python爬虫-urllib2的使用方法详解(python3)

文章目录

• python编程快速上手（持续更新中…）
  *
• python爬虫从入门到精通
• urllib2概述
  –
  • python2与python3对比
  • urlopen
  • Request
    +
  • User-Agent
  • 添加更多的Header信息
  • urllib2默认只支持HTTP/HTTPS的GET和POST方法
    +
  • URL编码转换：urllib.parse.urlencode
  • 模拟百度搜索
  • 批量爬取百度贴吧页面数据
  • 获取AJAX加载的内容(接口json)
  • 有道词典翻译网站
  • 处理HTTPS请求 SSL证书验证
  • 关于CA（了解）
  • Handler处理器 和 自定义Opener
    +
  • 简单的自定义opener()
  • ProxyHandler处理器（代理设置）
  • HTTPPasswordMgrWithDefaultRealm()
  • ProxyBasicAuthHandler(代理授权验证)
  • HTTPBasicAuthHandler处理器（Web客户端授权验证）
  • Cookie原理
    +
  • Cookie应用（126邮箱）
  • cookielib库 和 HTTPCookieProcessor处理器
    +
  • cookielib 库
  • 1）获取Cookie，并保存到CookieJar()对象中
  • 2. 访问网站获得cookie，并把获得的cookie保存在cookie文件中
  • 3. 从文件中获取cookies，做为请求的一部分去访问
  • urllib2 的异常错误处理
    +
  • URLError
  • HTTPError
  • 改进版

urllib2概述

所谓网页抓取，就是把URL地址中指定的网络资源从网络流中抓取出来。在Python中有很多库可以用来抓取网页，我们先学习urllib2。

urllib2 是 Python2.7 自带的模块(不需要下载，导入即可使用)
urllib2 官方文档：https://docs.python.org/2/library/urllib2.html
urllib2 源码：https://hg.python.org/cpython/file/2.7/Lib/urllib2.py

python2与python3对比

在 python3 中，urllib2 被改为urllib.request

python2python3import urllib2import urllib.request，urllib.errorimport urllibimport urllib.request，urllib.error，urllib.parseimport urlparseimport urllib.parseimport urlopenimport urllib.request.urlopenimport urlencodeimport urllib.parse.urlencodeimport urllib.quoteimport urllib.request.quotecookielib.CookieJarhttp.CookieJarurllib2.Requesturllib.request.Request

urlopen

我们先来段代码：
Python2

urllib2_urlopen.py

导入urllib2 库
import urllib2

向指定的url发送请求，并返回服务器响应的类文件对象
response = urllib2.urlopen("http://www.baidu.com")

类文件对象支持 文件对象的操作方法，如read()方法读取文件全部内容，返回字符串
html = response.read()

打印字符串
print html

python3

导入urllib3 库
from urllib.request import urlopen
import urllib.request

向指定的url发送请求，并返回服务器响应的类文件对象
response = urllib.request.urlopen("http://www.baidu.com")

类文件对象支持 文件对象的操作方法，如read()方法读取文件全部内容，返回字符串
html = response.read()

打印字符串
print (html)

实际上，如果我们在浏览器上打开百度主页， 右键选择”查看源代码”，你会发现，跟我们刚才打印出来的是一模一样。也就是说，上面的4行代码就已经帮我们把百度的首页的全部代码爬了下来。
一个基本的url请求对应的python代码真的非常简单。

Request

在我们第一个例子里，urlopen()的参数就是一个url地址；
但是如果需要执行更复杂的操作，比如增加HTTP报头，必须创建一个 Request 实例来作为urlopen()的参数；而需要访问的url地址则作为 Request 实例的参数。

python2

urllib2_request.py
import urllib2
url 作为Request()方法的参数，构造并返回一个Request对象
request = urllib2.Request("http://www.baidu.com")
Request对象作为urlopen()方法的参数，发送给服务器并接收响应
response = urllib2.urlopen(request)

html = response.read()
print html

python3

#

import urllib.request

url 作为Request()方法的参数，构造并返回一个Request对象
request = urllib.request.Request("http://www.baidu.com")

Request对象作为urlopen()方法的参数，发送给服务器并接收响应
response = urllib.request.urlopen(request)

html = response.read()

print (html)

运行结果是完全一样的：

新建Request实例，除了必须要有 url 参数之外，还可以设置另外两个参数：

data（默认空）：是伴随 url 提交的数据（比如要post的数据），同时 HTTP 请求将从 “GET”方式 改为 “POST”方式。

headers（默认空）：是一个字典，包含了需要发送的HTTP报头的键值对。

User-Agent

用不同的浏览器在发送请求的时候，会有不同的User-Agent头。

#urllib2_useragent.py

import urllib.request

url = "http://www.baidu.cn"

#IE 9.0 的 User-Agent，包含在 ua_header里
ua_header = {"User-Agent" : "Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; Trident/5.0;"}

 url 连同 headers，一起构造Request请求，这个请求将附带 IE9.0 浏览器的User-Agent
request = urllib.request.Request(url, headers = ua_header)

