python网络爬虫开发：技术基础之urllib模块+requests模块
使用爬虫的时候离不开URL地址和下载页面，首先我们就来了解一下URL。它的语法格式一般为：
|
1
|
protocol :// hostname[:port] / path / [;parameters][?query]#fragment |
URL由三部分组成，第一部分是协议，有http、https、ftp等，第二部分存放资源的服务器的域名或IP地址，第三部分为资源的具体地址。
我们在进行网络请求的时候通常采用三种方式：urllib、urllib3和requests，下面我们就来介绍一下urllib和requests。
1. urllib模块
urllib是Python系统库中存在的一个模块，它提供了多个子模块：
1) urllib.request
提供打开和阅读URL的方法和类
2) urllib.error
包含异常类
3) urllib.parse
解析和引用URL
4) urllib.robotparser
解析robots.txt文件
我们使用最多的是第一个子模块中的方法，其中包含了对服务器请求的发出、跳转、代理等。
当我们向网页发送请求的时候，采用urllib.request.urlopen（）方法。
例如：
|
1
2
3
4
|
import urllib.request#引入模块response = urllib.request.urlopen('http://www.baidu.com/')html = response.read().decode('utf-8')#以utf-8格式读取网页的内容print(html)#输出内容 |
输出结果为网页中的内容（html格式）：
它还包含data参数，data参数主要是字节流编码格式的内容，即bytes类型，通过bytes()方法来进行转换。
|
1
2
3
4
5
|
import urllib.parseimport urllib.requestdata = bytes(urllib.parse.urlencode({'word': 'hello'}), encoding='utf8')response = urllib.request.urlopen('http://httpbin.org/post', data=data)print(response.read()) |
这个例子传递了一个参数word，它的值为hello，它会被转换为bytes类型，第二个参数为编码格式，我们常选择utf8。data参数有很多功能，这一点在后续会慢慢了解到。
还可以通过timeout参数来设置超时时间，它是直接加在urlopen括号中其余不常用参数就不作过多介绍，有兴趣的可以在Python官方文档中进行查阅。https://docs.python.org/3/library/urllib.request.html。
2. requests模块
requests是一种第三方模块，主要用于发送请求，它在使用的时候比urllib模块要简洁方便很多，我们可以在命令操作符里通过pip install requests来安装，也可以在Pycharm中直接进行安装。
我们可以通过requests模块的get方法打印多种请求信息，代码如下：
|
1
2
3
4
5
6
7
|
import requestsr = requests.get('https://www.douban.com/')print(r.status_code)#输出状态码print(r.encoding)#输出编码格式print(r.headers)#输出头部文件print(r.cookies)#输出cookie信息print(r.content)#输出字节流形式网页源码 |
输出结果如下：
|
1
2
|
418None{'Date': 'Wed, 19 Feb 2020 10:10:22 GMT', 'Content-Length': '0', 'Connection': 'keep-alive', 'Keep-Alive': 'timeout=30', 'Server': 'dae'}<RequestsCookieJar[]>b'' |
requests模块也可以使用post、put、delete、hand等来发送请求
3. 总结
本节我们主要介绍了Python发送网络请求的方式，在第一节介绍爬虫流程的时候提到过，发送请求是爬虫操作的关键步骤，但是我们在使用的时候会发现，无论是如何发送请求都会被服务器拒绝，因此我们需要请求headers处理，下一节我们来学习请求headers处理。
