爬虫-urllib3模块的使用

urllib3是一个功能强大，对SAP健全的 HTTP客户端，许多Python生态系统已经使用了urllib3。

一、安装

sudo pips install urllib3

二、创建PoolManager对象

　　通过urllib3访问网页，首先需要构造一个PoolManager实例对象用于处理与线程池的连接以及线程安全的所有细节，然后通过request（）方法来发送请求

• import urllib3
  
  #创建PoolManager对象，用于处理与线程池的连接以及线程安全的所有细节
  http = urllib3.PoolManager()
  
  #对需要爬取的网页发送请求
  resp = http.request(method,url,...)

  method和url两个参数必选，并且method需要大写

三、基本GET请求（headers参数和fields参数）

• 最基本的GET请求

  import urllib3
  
  #创建PoolManager对象，用于处理与线程池的连接以及线程安全的所有细节
  http = urllib3.PoolManager()
  
  #对需要爬取的网页发送请求
  resp = http.request('GET','https://www.baidu.com/')
  
  print(resp.data.decode())#响应数据
  print(resp.headers)#响应头信息
  print(resp.status)#状态码
  resp.release_conn()#释放这个http连接

• 添加headers和查询参数

　　　可以传入headers参数(dict类型)来增加请求头中的headers信息。可以利用fields参数传递查询参数(dict类型)，注意url后面的’?‘一定不能带上

• import urllib3
  
  http = urllib3.PoolManager()
  
  kw = {"wd":"长城"}
  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"}
  resp = proxy.request('GET','https://www.baidu.com/s',fields=kw,headers = headers)
  print(resp.data.decode())

四、基本POST请求（fields参数）

• 最基本的POST请求需要传入fields参数(dict类型)，urllib3会自动将其转换成表单数据类型

  import urllib3
  
  http = urllib3.PoolManager()
  
  #需要提交的数据
  data = {'word':'hello'}
  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"}
  response = http.request('POST','http://httpbin.org/post',fields = data,headers = headers)
  print(response.data.decode())

• url中携带查询参数

  • 需要先通过urlencode()编码，然后附加在url后面，这和GET方式有所不同（示例略）

• 传递json数据（body参数）

  • 利用body参数进行传递，但是数据需要先序列化成json字符串，然后headers中需要设置’Content-Type’:’application/json’

• import urllib3
  import json
  
  http = urllib3.PoolManager()
  url = 'https://openapi.vmall.com/mcp/offlineshop/getShopList'
  data = {
  "portal":2,"lang":"zh-CN","country":"CN","brand":1,"province":"山西","city":"太原","pageNo":1,"pageSize":20
  }
  
  # 将字典类型数据序列化成json字符串
  json_data = json.dumps(data)
  
  #headers中设置Conten-Type为application/json
  headers = {
      'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_15_4) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/80.0.3987.163 Safari/537.36',
      'Content-Type':'application/json'
  }
  resp = http.request('POST',url,body = json_data,headers = headers)
  print(resp.data.decode())

  注意：body参数和fields参数不能同时使用

五、文件上传

• 普通文件上传

• 使用multipart/form-data编码方式上传文件,可以使用和传入Form data数据一样的方法进行,并将文件定义为一个二元元组（文件名，数据）或三元元组（文件名，数据，MIME类型），文件名的定义虽然不是严格要求的,但是推荐使用,以使得表现得更像浏览器

  import urllib3
  
  http = urllib3.PoolManager()
  
  #打开文件test.txt
  with open('test.txt','r') as f:
      file_data = f.read()
  
  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"}
  
  #三元元组的方式传入
  resp = http.request('POST','http://httpbin.org/post',fields={'filefield':('test.txt',file_data,'text/plain')},headers=headers)
  #二元元组的方式传入
  #resp = http.request('POST','http://httpbin.org/post',fields={'filefield':('test.txt',file_data)},headers=headers)
  print(resp.data.decode('unicode_escape'))

• 二进制文件上传

  • 原始二进制数据，只要将其定义为body参数即可。同时，建议对header的Content-Type参数进行设置

    import urllib3
    
    http = urllib3.PoolManager()
    
    with open('test.jpg','rb') as f:
        binary_data = f.read()
    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",'Content-Type':'image/jpeg'}
    resp = http.request('POST','http://httpbin.org/post',body = binary_data,headers = headers)
    print(resp.data.decode())