向服务器发送这个请求
response = urllib.request.urlopen(request)

html = response.read()
print (html)

添加更多的Header信息

在 HTTP Request 中加入特定的 Header，来构造一个完整的HTTP请求消息。

可以通过调用Request.add_header() 添加/修改一个特定的header 也可以通过调用Request.get_header()来查看已有的header。

添加一个特定的header

urllib2_headers.py

import urllib.request

url = "http://www.baidu.cn"

#IE 9.0 的 User-Agent
header = {"User-Agent" : "Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; Trident/5.0;"}
request = urllib.request.Request(url, headers = header)

#也可以通过调用Request.add_header() 添加/修改一个特定的header
request.add_header("Connection", "keep-alive")

也可以通过调用Request.get_header()来查看header信息
request.get_header(header_name="Connection")

response = urllib.request.urlopen(request)

print (response.code)     #可以查看响应状态码
html = response.read()

print (html)

随机添加/修改User-Agent

urllib2_add_headers.py

import urllib.request
import random

url = "http://www.baidu.cn"

ua_list = [
    "Mozilla/5.0 (Windows NT 6.1; ) Apple.... ",
    "Mozilla/5.0 (X11; CrOS i686 2268.111.0)... ",
    "Mozilla/5.0 (Macintosh; U; PPC Mac OS X.... ",
    "Mozilla/5.0 (Macintosh; Intel Mac OS... "
]

user_agent = random.choice(ua_list)

request = urllib.request.Request(url)

#也可以通过调用Request.add_header() 添加/修改一个特定的header
request.add_header("User-Agent", user_agent)

get_header()的字符串参数，第一个字母大写，后面的全部小写
request.get_header("User-agent")
print (request)

response = urllib.request.urlopen(request)

html = response.read()
print (html)

urllib2默认只支持HTTP/HTTPS的GET和POST方法

URL编码转换：urllib.parse.urlencode

编码工作使用urllib的函数，帮我们将这样的键值对，转换成这样的字符串，解码 import urllib.request.quote

import urllib.parse
import urllib.request

word = {"wd" : "你好"}

通过urllib.urlencode()方法，将字典键值对按URL编码转换，从而能被web服务器接受。
urllib.parse.urlencode(word)
print(urllib.parse.urlencode(word))
通过urllib.unquote()方法，把 URL编码字符串，转换回原先字符串。

print (urllib.parse.unquote("wd=%E4%BD%A0%E5%A5%BD"))

一般HTTP请求提交数据，需要编码成 URL编码格式，然后做为url的一部分，或者作为参数传到Request对象中。

获取方式
GET请求一般用于我们向服务器获取数据，比如说，我们用百度搜索：https://www.baidu.com/s?wd=上海
浏览器的url会跳转成如图所示：

在其中我们可以看到在请求部分里， 之后出现一个长长的字符串，其中就包含我们要查询的关键词传智播客，于是我们可以尝试用默认的Get方式来发送请求。http://www.baidu.com/s?

模拟百度搜索

import urllib.parse      #负责url编码处理
import urllib.request

url = "http://www.baidu.com/s"
word = {"wd":"上海"}
word = urllib.parse.urlencode(word) #转换成url编码格式（字符串）
newurl = url + "?" + word    # url首个分隔符就是 ?

headers={ "User-Agent": "Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/51.0.2704.103 Safari/537.36"}

request = urllib.request.Request(newurl, headers=headers)

response = urllib.request.urlopen(request)

html = response.read()

with open('百度搜索.html', 'wb') as f:
    f.write(html)

print (str)

批量爬取百度贴吧页面数据

输入一个百度贴吧的地址，以及起始页和结束页，就能将所有的网页源码下载并保存到本地。
比如百度贴吧LOL吧：
第一页：http://tieba.baidu.com/f?kw=lol&ie=utf-8&pn=0
第二页： http://tieba.baidu.com/f?kw=lol&ie=utf-8&pn=50
第三页： http://tieba.baidu.com/f?kw=lol&ie=utf-8&pn=100
发现规律了吧，贴吧中每个页面不同之处，就是url最后的pn的值，其余的都是一样的，我们可以抓住这个规律。

1.先写一个main，提示用户输入要爬取的贴吧名，并用urllib.urlencode（）进行转码，然后组合url，假设是lol吧，那么组合后的url就是：http://tieba.baidu.com/f?kw=lol

模拟 main 函数
if __name__ == "__main__":

    kw = input("请输入需要爬取的百度贴吧:")
    # 输入起始页和终止页，str转成int类型
    beginPage = int(input("请输入起始页："))
    endPage = int(input("请输入终止页："))

    url = "http://tieba.baidu.com/f?"
    key = urllib.parse.urlencode({"kw" : kw})

