urllib是Python自带的标准库中用于网络请求的库 ，无需安装，直接引用即可。通常用于爬虫开发、API（应用程序编程接口）数据获取和测试。
urllib库的几个模块：
- urllib.request :用于打开和读取URL
- urllib.error:包含提出的例外(异常)urllib.request
- urllib.parse:用于解析URL
- urllib.robotparser:用于解析robots.txt文件
import urllib.request# 请求 URL
response = urllib.request.urlopen('http://www.example.com')# 获取响应内容
content = response.read()# 打印响应内容前 100 个字符
print(content[:100]) urllib.parse 模块可以用来解析 URL：
from urllib.parse import urlparse, parse_qs# 解析 URL
url = 'http://www.example.com/path?name=John&age=30'
parsed_url = urlparse(url)# 获取 URL 的各个组成部分
scheme = parsed_url.scheme
netloc = parsed_url.netloc
path = parsed_url.path
params = parsed_url.params
query = parsed_url.query
fragment = parsed_url.fragment# 解析查询字符串
query_dict = parse_qs(query)print(f"Scheme: {scheme}")
print(f"Netloc: {netloc}")
print(f"Path: {path}")
print(f"Params: {params}")
print(f"Query: {query}")
print(f"Fragment: {fragment}")
print(f"Query dictionary: {query_dict}")发送请求
- urllib.request库 模拟浏览器发起一个HTTP请求，并获取请求响应结果。
- urllib.request.urlopen urlopen(url, data=None, [timeout,]*, cafile=None, capath=None, cadefault=False, context=None)
data：默认值为None,urllib判断参数data是否为None从而区分请求方式。
urlopen函数返回的结果是一个http.client.HTTPResponse对象
写一个爬虫程序：
- 导入 urllib.request
- 打开url
- 读取响应内容
IP代理
IP代理：假如一个网站它会检测某一段时间某个IP的访问次数，如果访问次数过多，它会禁止你的访问。所以你可以设置一些代理服务器来帮助你做工作，每隔一段时间换一个代理。
IP代理的分类 ：
- 透明代理：目标网站知道你使用了代理且知道你的源IP地址
- 匿名代理：匿名程序比较低，也就是网站知道你使用了代理，但是并不知道你的源IP地址
- 高匿代理：最保险的方式，目录网站既不知道你使用了代理更不知道你的源IP
使用Cookie
为什么需要使用Cookie 解决http的无状态性
- 实例化MozillaCookieJar (保存cookie)
- 创建 handler对象（cookie的处理器）
- 创建opener对象
- 打开网页(发送请求获取响应)
- 保存cookie文件
异常处理主要用到两大类
urllib.error.URLError :用于捕获由urllib.request产生的异常，使用reason属性返回错误原因。
urllib.error.HTTPError :用于处理HTTP与HTTPS请求的错误，它有三个属性：
- code:请求返回的状态码
- reason:返回错误的原因
- headers:请求返回的响应头信息
requests库
Requests 是Python一个很实用的HTTP客户端，完全满足如今网络爬虫的需求
requests库的安装
- windows：pip install requests
- Mac : pip3 install requests
- Linux：sudo pip install requests
| 方法 | 描述 | |
| requests.request(url) | 构造一个请求，支持以下各种方法 | |
| requests.get() | 发送Get请求 | |
| requests.post() | 发送Post请求 | |
| requests.head() | 获取HTML的头部信息 | |
| requests.put() | 发送Put请求 | |
| requests.patch() | 提交局部修改的请求 | |
| requests.delete() | 提交删除请求 |
语法结构: requests.get(url, params=None)
- url:需要爬取的网站的网址
- params:请求参数
post请求
requests.post( url, data=None, json=None)
- url:需要爬取的网站的网址
- data:请求数据
- json :json格式的数据
POST请求和GET请求区别
- 数据传输方式：GET请求通常将参数包含在URL中，而POST请求则通过request body传递参数。这意味着GET请求的参数直接附加在URL之后，而POST请求的参数则放在请求体中。
- 安全性：由于GET请求的参数直接暴露在URL中，所以隐私性和安全性较差。POST请求的参数不在URL中，因此相对更加安全。
- 数据长度限制：GET请求的数据长度受到URL长度的限制，不同的浏览器和服务器对URL长度有不同的限制，一般限制在2~8K之间，更常见的是1K以内。POST请求没有长度限制，因为请求数据是放在body中的。
- 缓存和历史记录：GET请求可以被缓存，而POST请求不会被缓存。GET请求会被保存在浏览器的历史记录中，可以被收藏为书签，但POST请求不会。
- 影响服务器状态：GET请求通常用于获取信息，不应对服务器状态产生影响。POST请求通常用于提交数据，可能会改变服务器上的状态。
- 浏览器兼容性：GET请求可以直接在浏览器地址栏中输入URL来访问，而POST请求通常需要通过表单提交或其他客户端代码来实现。
- 重试和刷新：GET请求可以安全地进行重试和刷新，因为它只是获取数据。POST请求在刷新时可能会重复提交数据，导致多次执行相同的操作。
session发请求
- 获取session对象:requests.session()
- session对象.post() 发送post请求
import requests# 创建一个Session对象
session = requests.Session()# 设置请求头
headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/58.0.3029.110 Safari/537.3'}# 发送GET请求
response = session.get('https://www.example.com', headers=headers)# 打印响应内容
print(response.text)# 关闭Session
session.close()
