责处理异常，如果请求出现错误，我们可以用error模块进行处理 主要包含URLError和HTTPError

URLError：是error异常模块的基类，由request模块产生的异常都可以用这个类来处理

HTTPError：是URLError的子类，主要包含三个属性

• Code:请求的状态码

• reason：错误的原因

• headers：响应的报头

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模块 

robotparse模块主要负责处理爬虫协议文件，robots.txt.的解析。

Robots协议（也称为爬虫协议、机器人协议等）的全称是“网络爬虫排除标准”（Robots Exclusion Protocol），网站通过Robots协议告诉搜索引擎哪些页面可以抓取，哪些页面不能抓取

网络库urllib3

urllib3是比urllib库更强大的存在，目前已经有许多的原生系统已经开始使用urllib3。

urllib3具有如下优点：

• 支持HTTP和SOCKS代理

• 支持压缩编码

• 100％测试覆盖率

• 具有链接池

• 线程安全

• 客户端SLL/TLS验证

• 协助处理重复请求和HTTP重定位

• 使用multipart编码上传文件

因为urllib3并不是Python的标准库，所以我们使用之前，需要进行下载安装，具体命令如下所示：

pip install urllib3
#或
conda install urllib3

下面，我们来讲解urllib3库的使用方式。

网络请求

GET请求

首先，在我们使用urllib3库进行网络请求时，需创建PoolManager类的实例，该类用于管理线程池。

下面，我们来通过urllib访问百度，并返回查询的结果，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': '机器学习'}, headers=headers)
result = response.data.decode('UTF-8')
print(result)

运行之后，效果如下：

这里，我们通过fields参数指定GET的请求字段。不过，这里先一步讲解了请求头，其实是百度有安全机制，读者可以去掉headers参数试试。会返回百度的安全验证页面。

POST请求

如果需要向服务器提交表单或者比较复杂的数据，就需要使用到POST请求。POST请求比较简单，仅仅只是将请求的第一个参数改为“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)

运行之后，返回如下数据：

HTTP响应头

使用urllib3库进行网络访问时，其返回的HTTPResponse。默认有一些携带的参数，其中就包括info方法。它能返回响应头数据，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': '机器学习'}, headers=headers)
for key in response.info().keys():
   print('key:',response.info()[key])

运行之后，返回的响应数据如下：

上传文件

首先，我们需要简单的实现一个文件上传的服务器代码，这里我们使用Flask搭建一个简单的服务器Python程序，代码如下：

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 '文件上传成功'
   else:
       return '文件上传失败'

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

运行之后，它会一直等待客户端上传文件。

这个时候，我们再来实现urllib3是如何上传文件的，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'))

默认flask搭建的服务器，其接口为5000，也就是通过127.0.0.1:5000进行访问。运行之后，就会在uploads文件夹下创建一个1.jpg的图片。

同时，控制台会输出文件上传成功，而服务器会返回状态码200。

这里，上传文件就1一个键值对，其中file代表服务器上传文件的字段。值的元组里，fileData为文件的二进制形式，'image/jpeg'代表上传文件的格式（可以省略）。

超时处理

urllib3库其HTTP的底层都是基于Socket实现的，而Socket超时又分为连接超时与读超时。

其中，连接超时表示在连接的过程中，由于服务器的问题或域名弄错了，而导致的无法连接的情况抛出的异常。

读超时表示从服务器读取数据时由于服务器的问题，导致长时间无法正常读取数据而导致的异常。

通常，我们超时的设置有2种，一种是通过http.request(timeout)进行设置，一种是通过PoolManager()连接池进行设置。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，通过连接池PoolManager进行设置的超时，是全局超时时间，哪怕你后边的请求不设置，也是默认使用的这个超时。如果同时设置了request的超时，那么以request为准。

来源：https://blog.csdn.net/liyuanjinglyj/article/details/118707796