    # 组合后的url示例：http://tieba.baidu.com/f?kw=lol
    url = url + key
    tiebaSpider(url, beginPage, endPage)

2.接下来，我们写一个百度贴吧爬虫接口，我们需要传递3个参数给这个接口， 一个是main里组合的url地址，以及起始页码和终止页码，表示要爬取页码的范围。

def tiebaSpider(url, beginPage, endPage):
"""
        作用：负责处理url，分配每个url去发送请求
        url：需要处理的第一个url
        beginPage: 爬虫执行的起始页面
        endPage: 爬虫执行的截止页面
"""

    for page in range(beginPage, endPage + 1):
        pn = (page - 1) * 50

        filename = "第" + str(page) + "页.html"
        # 组合为完整的 url，并且pn值每次增加50
        fullurl = url + "&pn=" + str(pn)
        #print fullurl

        # 调用loadPage()发送请求获取HTML页面
        html = loadPage(fullurl, filename)
        # 将获取到的HTML页面写入本地磁盘文件
        writeFile(html, filename)

3.我们已经之前写出一个爬取一个网页的代码。现在，我们可以将它封装成一个小函数loadPage，供我们使用。

def loadPage(url, filename):
    '''
        作用：根据url发送请求，获取服务器响应文件
        url：需要爬取的url地址
        filename: 文件名
    '''
    print ("正在下载" + filename)

    headers = {"User-Agent": "Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; Trident/5.0;"}

    request = urllib.request.Request(url, headers = headers)
    response = urllib.request.urlopen(request)
    return response.read()

4.最后如果我们希望将爬取到了每页的信息存储在本地磁盘上，我们可以简单写一个存储文件的接口。

def tiebaSpider(url, beginPage, endPage):
"""
        作用：负责处理url，分配每个url去发送请求
        url：需要处理的第一个url
        beginPage: 爬虫执行的起始页面
        endPage: 爬虫执行的截止页面
"""

    for page in range(beginPage, endPage + 1):
        pn = (page - 1) * 50

        filename = "第" + str(page) + "页.html"
        # 组合为完整的 url，并且pn值每次增加50
        fullurl = url + "&pn=" + str(pn)
        #print fullurl

        # 调用loadPage()发送请求获取HTML页面
        html = loadPage(fullurl, filename)
        # 将获取到的HTML页面写入本地磁盘文件
        writeFile(html, filename)

获取AJAX加载的内容(接口json)

有些网页内容使用AJAX请求加载，这种数据无法直接对网页url进行获取。但是只要记住，AJAX请求一般返回给网页的是JSON文件，只要对AJAX请求地址进行POST或GET，就能返回JSON数据了。

如果非要从HTML页面里获取展现出来的数据，也不是不可以。但是要记住，作为一名爬虫工程师，你更需要关注的是数据的来源。

import urllib.request
import urllib.parse

url = "https://movie.douban.com/j/chart/top_list?type=11&interval_id=100%3A90&action=&"

headers={"User-Agent": "Mozilla...."}

变动的是这两个参数，从start开始往后显示limit个
formdata = {
    'start':'0',
    'limit':'10'
}
data = urllib.parse.urlencode(formdata)

request = urllib.request.Request(url + data, headers = headers)
response = urllib.request.urlopen(request)

print (response.read())

请求方式：POST
之前我们说了，Request请求对象的里有data参数，它就是用在POST里的，我们要传送的数据就是这个参数data，data是一个字典，里面要匹配键值对。

有道词典翻译网站

import urllib.request
import urllib.parse

POST请求的目标URL
url = "http://fanyi.youdao.com/translate?smartresult=dict&smartresult=rule&smartresult=ugc&sessionFrom=null"

headers={"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/96.0.4664.45 Safari/537.36"}

formdata = {
    "i":"我爱python",
    "from":"AUTO",
    "to":"AUTO",
    "doctype":"json",
}

data = urllib.parse.urlencode(formdata).encode("utf-8")

request = urllib.request.Request(url, data = data, headers = headers)
response = urllib.request.urlopen(request)
print (response.read().decode("utf-8"))

发送POST请求时，需要了解的headers一些属性：
Content-Length: 144： 是指发送的表单数据长度为144，也就是字符个数是144个。

Content-Type: application/x-www-form-urlencoded： 表示浏览器提交 Web 表单时使用，表单数据会按照name1=value1&name2=value2键值对形式进行编码。

X-Requested-With: XMLHttpRequest：表示AJAX异步请求。

处理HTTPS请求 SSL证书验证

现在随处可见 https 开头的网站，urllib2可以为 HTTPS 请求验证SSL证书，就像web浏览器一样，如果网站的SSL证书是经过CA认证的，则能够正常访问，如：等…https://www.baidu.com/

如果SSL证书验证不通过，或者操作系统不信任服务器的安全证书，比如浏览器在访问邮乐网如：http://www.ule.com/的时候，会警告用户证书不受信任

import urllib.request

url = "https://www.ule.com"
headers = {"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/54.0.2840.99 Safari/537.36"}

request = urllib.request.Request(url, headers = headers)
response = urllib.request.urlopen(request)

print (response.read())