六、超时设置

• 使用timeout，可以控制请求的总超时时间（连接超时和读取超时时间总和），timeout参数为一个浮点数：

  resp = http.request('GET','http://httpbin.org/delay/3',timeout = 4.0)

• 也可以分别设置总超时、连接超时和读取超时时间，这时候需要使用Timeout（）实例，里面有3个关键字参数total，connect和read：

  #设置总超时时间为3.0秒，连接超时不超过1.5秒，读取超时不超过2.0秒
  resp = http.request('GET','http://httpbin.org/delay/3',timeout = urllib3.Timeout(total=3.0,connect=1.5,read=2.0))

• 如果想让所有的request都遵循一个timeout，可以将timeout参数定义在PoolManager中，当在具体的request中再次定义timeout时，会覆盖PoolManager层面上的timeout。

  http = urllib3.PoolManager(timeout = urllib3.Timeout(total=3.0,connect=1.5,read=2.0))
  
  #http = urllib3.PoolManager(timeout = 4.0)

七、重试（retries参数）以及重定向（redirect参数）设置

• urllib3默认进行3次请求重试，3次重定向

• 通过retries来自定义请求重试次数

  #设置请求重试次数10次
  resp = http.request('GET','http://httpbin.org/ip',retries = 10)

• 将参数retries设为False，请求重试和重定向会同时关闭

  #同时关闭请求重试和重定向
  resp = http.request('GET','http://httpbin.org/redirect/1',retries = False)

• 将参数redirect设为False，仅关闭重定向，保持请求重试

  #仅关闭重定向
  resp = http.request('GET','http://httpbin.org/redirect/1',redirect = False)

• 通过Retry（）实例可以精细控制重试和重定向次数，该实例默认总重试次数为10次，比如我们设置3次重试，2次重定向

  resp = http.request('GET','http://httpbin.org/redirect/3',retries = urllib3.Retry(3,redirect = 2))

• 如果想让所有的request都遵循一个请求重试和重定向策略，可以在PoolManager中定义retries参数，当在具体的request中再次定义retries时，会覆盖 PoolManager层面上的retries。

  http = urllib3.PoolManager(retries = urllib3.Retry(3,redirect=2))
  #http = urllib3.PoolManager(retries = False)

八、ProxyManager（代理IP）

• 如果你需要使用代理来访问某个网站的话, 那么你可以使用 ProxyManager 对象来进行设置
• ProxyManager和PoolManager的方法基本完全相同，这里举个简单的小例子

  import urllib3
  
  #创建ProxyManager对象
  proxy_http = urllib3.ProxyManager('https://175.42.122.96:9999')
  
  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"}
  
  #利用代理对需要爬取的网页发送请求
  resp = proxy_http.request('GET','https://www.baidu.com/',headers=headers)
  
  print(resp.data.decode())#响应数据
  print(resp.headers)#响应头信息
  print(resp.status)#状态码
  resp.release_conn()#释放这个http连接

九、SSL证书验证

• urllib3默认不验证HTTPS请求，如果想开启验证，最可靠的方法是使用提供Mozilla根证书包的certifi包

  sudo pip3 install certifi

• 获得证书后，可以在PoolManager中定义cert_reqs参数和ca_certs参数，来自动处理证书验证

  import urllib3
  import certifi
  
  #开启ssl证书自动验证
  http = urllib3.PoolManager(cert_reqs='CERT_REQUIRED',ca_certs=certifi.where())
  
  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"}
  resp = http.request('GET','https://www.baidu.com/',headers=headers)
  
  print(resp.data.decode())

• 如果需要，可以使用OS提供的证书。只需指定证书包的完整路径作为ca_certs参数而不是 certifi.where()。例如，大多数Linux系统都存储证书/etc/ssl/certs/ca-certificates.crt。

  import urllib3
  import certifi
  
  http = urllib3.PoolManager(cert_reqs='CERT_REQUIRED',ca_certs='/etc/ssl/certs/ca-certificates.crt')