《Python爬虫开发与项目实战》——3.2　HTTP请求的Python实现

本节书摘来自华章计算机《Python爬虫开发与项目实战》一书中的第3章，第3.2节，作者：范传辉著，更多章节内容可以访问云栖社区“华章计算机”公众号查看

3.2　HTTP请求的Python实现

　　通过上面的网络爬虫结构，我们可以看到读取URL、下载网页是每一个爬虫必备而且关键的功能，这就需要和HTTP请求打交道。接下来讲解Python中实现HTTP请求的三种方式：urllib2/urllib、httplib/urllib以及Requests。
3.2.1　urllib2/urllib实现
　　urllib2和urllib是Python中的两个内置模块，要实现HTTP功能，实现方式是以urllib2为主，urllib为辅。
　　1.?首先实现一个完整的请求与响应模型
　　urllib2提供一个基础函数urlopen，通过向指定的URL发出请求来获取数据。最简单的形式是：

import urllib2
     response=urllib2.urlopen('http://www.zhihu.com')
     html=response.read()
     print html

　　其实可以将上面对http://www.zhihu.com的请求响应分为两步，一步是请求，一步是响应，形式如下：

import urllib2
  # 请求
  request=urllib2.Request('http://www.zhihu.com')
  # 响应
  response = urllib2.urlopen(request)
  html=response.read()
  print html

　　上面这两种形式都是GET请求，接下来演示一下POST请求，其实大同小异，只是增加了请求数据，这时候用到了urllib。示例如下：

import urllib
  import urllib2
  url = 'http://www.xxxxxx.com/login'
  postdata = {'username' : 'qiye',
              'password' : 'qiye_pass'}
  # info 需要被编码为urllib2能理解的格式，这里用到的是urllib
  data = urllib.urlencode(postdata)
  req = urllib2.Request(url, data)
  response = urllib2.urlopen(req)
  html = response.read()

　　但是有时会出现这种情况：即使POST请求的数据是对的，但是服务器拒绝你的访问。这是为什么呢?问题出在请求中的头信息，服务器会检验请求头，来判断是否是来自浏览器的访问，这也是反爬虫的常用手段。
　　2.?请求头headers处理
　　将上面的例子改写一下，加上请求头信息，设置一下请求头中的User-Agent域和Referer域信息。

import urllib
    import urllib2
    url = 'http://www.xxxxxx.com/login'
    user_agent = 'Mozilla/4.0 (compatible; MSIE 5.5; Windows NT)'
    referer='http://www.xxxxxx.com/'
    postdata = {'username' : 'qiye',
                'password' : 'qiye_pass'}
    # 将user_agent,referer写入头信息
    headers={'User-Agent':user_agent,'Referer':referer}
    data = urllib.urlencode(postdata)
    req = urllib2.Request(url, data,headers)
    response = urllib2.urlopen(req)
    html = response.read()

　　也可以这样写，使用add_header来添加请求头信息，修改如下：

import urllib
   import urllib2
   url = 'http://www.xxxxxx.com/login'
   user_agent = 'Mozilla/4.0 (compatible; MSIE 5.5; Windows NT)'
   referer='http://www.xxxxxx.com/'
   postdata = {'username' : 'qiye',
               'password' : 'qiye_pass'}
   data = urllib.urlencode(postdata)
   req = urllib2.Request(url)
   # 将user_agent,referer写入头信息
   req.add_header('User-Agent',user_agent)
   req.add_header('Referer',referer)
   req.add_data(data)
   response = urllib2.urlopen(req)
   html = response.read()

　　对有些header要特别留意，服务器会针对这些header做检查，例如：

• User-Agent：有些服务器或Proxy会通过该值来判断是否是浏览器发出的请求。
• Content-Type：在使用REST接口时，服务器会检查该值，用来确定HTTP Body中的内容该怎样解析。在使用服务器提供的RESTful或SOAP服务时，Content-Type设置错误会导致服务器拒绝服务。常见的取值有：application/xml（在XML RPC，如RESTful/SOAP调用时使用）、application/json（在JSON RPC调用时使用）、application/x-www-form-urlencoded（浏览器提交Web表单时使用）。
• Referer：服务器有时候会检查防盗链。
  　　3.?Cookie处理

　　urllib2对Cookie的处理也是自动的，使用CookieJar函数进行Cookie的管理。如果需要得到某个Cookie项的值，可以这么做：

　　但是有时候会遇到这种情况，我们不想让urllib2自动处理，我们想自己添加Cookie的内容，可以通过设置请求头中的Cookie域来做：

import  urllib2
     opener = urllib2.build_opener()
     opener.addheaders.append( ( 'Cookie', 'email=' + "xxxxxxx@163.com" ) )
     req = urllib2.Request( "http://www.zhihu.com/" )
     response = opener.open(req)
     print response.headers
     retdata = response.read()