在访问的时候则会报出SSLError：(未出现)

import urllib
import urllib.request
1. 导入Python SSL处理模块
import ssl

2. 表示忽略未经核实的SSL证书认证
context = ssl._create_unverified_context()

url = "https://www.ule.com"
headers = {"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/54.0.2840.99 Safari/537.36"}

request = urllib.request.Request(url, headers = headers)

3. 在urlopen()方法里 指明添加 context 参数
response = urllib.request.urlopen(request, context = context)

print (response.read().decode("utf-8"))

关于CA（了解）

CA（Certificate Authority）是数字证书认证中心的简称，是指发放、管理、废除数字证书的受信任的第三方机构，如北京数字认证股份有限公司、上海市数字证书认证中心有限公司等…

CA的作用是检查证书持有者身份的合法性，并签发证书，以防证书被伪造或篡改，以及对证书和密钥进行管理。

现实生活中可以用身份证来证明身份， 那么在网络世界里，数字证书就是身份证。和现实生活不同的是，并不是每个上网的用户都有数字证书的，往往只有当一个人需要证明自己的身份的时候才需要用到数字证书。
普通用户一般是不需要，因为网站并不关心是谁访问了网站，现在的网站只关心流量。但是反过来，网站就需要证明自己的身份了。
比如说现在钓鱼网站很多的，比如你想访问的是www.baidu.com，但其实你访问的是www.daibu.com”，所以在提交自己的隐私信息之前需要验证一下网站的身份，要求网站出示数字证书。

一般正常的网站都会主动出示自己的数字证书，来确保客户端和网站服务器之间的通信数据是加密安全的。

Handler处理器 和 自定义Opener

opener是 urllib2.OpenerDirector 的实例，我们之前一直都在使用的urlopen，它是一个特殊的opener（也就是模块帮我们构建好的）。

但是基本的urlopen()方法不支持代理、cookie等其他的HTTP/HTTPS高级功能。所以要支持这些功能：

使用相关的 Handler处理器 来创建特定功能的处理器对象；
然后通过 urllib2.build_opener()方法使用这些处理器对象，创建自定义opener对象；

使用自定义的opener对象，调用open()方法发送请求。

如果程序里所有的请求都使用自定义的opener，可以使用urllib2.install_opener() 将自定义的 opener 对象 定义为 全局opener，表示如果之后凡是调用urlopen，都将使用这个opener（根据自己的需求来选择）

简单的自定义opener()

import urllib.request

构建一个HTTPHandler 处理器对象，支持处理HTTP请求
http_handler = urllib.request.HTTPHandler()

构建一个HTTPHandler 处理器对象，支持处理HTTPS请求
http_handler = urllib2.HTTPSHandler()

调用urllib2.build_opener()方法，创建支持处理HTTP请求的opener对象
opener = urllib.request.build_opener(http_handler)

构建 Request请求
request = urllib.request.Request("http://www.baidu.com/")

调用自定义opener对象的open()方法，发送request请求
response = opener.open(request)

获取服务器响应内容
print (response.read())

这种方式发送请求得到的结果，和使用urllib2.urlopen()发送HTTP/HTTPS请求得到的结果是一样的。

如果在 HTTPHandler()增加 debuglevel=1参数，还会将 Debug Log 打开，这样程序在执行的时候，会把收包和发包的报头在屏幕上自动打印出来，方便调试，有时可以省去抓包的工作。

仅需要修改的代码部分：
构建一个HTTPHandler 处理器对象，支持处理HTTP请求，同时开启Debug Log，debuglevel 值默认 0
http_handler =  urllib.request.HTTPHandler(debuglevel=1)
构建一个HTTPHSandler 处理器对象，支持处理HTTPS请求，同时开启Debug Log，debuglevel 值默认 0
https_handler =  urllib.request.HTTPSHandler(debuglevel=1)

ProxyHandler处理器（代理设置）

使用代理IP，这是爬虫/反爬虫的第二大招，通常也是最好用的。

很多网站会检测某一段时间某个IP的访问次数(通过流量统计，系统日志等)，如果访问次数多的不像正常人，它会禁止这个IP的访问。
所以我们可以设置一些代理服务器，每隔一段时间换一个代理，就算IP被禁止，依然可以换个IP继续爬取。

urllib2中通过ProxyHandler来设置使用代理服务器，下面代码说明如何使用自定义opener来使用代理：

import urllib.request

构建了两个代理Handler，一个有代理IP，一个没有代理IP
使用时更换IP
httpproxy_handler = urllib.request.ProxyHandler({"http" : "103.216.103.25"})
nullproxy_handler = urllib.request.ProxyHandler({})

proxySwitch = True #定义一个代理开关

通过 urllib2.build_opener()方法使用这些代理Handler对象，创建自定义opener对象
根据代理开关是否打开，使用不同的代理模式
if proxySwitch:
    opener = urllib.request.build_opener(httpproxy_handler)
else:
    opener = urllib.request.build_opener(nullproxy_handler)

request = urllib.request.Request("http://www.baidu.com/")

