爬虫学习（二）基础阶段

请求头中的内容：

• Date: 标识 响应产生 的时间 。
• Last-Modified: 指定资源的最后修改时间。
• Content-Encoding: 指定 响应 内容的编码 。
• Server: 包含服务器的信息，比如名称、版本号等。
• Content-Type: 文档类型，指定返回的数据类型是什么，如 text/html代表返回 HTML文档，
• application/x-javascript !J!U代表返回 JavaScript文件， image/jpeg则代表返回图片 。
• Set-Cookie: 设置 Cookies。 响应头 中的 Set-Cookie 告诉浏览器需要将此内容放在 Cookies中， 下次请求携带 Cookies请求。
• Expires: 指定响应的过期时间 ， 可以使代理服务器或浏览器将加载的内容更新到缓存。如果再次访问时，就可以直接从缓存中加载，降低服务器负载，缩短加载时间。

1.urllib.request模块

request: 最基本的HTTP请求模块，可以用来模拟发送请求。就像在浏览器里输入网址然后回车一样，只需要给库方法传入 URL 以及额外的参数，就可以模拟实现这个过程了 ,同时它还带有处理授权验证( authenticaton )、重定向( redirection)、浏览器 Cookies 以及其他内容。

• error: 异常处理模块，如果出现请求错误，我们可以捕获这些异常，然后进行重试或其他操作以保证程序不会意外终止 。
• parse: 一个工具模块，提供了许多 URL处理方法，比如拆分，解析，合并等。
• robotparser:主要是用来识别网站的 robots.txt文件，然后判断哪些网站可以爬，哪些网站不可以爬，它其实用得比较少 。

urllib.request.urlopen() 为最基本HTTP请求的方法

import urllib.request
response= urllib.request.urlopen('https://www.python.org') 
print(response.read().decode ('utf-8'))  //打印出网页的源代码
print(type(response))    //<class ’ http.client.HTTPResponse ’ >说明该对象类型为HTTPResponse类型。
print(response.status)    //200

print(response.getheaders()) //   
[('Server', 'nginx'), ('Content-Type', 'text/html; charset=utf-8'), ('X-Frame-Options', 'DENY'), 
('Via', '1.1 vegur'), ('Via', '1.1 varnish'), ('Content-Length', '48995'), ('Accept-Ranges', 'bytes'), 
('Date', 'Mon, 13 May 2019 09:23:37 GMT'), ('Via', '1.1 varnish'), ('Age', '3595'), ('Connection', 'close'), 
('X-Served-By', 'cache-iad2139-IAD, cache-tyo19927-TYO'), ('X-Cache', 'HIT, HIT'), 
('X-Cache-Hits', '1, 6071'), ('X-Timer', 'S1557739417.434556,VS0,VE0'), ('Vary', 'Cookie'), 
('Strict-Transport-Security', 'max-age=63072000; includeSubDomains')]

print(response.getheader('Server'))    //nginx

HTTPResposne类型的对象，主要包含

read()、 readinto()、 getheader(name)、getheaders()、 fileno()等方法，以及 msg、 version、status、reason、debuglevel、closed等属性。

如果想给链接传递一些参数，该怎么实现呢?首先看一下urlopen()函数的 API:

urllib.request.urlopen(url, data=None, timeout=<object object at 0x1102821a0>, *, cafile=None, capath=None, cadefault=False, context=None)

• data参数
data 参数是可选的。 如果要添加该参数，并且如果它是字节流编码格式的内容，即 bytes 类型， 则需要通过 bytes()方法转化。 另外，如果传递了这个参数，则它的请求方式就不再是 GET方式，而是POST方式。

import urllib

data = bytes(urllib.parse.urlencode({'word':'hello'}), encoding='utf8')    //通过utf8的格式将字典进行字节流的编码，
response= urllib.request.urlopen('http://httpbin.org/post', data=data)        //将编码后的字节流数据传输到指定URL
print(response.read().decode('utf-8')）//这里存在一个bug，要进行指定方式解码。

Result:

  {
  "args": {}, 
  "data": "", 
  "files": {}, 
  "form": {
    "word": "hello"
  }, 
  "headers": {
    "Accept-Encoding": "identity", 
    "Content-Length": "10", 
    "Content-Type": "application/x-www-form-urlencoded", 
    "Host": "httpbin.org", 
    "User-Agent": "Python-urllib/3.6"
  }, 
  "json": null, 
  "origin": "171.81.189.140, 171.81.189.140", 
  "url": "https://httpbin.org/post"
}

• timeout参数
timeout参数用于设置超时时间，单位为秒，意思就是如果请求超出了设置的这个时间，还没有得到响应，就会抛出异常。如果不指定该参数，就会使用全局默认时间。它支持HTTP,HTTPS,FTP请求。

import socket
import urllib


try:
    response = urllib.request.urlopen('http://httpbin.org/get', timeout=0.1)  //如果时间超过0.1S不响应就报错。
except urllib.error.URLError as e:
    if isinstance(e.reason,socket.timeout):
        print("TIME OUT!")