　　4.?Timeout设置超时
　　在Python2.6之前的版本，urllib2的API并没有暴露Timeout的设置，要设置Timeout值，只能更改Socket的全局Timeout值。示例如下：

import urllib2
     import socket
     socket.setdefaulttimeout(10) # 10 秒钟后超时
     urllib2.socket.setdefaulttimeout(10) # 另一种方式

　　在Python2.6及新的版本中，urlopen函数提供了对Timeout的设置，示例如下：

　　5.?获取HTTP响应码
　　对于200 OK来说，只要使用urlopen返回的response对象的getcode()方法就可以得到HTTP的返回码。但对其他返回码来说，urlopen会抛出异常。这时候，就要检查异常对象的code属性了，示例如下：

import urllib2
  try:
      response = urllib2.urlopen('http://www.google.com')
      print response
  except urllib2.HTTPError as e:
      if hasattr(e, 'code'):
          print 'Error code:',e.code

　　6.?重定向
　　urllib2默认情况下会针对HTTP 3XX返回码自动进行重定向动作。要检测是否发生了重定向动作，只要检查一下Response的URL和Request的URL是否一致就可以了，示例如下：

import urllib2
   response = urllib2.urlopen('http://www.zhihu.cn')
   isRedirected = response.geturl() == 'http://www.zhihu.cn'

　　如果不想自动重定向，可以自定义HTTPRedirectHandler类，示例如下：

import urllib2
    class RedirectHandler(urllib2.HTTPRedirectHandler):
        def http_error_301(self, req, fp, code, msg, headers):
            pass
        def http_error_302(self, req, fp, code, msg, headers):
            result = urllib2.HTTPRedirectHandler.http_error_301(self, req, fp, code, 
?        ????msg, headers)
            result.status = code
            result.newurl = result.geturl()
            return result
    opener = urllib2.build_opener(RedirectHandler)
    opener.open('http://www.zhihu.cn')

　　7.?Proxy的设置
　　在做爬虫开发中，必不可少地会用到代理。urllib2默认会使用环境变量http_proxy来设置HTTP Proxy。但是我们一般不采用这种方式，而是使用ProxyHandler在程序中动态设置代理，示例代码如下：

　　这里要注意的一个细节，使用urllib2.install_opener()会设置urllib2的全局opener，之后所有的HTTP访问都会使用这个代理。这样使用会很方便，但不能做更细粒度的控制，比如想在程序中使用两个不同的Proxy设置，这种场景在爬虫中很常见。比较好的做法是不使用install_opener去更改全局的设置，而只是直接调用opener的open方法代替全局的urlopen方法，修改如下：

import urllib2
     proxy = urllib2.ProxyHandler({'http': '127.0.0.1:8087'})
     opener = urllib2.build_opener(proxy,)
     response = opener.open("http://www.zhihu.com/")
     print response.read()

3.2.2　httplib/urllib实现
　　httplib模块是一个底层基础模块，可以看到建立HTTP请求的每一步，但是实现的功能比较少，正常情况下比较少用到。在Python爬虫开发中基本上用不到，所以在此只是进行一下知识普及。下面介绍一下常用的对象和函数：

• 创建HTTPConnection对象：class httplib.HTTPConnection(host[, port[, strict[, timeout[, source_address]]]])。
• 发送请求：HTTPConnection.request(method, url[, body[, headers]])。
• 获得响应：HTTPConnection.getresponse()。
• 读取响应信息：HTTPResponse.read([amt])。
• 获得指定头信息：HTTPResponse.getheader(name[, default])。
• 获得响应头(header, value)元组的列表：HTTPResponse.getheaders()。
• 获得底层socket文件描述符：HTTPResponse.fileno()。
• 获得头内容：HTTPResponse.msg。
• 获得头http版本：HTTPResponse.version。
• 获得返回状态码：HTTPResponse.status。
• 获得返回说明：HTTPResponse.reason。
  　　接下来演示一下GET请求和POST请求的发送，首先是GET请求的示例，如下所示：