1. 如果这么写，只有使用opener.open()方法发送请求才使用自定义的代理，而urlopen()则不使用自定义代理。
response = opener.open(request)

2. 如果这么写，就是将opener应用到全局，之后所有的，不管是opener.open()还是urlopen() 发送请求，都将使用自定义代理。
urllib2.install_opener(opener)
response = urlopen(request)

print (response.read())

免费的开放代理获取基本没有成本，我们可以在一些代理网站上收集这些免费代理，测试后如果可以用，就把它收集起来用在爬虫上面。

免费短期代理网站举例：
西刺免费代理IP
快代理免费代理
Proxy360代理
全网代理IP

如果代理IP足够多，就可以像随机获取User-Agent一样，随机选择一个代理去访问网站。

import urllib2
import random

proxy_list = [
    {"http" : "124.88.67.81:80"},
    {"http" : "124.88.67.81:80"},
    {"http" : "124.88.67.81:80"},
    {"http" : "124.88.67.81:80"},
    {"http" : "124.88.67.81:80"}
]

随机选择一个代理
proxy = random.choice(proxy_list)
使用选择的代理构建代理处理器对象
httpproxy_handler = urllib2.ProxyHandler(proxy)

opener = urllib2.build_opener(httpproxy_handler)

request = urllib2.Request("http://www.baidu.com/")
response = opener.open(request)
print response.read()

但是，这些免费开放代理一般会有很多人都在使用，而且代理有寿命短，速度慢，匿名度不高，HTTP/HTTPS支持不稳定等缺点（免费没好货）。

所以，专业爬虫工程师或爬虫公司会使用高品质的私密代理，这些代理通常需要找专门的代理供应商购买，再通过用户名/密码授权使用（舍不得孩子套不到狼）。

其次可以自己开发代理池：

HTTPPasswordMgrWithDefaultRealm()

HTTPPasswordMgrWithDefaultRealm()类将创建一个密码管理对象，用来保存 HTTP 请求相关的用户名和密码，主要应用两个场景：
1.验证代理授权的用户名和密码 (ProxyBasicAuthHandler())
2.验证Web客户端的的用户名和密码 (HTTPBasicAuthHandler())

ProxyBasicAuthHandler(代理授权验证)

如果我们使用之前的代码来使用私密代理，会报 HTTP 407 错误，表示代理没有通过身份验证：

urllib2.HTTPError: HTTP Error 407: Proxy Authentication Required

所以我们需要改写代码，通过：
HTTPPasswordMgrWithDefaultRealm()：来保存私密代理的用户密码
ProxyBasicAuthHandler()：来处理代理的身份验证。

#urllib2_proxy2.py

import urllib2
import urllib

私密代理授权的账户
user = "mr_mao_hacker"
私密代理授权的密码
passwd = "sffqry9r"
私密代理 IP
proxyserver = "61.158.163.130:16816"

1. 构建一个HTTP密码管理对象，用来保存需要处理的用户名和密码
#passwdmgr = urllib2.HTTPPasswordMgrWithDefaultRealm()

2. 添加账户信息，第一个参数realm是与远程服务器相关的域信息，一般没人管它都是写None，后面三个参数分别是 代理服务器、用户名、密码
#passwdmgr.add_password(None, proxyserver, user, passwd)

3. 构建一个代理基础用户名/密码验证的ProxyBasicAuthHandler处理器对象，参数是创建的密码管理对象
  注意，这里不再使用普通ProxyHandler类了
#proxyauth_handler = urllib2.ProxyBasicAuthHandler(passwdmgr)

BTW：
工作中常用下面的方式直接创建一个附带私密代理验证的处理器，使用更加简洁明了，并不需要上面3步的代码

1. 构建一个附带Auth验证的的ProxyHandler处理器类对象
proxyauth_handler = urllib2.ProxyHandler({"http" : "mr_mao_hacker:sffqry9r@61.158.163.130:16816"})

2. 通过 build_opener()方法使用这个代理Handler对象，创建自定义opener对象，参数包括构建的 proxy_handler
opener = urllib2.build_opener(proxyauth_handler)

3. 构造Request 请求
request = urllib2.Request("http://www.baidu.com/")

4. 使用自定义opener发送请求
response = opener.open(request)

5. 打印响应内容
print response.read()

HTTPBasicAuthHandler处理器（Web客户端授权验证）

有些Web服务器（包括HTTP/FTP等）的有些页面并不想提供公共访问权限，或者某些页面不希望公开，但是可以让特定的客户端访问。那么用户在访问时会要求进行身份认证。

爬虫直接访问会报HTTP 401 错误，表示访问身份未经授权：
urllib2.HTTPError: HTTP Error 401: Unauthorized

如果我们有客户端的用户名和密码，我们可以通过下面的方法去访问爬取：

import urllib.request

用户名
user = "test"
密码
passwd = "123456"
Web服务器 IP
webserver = "http://36.110.230.138"