• 其他参数
除了data参数和timeout参数外，还有context参数，它必须是 ssl.SSLContext类型，用来指定SSL 设置。此外，cafile和 capath这两个参数分别指定 CA证书和它的路径，这个在请求 HTTPS链接时会有用。
cadefault参数现在已经弃用了，其默认值为 False。

2.Request类

import urllib.request

request = urllib.request.Request("https://python.org")
response = urllib .request.urlopen(request)
print(response.read().decode ('utf-8'))

依然是用 urlopen()方法来发送这个请求，只不过该方法的参数不再是 URL, 而是一个 Request 类型的对象。通过构造这个数据结构，一方面我们可以将请求独立成一个对象，另 一方面可更加丰富和灵活地配置参数 。

class urllib. request. Request (url, data=None, headers={}, origin_req_host=None, unverifiable=False, method=None)

1. 第一个参数url用于请求URL，这是必传参数,其余可选。
2. 第二个参数 data 如果要传，必须传 bytes (字节流)类型的。如果它是字典，可以先用 urllib.parse模块里的urlencode()编码。将字典里面所有的键值转化为query-string格式（key=value&key=value），并且将中文转码。
3. 第三个参数 headers是一个字典，它就是请求头，我们可以在构造请求时通过 headers参数直 接构造，也可以通过调用请求实例的 add_header()方法添加。

添加请求头最常用的用法就是通过修改 User-Agent 来伪装浏览器，默认的 User-Agent 是Python-urllib，我们可以通过修改它来伪装浏览器 。 比如要伪装火狐浏览器，你可以把它设置为 ：Mozilla/5.0 (Macintosh; Intel Mac OS X 10.13; rv:66.0) Gecko/20100101 Firefox/66.0

1. 第四个参数 origin_req_host指的是请求方的host名称或者IP地址。
2. 第五个参数 unverifiable表示这个请求是否是无法验证 的，默认是 False，意思就是说用户没有足够权限来选择接收这个请求的结果。 例如，我们请求一个 HTML文档中的图片，但是我 们没有向动抓取图像的权限，这时unverifiable 的值就是True。

3. 第六个参数 method是一个字符串 ，用来指示请求使用的方法，比如 GET、 POST和 PUT等

   from urllib import parse,request    
   
   url = 'http://httpbin.org/post'
   headers = {
   'User-Agent':'Mozilla/4.0 (compatible; MSIE 5.5; Windows NT)',
   'Host' :'httpbin.org'
   }
   
   dict={
   'name':'Gremey'
   }
   data= bytes(parse.urlencode(dict), encoding='utf-8')
   
   #req = request.Request(url=url, data=data, headers=headers, method='POST')
   //上面是直接写好headers传递参数传递给对象，下面是单独的通过对象的方法传递
   req=request.Request(url=url, data=data, method='POST')
   req.add_header('User-Agent','Mozilla/4.0 (compatible; MSIE 5.5; Windows NT)')
   response = request.urlopen(req)
   print(response.read().decode('utf-8'))
   

3. 高级用法

在上面的过程中，我们虽然可以构造请求，但是对于一些更高级的操作(比如 Cookies处理 、 代理设置等)，该如何处理?
就需要更强大的工具 Handler 登场了。简而言之，我们可以把它理解为各种处理器，有专门处理登录验证的，有处理 Cookies 的，有处理代理设置的。利用它们，我们几乎可以做到 HTTP请求中所有的事。
urllib .request 模块里的 BaseHandler类，它是所有其他 Handler 的父类，它提 供了最基本的方法，例如 default_open()、 protocol_request()等。

接下来，就有各种 Handler 子类继承这个 BaseHandler类，举例如下 。

• HITPDefaultErrorHandler:用于处理HTTP响应错误，错误都会抛出 HTTPError类型的异常。
• HTTPRedirectHandler:用于处理重定向。
• HTTPCookieProcessor: 用于处理 Cookies。
• ProxyHandler:用于设置代理 ， 默认代理为空 。
• HπPPasswordMgr:用于管理密码，它维护了用户名和密码的表。
• HTTPBasicAuthHandler: 用于管理认证，如果一个链接打开时需要认证，那么可以用它来解决认证问题。

另一个比较重要的类就是 OpenerDirector，我们可以称为 Opener。 我们之前用过 urlopen()这个方法，实际上它就是urllib为我们提供的一个Opener。
那么，为什么要引人Opener 呢?因为需要实现更高级的功能。之前使用的 Request 和 urlopen() 相当于类库为你封装好了极其常用的请求方法，利用它们可以完成基本的请求，但是现在不一样了，我们需要实现更高级的功能，所以需要深入一层进行配置，使用更底层的实例来完成操作，所以这里就用到了Opener。
Opener可以使用 open()方法，返回的类型和urlopen()如出一辙。 那么，它和 Handler 有什么关 系呢?简而言之，就是利用 Handler来构建 Opener。