　　POST请求的示例如下：

import httplib, urllib
     conn = None
     try:
         params = urllib.urlencode({'name': 'qiye', 'age': 22})
         headers = {"Content-type": "application/x-www-form-urlencoded"
         , "Accept": "text/plain"}
         conn = httplib.HTTPConnection("www.zhihu.com", 80, timeout=3)
         conn.request("POST", "/login", params, headers)
         response = conn.getresponse()
         print response.getheaders() # 获取头信息
         print response.status
         print response.read()
     except Exception, e:
         print e
     finally:
         if conn:
             conn.close()

3.2.3　更人性化的Requests
　　Python中Requests实现HTTP请求的方式，是本人极力推荐的，也是在Python爬虫开发中最为常用的方式。Requests实现HTTP请求非常简单，操作更加人性化。
　　Requests库是第三方模块，需要额外进行安装。Requests是一个开源库，使用Requests库需要先进行安装，一般有两种安装方式：

• 使用pip进行安装，安装命令为：pip install requests，不过可能不是最新版。
• 直接到GitHub上下载Requests的源代码，将源代码压缩包进行解压，然后进入解压后的文件夹，运行setup.py文件即可。
  　　如何验证Requests模块安装是否成功呢？在Python的shell中输入import requests，如果不报错，则是安装成功。如图3-5所示。

　　1.?首先还是实现一个完整的请求与响应模型
　　以GET请求为例，最简单的形式如下：

import requests
     r = requests.get('http://www.baidu.com')
     print r.content

　　大家可以看到比urllib2实现方式的代码量少。接下来演示一下POST请求，同样是非常简短，更加具有Python风格。示例如下：

import requests
     postdata={'key':'value'}
     r = requests.post('http://www.xxxxxx.com/login',data=postdata)
     print r.content

　　HTTP中的其他请求方式也可以用Requests来实现，示例如下：

• r = requests.put('http://www.xxxxxx.com/put', data = {'key':'value'})
• r = requests.delete('http://www.xxxxxx.com/delete')
• r = requests.head('http://www.xxxxxx.com/get')
• r = requests.options('http://www.xxxxxx.com/get')
  　　接着讲解一下稍微复杂的方式，就是在网址后面紧跟着“?”，“?”后面还有参数。那么这样的GET请求该如何发送呢？肯定有人会说，直接将完整的URL带入即可，不过Requests还提供了其他方式，示例如下：

　　通过打印结果，我们看到最终的URL变成了：

http://zzk.cnblogs.com/s/blogpost?Keywords=blog:qiyeboy&pageindex=1。

　　2.?响应与编码
　　还是从代码入手，示例如下：

import requests
    r = requests.get('http://www.baidu.com')
    print 'content-->'+r.content
    print 'text-->'+r.text
    print 'encoding-->'+r.encoding
    r.encoding='utf-8'
    print 'new text-->'+r.text

　　其中r.content返回的是字节形式，r.text返回的是文本形式，r.encoding返回的是根据HTTP头猜测的网页编码格式。
　　输出结果中：“text-->”之后的内容在控制台看到的是乱码，“encoding-->”之后的内容是ISO-8859-1（实际上的编码格式是UTF-8），由于Requests猜测编码错误，导致解析文本出现了乱码。Requests提供了解决方案，可以自行设置编码格式，r.encoding='utf-8'设置成UTF-8之后，“new text-->”的内容就不会出现乱码。但是这种手动的方式略显笨拙，下面提供一种更加简便的方式：chardet，这是一个非常优秀的字符串/文件编码检测模块。安装方式如下：

pip install chardet

　　安装完成后，使用chardet.detect()返回字典，其中confidence是检测精确度，encoding是编码形式。示例如下：

import requests
  r = requests.get('http://www.baidu.com')
  print chardet.detect(r.content)
  r.encoding = chardet.detect(r.content)['encoding']
  print r.text

　　直接将chardet探测到的编码，赋给r.encoding实现解码，r.text输出就不会有乱码了。
　　除了上面那种直接获取全部响应的方式，还有一种流模式，示例如下：