1. 构建一个密码管理对象，用来保存需要处理的用户名和密码
passwdmgr = urllib.request.HTTPPasswordMgrWithDefaultRealm()

2. 添加账户信息，第一个参数realm是与远程服务器相关的域信息，一般没人管它都是写None，后面三个参数分别是 Web服务器、用户名、密码
passwdmgr.add_password(None, webserver, user, passwd)

3. 构建一个HTTP基础用户名/密码验证的HTTPBasicAuthHandler处理器对象，参数是创建的密码管理对象
httpauth_handler = urllib.request.HTTPBasicAuthHandler(passwdmgr)

4. 通过 build_opener()方法使用这些代理Handler对象，创建自定义opener对象，参数包括构建的 proxy_handler
opener = urllib.request.build_opener(httpauth_handler)

5. 可以选择通过install_opener()方法定义opener为全局opener
urllib.request.install_opener(opener)

6. 构建 Request对象
request = urllib.request.Request("http://192.168.199.107")

7. 定义opener为全局opener后，可直接使用urlopen()发送请求
response = urllib.request.urlopen(request)

8. 打印响应内容
print (response.read())

Cookie原理

HTTP是无状态的面向连接的协议, 为了保持连接状态, 引入了Cookie机制 Cookie是http消息头中的一种属性，包括：
Cookie名字（Name）
Cookie的值（Value）
Cookie的过期时间（Expires/Max-Age）
Cookie作用路径（Path）
Cookie所在域名（Domain），
使用Cookie进行安全连接（Secure）。

前两个参数是Cookie应用的必要条件，另外，还包括Cookie大小（Size，不同浏览器对Cookie个数及大小限制是有差异的
Cookie由变量名和值组成，根据 Netscape公司的规定，Cookie格式如下：
Set－Cookie: NAME=VALUE；Expires=DATE；Path=PATH；Domain=DOMAIN_NAME；SECURE

Cookie应用（126邮箱）

Cookies在爬虫方面最典型的应用是判定注册用户是否已经登录网站，用户可能会得到提示，是否在下一次进入此网站时保留用户信息以便简化登录手续。

import urllib.request

1. 构建一个已经登录过的用户的headers信息
headers = {
    "Host":"mail.126.com",
    "User-Agent":"Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/96.0.4664.45 Safari/537.36",
    "Accept":"*/*",
    "Accept-Language":"zh-CN,zh;q=0.9",

