在python中，urllib是请求url连接的标准库，在python2中，分别有urllib和urllib，在python3中，整合成了一个，称谓urllib
1、urllib.request
request主要负责构建和发起网络请求
1）GET请求（不带参数）
response = urllib.request.urlopen(url,data=None, [timeout, ]*)
返回的response是一个http.client.HTTPResponse object
response操作：
a) response.info() 可以查看响应对象的头信息,返回的是http.client.HTTPMessage object
b) getheaders() 也可以返回一个list列表头信息
c) response可以通过read(), readline(), readlines()读取，但是获得的数据是二进制的所以还需要decode将其转化为字符串格式。
d) getCode() 查看请求状态码
e) geturl() 获得请求的url
>>>>>>>
2）GET请求（带参数）
需要用到urllib下面的parse模块的urlencode方法
param = {"param1":"hello", "param2":"world"}
param = urllib.parse.urlencode(param) # 得到的结果为：param2=world¶m1=hello
url = "?".join([url, param]) # http://httpbin.org/ip?param1=hello¶m2=world
response = urllib.request.urlopen(url)
3）POST请求：
urllib.request.urlopen()默认是get请求，但是当data参数不为空时，则会发起post请求
传递的data需要是bytes格式
设置timeout参数，如果请求超出我们设置的timeout时间，会跑出timeout error 异常。
param = {"param1":"hello", "param2":"world"}
param = urllib.parse.urlencode(param).encode("utf8") # 参数必须要是bytes
response = urllib.request.urlopen(url, data=param, timeout=10)
4）添加headers
通过urllib发起的请求，会有一个默认的header：Python-urllib/version，指明请求是由urllib发出的，所以遇到一些验证user-agent的网站时，我们需要伪造我们的headers
伪造headers，需要用到urllib.request.Request对象
headers = {"user-agent:"Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/68.0.3440.106 Safari/537.36"}
req = urllib.request.Request(url, headers=headers)
resp = urllib.request.urlopen(req)
对于爬虫来说，如果一直使用同一个ip同一个user-agent去爬一个网站的话，可能会被禁用，所以我们还可以用用户代理池，循环使用不同的user-agent
原理：将各个浏览器的user-agent做成一个列表，然后每次爬取的时候，随机选择一个代理去访问
uapool = ["谷歌代理", 'IE代理', '火狐代理',...]
curua = random.choice(uapool)
headers = {"user-agent": curua}
req = urllib.request.Request(url, headers=headers)
resp = urllib.request.urlopen(req)
5）添加cookie
为了在请求的时候，带上cookie信息，需要构造一个opener
需要用到http下面的cookiejar模块
from http import cookiejar
from urllib import request
a) 创建一个cookiejar对象
cookie = cookiejar.CookieJar()
b) 使用HTTPCookieProcessor创建cookie处理器
cookies = request.HTTPCookieProcessor(cookie)
c) 以cookies处理器为参数创建opener对象
opener = request.build_opener(cookies)
d) 使用这个opener来发起请求
resp = opener.open(url)
e) 使用opener还可以将其设置成全局的，则再使用urllib.request.urlopen发起的请求，都会带上这个cookie
request.build_opener(opener)
request.urlopen(url)
6）IP代理
使用爬虫来爬取数据的时候，常常需要隐藏我们真实的ip地址，这时候需要使用代理来完成
IP代理可以使用西刺（免费的，但是很多无效），大象代理（收费）等
代理池的构建可以写固定ip地址，也可以使用url接口获取ip地址
固定ip：
from urllib import request
import random
ippools = ["36.80.114.127:8080","122.114.122.212:9999","186.226.178.32:53281"]
def ip(ippools):
cur_ip = random.choice(ippools)
# 创建代理处理程序对象
proxy = request.ProxyHandler({"http":cur_ip})
# 构建代理
opener = request.build_opener(proxy, request.HttpHandler)
# 全局安装
request.install_opener(opener)
for i in range(5):
try:
ip(ippools)
cur_url = "http://www.baidu.com"
resp = request.urlopen(cur_url).read().decode("utf8")
excep Exception as e:
print(e)
使用接口构建IP代理池（这里是以大象代理为例）
def api():
all=urllib.request.urlopen("http://tvp.daxiangdaili.com/ip/?tid=订单号&num=获取数量&foreign=only")
ippools = []
for item in all:
ippools.append(item.decode("utf8"))
return ippools
其他的和上面使用方式类似
7）爬取数据并保存到本地 urllib.request.urlretrieve()
如我们经常会需要爬取一些文件或者图片或者音频等，保存到本地