　　设置stream=True标志位，使响应以字节流方式进行读取，r.raw.read函数指定读取的字节数。
　　3.?请求头headers处理
　　Requests对headers的处理和urllib2非常相似，在Requests的get函数中添加headers参数即可。示例如下：

import requests
     user_agent = 'Mozilla/4.0 (compatible; MSIE 5.5; Windows NT)'
     headers={'User-Agent':user_agent}
     r = requests.get('http://www.baidu.com',headers=headers)
     print r.content

　　4.?响应码code和响应头headers处理
　　获取响应码是使用Requests中的status_code字段，获取响应头使用Requests中的headers字段。示例如下：

import requests
     r = requests.get('http://www.baidu.com')
     if r.status_code == requests.codes.ok:
         print r.status_code# 响应码
         print r.headers# 响应头
         print r.headers.get('content-type')# 推荐使用这种获取方式，获取其中的某个字段
         print r.headers['content-type']# 不推荐使用这种获取方式
     else:
         r.raise_for_status()

　　上述程序中，r.headers包含所有的响应头信息，可以通过get函数获取其中的某一个字段，也可以通过字典引用的方式获取字典值，但是不推荐，因为如果字段中没有这个字段，第二种方式会抛出异常，第一种方式会返回None。r.raise_for_status()是用来主动地产生一个异常，当响应码是4XX或5XX时，raise_for_status()函数会抛出异常，而响应码为200时，raise_for_status()函数返回None。
　　5.?Cookie处理
　　如果响应中包含Cookie的值，可以如下方式获取Cookie字段的值，示例如下：

　　如果想自定义Cookie值发送出去，可以使用以下方式，示例如下：

import requests
   user_agent = 'Mozilla/4.0 (compatible; MSIE 5.5; Windows NT)'
   headers={'User-Agent':user_agent}
   cookies = dict(name='qiye',age='10')
   r = requests.get('http://www.baidu.com',headers=headers,cookies=cookies)
   print r.text

　　还有一种更加高级，且能自动处理Cookie的方式，有时候我们不需要关心Cookie值是多少，只是希望每次访问的时候，程序自动把Cookie的值带上，像浏览器一样。Requests提供了一个session的概念，在连续访问网页，处理登录跳转时特别方便，不需要关注具体细节。使用方法示例如下：

import Requests
    loginUrl = 'http://www.xxxxxxx.com/login'
    s = requests.Session()
    #首先访问登录界面，作为游客，服务器会先分配一个cookie
    r = s.get(loginUrl,allow_redirects=True)
    datas={'name':'qiye','passwd':'qiye'}
    #向登录链接发送post请求，验证成功，游客权限转为会员权限
    r = s.post(loginUrl, data=datas,allow_redirects= True)
    print r.text

　　上面的这段程序，其实是正式做Python开发中遇到的问题，如果没有第一步访问登录的页面，而是直接向登录链接发送Post请求，系统会把你当做非法用户，因为访问登录界面时会分配一个Cookie，需要将这个Cookie在发送Post请求时带上，这种使用Session函数处理Cookie的方式之后会很常用。
　　6.?重定向与历史信息
　　处理重定向只是需要设置一下allow_redirects字段即可，例如r=requests.get。将allow_redirects设置为True，则是允许重定向；设置为False，则是禁止重定向。如果是允许重定向，可以通过r.history字段查看历史信息，即访问成功之前的所有请求跳转信息。示例如下：

import requests
     r = requests.get('http://github.com')
     print r.url
     print r.status_code
     print r.history
　　打印结果如下：
     https:// github.com/
     200
     (<Response [301]>,)

　　上面的示例代码显示的效果是访问GitHub网址时，会将所有的HTTP请求全部重定向为HTTPS。
　　7.?超时设置
　　超时选项是通过参数timeout来进行设置的，示例如下：

requests.get('http://github.com', timeout=2)

　　8.?代理设置
　　使用代理Proxy，你可以为任意请求方法通过设置proxies参数来配置单个请求：

import requests
     proxies = {
         "http": "http://0.10.1.10:3128",
         "https": "http://10.10.1.10:1080",
     }
     requests.get("http://example.org", proxies=proxies)

　　也可以通过环境变量HTTP_PROXY和HTTPS_PROXY?来配置代理，但是在爬虫开发中不常用。你的代理需要使用HTTP Basic Auth，可以使用·http://user:password@host/语法：

proxies = {
         "http": "http://user:pass@10.10.1.10:3128/",
     }