    # 便于终端阅读，表示不支持压缩文件
    # Accept-Encoding: gzip, deflate, sdch,

    # 重点：这个Cookie是保存了密码无需重复登录的用户的Cookie，这个Cookie里记录了用户名，密码(通常经过RAS加密)
    "Cookie": "nts_mail_user=zhoudoujun@126.com:-1:1; locale=; face=js6; starttime=; NTES_SESS=tu1OyQMVsxTGmw1XuucnAwZ1daMQieCs66W6ZKNqEu2PzSAkzfcxNLXOhLSHGgZcvjPNWjQLuCizeLs1M7t3kO.y8qk81xtrtdGBpfx._r4lh.7pDREL5IvynYZ1Ij7uQG1S0PCLy7SbQ792s9XgOcrp94uDPQ6TAUBn4Gea5iSiUzf1HYkLF2ab98kMRS9yWlZehSqqxdDtb9Eqqek._zMdb; S_INFO=1637825976|0|#3&80#|zhoudoujun@126.com; P_INFO=zhoudoujun@126.com|1637825976|0|mail126|00&99|shh&1637818969&carddav#shh&null#10#0#0|&0|mail126|zhoudoujun@126.com; df=mail163_letter; mail_upx=t10hz.mail.126.com|t11hz.mail.126.com|t12hz.mail.126.com|t13hz.mail.126.com|t5hz.mail.126.com|t6hz.mail.126.com|c4bj.mail.126.com|c5bj.mail.126.com|c6bj.mail.126.com|c7bj.mail.126.com|c1bj.mail.126.com|c2bj.mail.126.com|c3bj.mail.126.com; mail_upx_nf=; mail_idc=""; Coremail=55568781d357f%OBZyGliOwHSOWsAAbgOOMRnabfFmBSoM%g1a57.mail.126.com; MAIL_ENTRY_INFO=1|0|mail126|mail163_letter|58.246.226.97|f2462aa68af7fddab2d3985fbc31a98f_v1|; MAIL_ENTRY_CS=1eb529110d8f0417e82261c893af88dd; cm_last_info=dT16aG91ZG91anVuJTQwMTI2LmNvbSZkPWh0dHBzJTNBJTJGJTJGbWFpbC4xMjYuY29tJTJGanM2JTJGbWFpbi5qc3AlM0ZzaWQlM0RPQlp5R2xpT3dIU09Xc0FBYmdPT01SbmFiZkZtQlNvTSZzPU9CWnlHbGlPd0hTT1dzQUFiZ09PTVJuYWJmRm1CU29NJmg9aHR0cHMlM0ElMkYlMkZtYWlsLjEyNi5jb20lMkZqczYlMkZtYWluLmpzcCUzRnNpZCUzRE9CWnlHbGlPd0hTT1dzQUFiZ09PTVJuYWJmRm1CU29NJnc9aHR0cHMlM0ElMkYlMkZtYWlsLjEyNi5jb20mbD0tMSZ0PS0xJmFzPXRydWU=; MAIL_SESS=tu1OyQMVsxTGmw1XuucnAwZ1daMQieCs66W6ZKNqEu2PzSAkzfcxNLXOhLSHGgZcvjPNWjQLuCizeLs1M7t3kO.y8qk81xtrtdGBpfx._r4lh.7pDREL5IvynYZ1Ij7uQG1S0PCLy7SbQ792s9XgOcrp94uDPQ6TAUBn4Gea5iSiUzf1HYkLF2ab98kMRS9yWlZehSqqxdDtb9Eqqek._zMdb; MAIL_SINFO=1637825976|0|#3&80#|zhoudoujun@126.com; MAIL_PINFO=zhoudoujun@126.com|1637825976|0|mail126|00&99|shh&1637818969&carddav#shh&null#10#0#0|&0|mail126|zhoudoujun@126.com; secu_info=1; mail_entry_sess=19a654707d81ff01c7b94ea0ff61a57e06aeedb297086ab04c2d106125a78a7c35dfcfaf4f989b0ec30267cace80b630a0b2f1aecb83f357a4f504c92c762f2270a0ed1d273a3dfdca73bae4211ff0df4041125b4228c686796f2ecffcba027f81b24b6a6c551f0848342ad3f029a4f1eb60fa1d4473a9c1af51bb9d55b8d567b7a1899330e640b9b81642102ab7c578d1be00116536512a58fe90100780d95b60c5b432fd7c982d72a2790c30040cb9ac86d52aef029703feadcf4d747a3222; JSESSIONID=6CE971703B07F115BB3D8932435CFD09; Coremail.sid=OBZyGliOwHSOWsAAbgOOMRnabfFmBSoM; mail_style=js6; mail_uid=zhoudoujun@126.com; mail_host=mail.126.com"
}

2. 通过headers里的报头信息（主要是Cookie信息），构建Request对象
request = urllib.request.Request("https://mail.126.com/js6/main.jsp?sid=OBZyGliOwHSOWsAAbgOOMRnabfFmBSoM", headers = headers)

3. 直接访问renren主页，服务器会根据headers报头信息（主要是Cookie信息），判断这是一个已经登录的用户，并返回相应的页面
response = urllib.request.urlopen(request)

4. 打印响应内容
print (response.read().decode("utf-8"))

但是这样做太过复杂，我们先需要在浏览器登录账户，并且设置保存密码，并且通过抓包才能获取这个Cookie，那有么有更简单方便的方法呢

cookielib库 和 HTTPCookieProcessor处理器

在Python处理Cookie，一般是通过cookielib模块和 urllib2模块的HTTPCookieProcessor处理器类一起使用。

cookielib模块：主要作用是提供用于存储cookie的对象

HTTPCookieProcessor处理器：主要作用是处理这些cookie对象，并构建handler对象。

cookielib 库

该模块主要的对象有CookieJar、FileCookieJar、MozillaCookieJar、LWPCookieJar。

CookieJar：管理HTTP cookie值、存储HTTP请求生成的cookie、向传出的HTTP请求添加cookie的对象。整个cookie都存储在内存中，对CookieJar实例进行垃圾回收后cookie也将丢失。

FileCookieJar (filename,delayload=None,policy=None)：从CookieJar派生而来，用来创建FileCookieJar实例，检索cookie信息并将cookie存储到文件中。filename是存储cookie的文件名。delayload为True时支持延迟访问访问文件，即只有在需要时才读取文件或在文件中存储数据。

MozillaCookieJar (filename,delayload=None,policy=None)：从FileCookieJar派生而来，创建与Mozilla浏览器 cookies.txt兼容的FileCookieJar实例。

LWPCookieJar (filename,delayload=None,policy=None)：从FileCookieJar派生而来，创建与libwww-perl标准的 Set-Cookie3 文件格式兼容的FileCookieJar实例。

其实大多数情况下，我们只用CookieJar()，如果需要和本地文件交互，就用 MozillaCookjar() 或 LWPCookieJar()

我们来做几个案例：

1）获取Cookie，并保存到CookieJar()对象中

import urllib.request
import http.cookiejar

构建一个CookieJar对象实例来保存cookie
cookiejar = http.cookiejar.CookieJar()

使用HTTPCookieProcessor()来创建cookie处理器对象，参数为CookieJar()对象
handler=urllib.request.HTTPCookieProcessor(cookiejar)