urllib.request.urlretrieve(url, filename)
8）urllib的parse模块
前面第2）中，我们用到了urllib.parse.urlencode()来编码我们的url
a）urllib.parse.quote()
这个多用于特殊字符的编码，如我们url中需要按关键字进行查询，传递keyword='诗经'
url是只能包含ASCII字符的，特殊字符及中文等都需要先编码在请求
要解码的话，使用unquote
b）urllib.parse.urlencode()
这个通常用于多个参数时，帮我们将参数拼接起来并编译，向上面我们使用的一样
9）urllib.error
urllib中主要两个异常，HTTPError，URLError，HTTPError是URLError的子类
HTTPError包括三个属性：
code：请求状态码
reason：错误原因
headers：请求报头
2、requests
requests模块在python内置模块上进行了高度的封装，从而使得python在进行网络请求时，变得更加人性化，使用requests可以轻而易举的完成浏览器可有的任何操作。
1）get：
requests.get(url) #不带参数的get请求
requests.get(url, params={"param1":"hello"}) # 带参数的get请求，requests会自动将参数添加到url后面
2）post：
requests.post(url, data=json.dumps({"key":"value"}))
3）定制头和cookie信息
header = {"content-type":"application/json"，"user-agent":"Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/68.0.3440.106 Safari/537.36"}
cookie = {"cookie":"cookieinfo"}
requests.post(url, headers=header, cookie=cookie)
requests.get(url, headers=header, cookie=cookie)
4）返回对象操作：
使用requests.get/post后会返回一个response对象，其存储了服务器的响应内容，我们可以通过下面方法读取响应内容
resp = requests.get(url)
resp.url # 获取请求url
resp.encoding # 获取当前编码
resp.encoding='utf8' # 设置编码
resp.text # 以encoding解析返回内容。字符串形式的响应体会自动根据响应头部的编码方式进行解码
resp.content # 以字节形式（二进制）返回。字节方式的响应体，会自动解析gzip和deflate压缩
resp.json() # requests中内置的json解码器。以json形式返回，前提是返回的内容确实是json格式的，否则会报错
resp.headers # 以字典形式存储服务器响应头。但是这个字典不区分大小写，若key不存在，则返回None
resp.request.headers # 返回发送到服务器的头信息
resp.status_code # 响应状态码
resp.raise_for_status() # 失败请求抛出异常
resp.cookies # 返回响应中包含的cookie
resp.history # 返回重定向信息。我们可以在请求时加上allow_redirects=False 来阻止重定向
resp.elapsed # 返回timedelta，响应所用的时间
具体的有哪些方法或属性，可以通过dir(resp)去查看。
5）Session()
会话对象，能够跨请求保持某些参数。最方便的是在同一个session发出的所有请求之间保持cookies
s = requests.Session()
header={"user-agent":""}
s.headers.update(header)
s.auth = {"auth", "password"}
resp = s.get(url)
resp1 = s.port(url)
6）代理
proxies = {"http":"ip1", "https":"ip2"}
requests.get(url, proxies=proxies)
7）上传文件
requests.post(url, files={"file": open(file, 'rb')})
把字符串当做文件上传方式：
requests.post(url, files={"file":('test.txt', b'hello world')}}) # 显示的指明文件名为test.txt
8）身份认证（HTTPBasicAuth）
from requests.auth import HTTPBasicAuth
resp = request.get(url, auth=HTTPBasicAuth("user", "password"))
另一种非常流行的HTTP身份认证形式是摘要式身份认证
requests.get(url, HTTPDigestAuth("user", "password"))
9）模拟登陆GitHub demo
from bs4 import BeautifulSoup
# 访问登陆界面，获取登陆需要的authenticity_token
url = "https://github.com/login"
resp = requests.get(url)
# 使用BeautifulSoup解析爬取的html代码并获取authenticity_token的值
s = BeautifulSoup(resp.text, "html.parser")
token = s.find("input", attrs={"name":"authenticity_token"}).get("value")
# 获取登陆需要携带的cookie
cookie = resp.cookies.get_dict()
# 带参数登陆
login_url = "https://github.com/session"
login_data = {
"commit":"Sign+in",
"utf8":"✓",
"authenticity_token":token,
"login":username,
"password":password
}
resp2 = requests.post(login_url, data=login_data, cookies=cookie)
# 获取登陆后的cookie
logged_cookie = resp2.cookies.get_dict()
# 携带cookie就可以访问你想要访问的任意网页了
requests.get(url, cookies=logged_cookie)
# 也可以把爬取的网页写入本地文件
with open(file, "w", encoding='utf8') as f:
f.write(resp2.text)
参考：https://www.cnblogs.com/ranxf/p/7808537.html