通过 build_opener() 来构建opener
opener = urllib.request.build_opener(handler)

4. 以get方法访问页面，访问之后会自动保存cookie到cookiejar中
opener.open("http://www.baidu.com")

## 可以按标准格式将保存的Cookie打印出来
cookieStr = ""
for item in cookiejar:
    cookieStr = cookieStr + item.name + "=" + item.value + ";"

## 舍去最后一位的分号
print (cookieStr[:-1])

2. 访问网站获得cookie，并把获得的cookie保存在cookie文件中

import urllib.request
import http.cookiejar

保存cookie的本地磁盘文件名
filename = 'cookie.txt'

声明一个MozillaCookieJar(有save实现)对象实例来保存cookie，之后写入文件
cookiejar = http.cookiejar.MozillaCookieJar(filename)

使用HTTPCookieProcessor()来创建cookie处理器对象，参数为CookieJar()对象
handler = urllib.request.HTTPCookieProcessor(cookiejar)

通过 build_opener() 来构建opener
opener = urllib.request.build_opener(handler)

创建一个请求，原理同urllib2的urlopen
response = opener.open("http://www.baidu.com")

保存cookie到本地文件
cookiejar.save()

3. 从文件中获取cookies，做为请求的一部分去访问

import urllib.request
import http.cookiejar

创建MozillaCookieJar(有load实现)实例对象
cookiejar = http.cookiejar.MozillaCookieJar()

从文件中读取cookie内容到变量
cookie.load('cookie.txt')

使用HTTPCookieProcessor()来创建cookie处理器对象，参数为CookieJar()对象
handler = urllib.request.HTTPCookieProcessor(cookiejar)

通过 build_opener() 来构建opener
opener = urllib.request.build_opener(handler)

response = opener.open("http://www.baidu.com")

模拟登录要注意几点：

1.登录一般都会先有一个HTTP GET，用于拉取一些信息及获得Cookie，然后再HTTP POST登录。
2.HTTP POST登录的链接有可能是动态的，从GET返回的信息中获取。
3.password 有些是明文发送，有些是加密后发送。有些网站甚至采用动态加密的，同时包括了很多其他数据的加密信息，只能通过查看JS源码获得加密算法，再去破解加密，非常困难。
4.大多数网站的登录整体流程是类似的，可能有些细节不一样，所以不能保证其他网站登录成功。

这个测试案例中，为了想让大家快速理解知识点，我们使用的人人网登录接口是人人网改版前的隐藏接口(嘘…)，登录比较方便。

当然，我们也可以直接发送账号密码到登录界面模拟登录，但是当网页采用JavaScript动态技术以后，想封锁基于 HttpClient 的模拟登录就太容易了，甚至可以根据你的鼠标活动的特征准确地判断出是不是真人在操作。

所以，想做通用的模拟登录还得选别的技术，比如用内置浏览器引擎的爬虫(关键词：Selenium ，PhantomJS)，这个我们将在以后会学习到。

urllib2 的异常错误处理

在我们用urlopen或opener.open方法发出一个请求时，如果urlopen或opener.open不能处理这个response，就产生错误。
这里主要说的是URLError和HTTPError，以及对它们的错误处理。

URLError

URLError 产生的原因主要有：
没有网络连接
服务器连接失败
找不到指定的服务器

我们可以用try except语句来捕获相应的异常。下面的例子里我们访问了一个不存在的域名：

urllib2_urlerror.py
import urllib.error

request = urllib2.Request("http://www.ajkfhafwjqh.com")
try:
urllib2.urlopen(request, timeout=5)
except urllib.error.URLError as err:
    print err

运行结果如下：

HTTPError

HTTPError是URLError的子类，我们发出一个请求时，服务器上都会对应一个response应答对象，其中它包含一个数字”响应状态码”。
如果urlopen或opener.open不能处理的，会产生一个HTTPError，对应相应的状态码，HTTP状态码表示HTTP协议所返回的响应的状态。
注意，urllib2可以为我们处理重定向的页面（也就是3开头的响应码），100-299范围的号码表示成功，所以我们只能看到400-599的错误号码。

import urllib.error

request = urllib2.Request("http://www.adou.cn/blog")
try:
urllib2.urlopen(request)
except urllib.error.HTTPError as err:
    print err.code
    print err

改进版

由于HTTPError的父类是URLError，所以父类的异常应当写到子类异常的后面，所以上述的代码可以这么改写：

import urllib.error

request = urllib2.Request("http://www.adou.cn/blog")
try:
    urllib2.urlopen(request)
except urllib.error.HTTPError, err:
    print err.code
except urllib.error.URLError aserr:
    print err
else:
    print "Good Job"

运行结果如下：
404
这样我们就可以做到，首先捕获子类的异常，如果子类捕获不到，那么可以捕获父类的异常。

Original: https://blog.csdn.net/u012441595/article/details/121546052
Author: IT瘾君
Title: python爬虫-urllib2的使用方法详解(python3)