Python urllib、requests、HTMLParser

HTTP协议

HTTP 协议：一般指HTTP(超文本传输)协议。
HTTP是为Web浏览器和Web服务器之间的通信而设计的，基于TCP/IP通信协议嘞传递数据。

HTTP消息结构

客户端请求消息

客户端发送一个HTTP请求到服务器的请求消息包括以下格式

请求行(request line)
请求头(header)
空行
请求数据

在这里插入图片描述

服务器相应消息

HTTP相应也由四个部分组成

状态行
消息报头
空行
响应正文

在这里插入图片描述

HTTP响应头信息

HTTP请求头提供了关于请求，响应或者其他的发送实体的信息。
以下是一些例子

Allow 服务器支持哪些请求方法
Connect-Encoding 文档的编码方法
Connect-Length 表示内容长度
Connect-Type 表示后面的文档属于什么MIME类型。
- 该属性用于定义网络文件的类型和网页的编码例如Connect-Type: text/html; charset=utf-8
- MIME类型：描述消息内容类型的标准。通用结构type/subtype
Date 当前的GMT（格林威治标准时间）时间

HTTP请求方法

HTTP请求方法有很多种，其中1.0版本有 GET、POST、HEAD三种，1.1版本又新增了六种。

GET：请求指定的页面信息，并返回实体主体
HEAD：类似于GET请求，只不过返回的响应中没有具体内容，用于获取报头
POST：向指定资源提交数据进行处理请求。数据被包含在请求体中。请求可能导致新的资源的建立或已有资源的修改。

HTTP状态码

HTTP状态码由三个十进制数字组成，第一个十进制数字定义了状态码的类型，共五类。

1xx：信息，服务器收到请求，需要操作者继续执行操作
2xx：成功，操作被成功接收并处理
3xx：重定向
4xx：客户端错误
5xx：服务器错误

urllib 示例

urllib发送get请求

直接上代码，urllib发送get请求

from urllib import request

with request.urlopen('http://httpbin.org/get') as f:
    data = f.read()    #f.read()返回响应正文

#print(data.decode('utf-8'))
#直接输出结果，需要解码

#输出结果到文件
with open('get_response.text', 'wb') as f:
    f.write(data)

最简单的发送get请求的方法，使用openurl函数，尽管这个函数能实现的功能较为有限。
http://httpbin.org/get可以帮助学习如何发送get请求。响应的正文包含了get请求的相关信息。

with 语句适用于对资源进行访问的场合，确保不管使用过程中是否发生异常都会执行必要的“清理”操作，释放资源，比如文件使用后自动关闭／线程中锁的自动获取和释放等。

以下是响应的正文部分：

{
  "args": {}, 
  "headers": {
    "Accept-Encoding": "identity", 
    "Host": "httpbin.org", 
    "User-Agent": "Python-urllib/3.12", 
    "X-Amzn-Trace-Id": "Root=1-65d7213d-6d15d2b651139df358d943b7"
  }, 
  "origin": "42.229.145.105", 
  "url": "http://httpbin.org/get"
}

该网址返回的正文是请求的响应信息

args可以通过url直接带入：http://httpbin.org/get?name=Bob&job=teacher
headers请求头中可以看出，User-Agent就是我们使用的库函数，一些网站需要将User-Agent指定为常用的浏览器。

若要添加请求头，则需要用到urllib.Request()类。

requests库

requests库是基于python开发的HTTP库，与urllib标准库相比，代码要简洁。实际上，requests库是在urllib的基础上进行了高度封装。
使用requests库来发送HTTP请求更加简便。

get请求

import requests

#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',
}

#传入参数时，可以利用params关键字传入，接收字典类型，与直接在url加入参数效果相同。
#使用post方法时，利用data关键字接收参数。

r = requests.get('https://baidu.com', headers = headers)

#基本属性
print(type(r))
#响应对象类型  <class 'requests.models.Response'>
print(r.status_code)
#响应状态码  200
print(r.cookies)
#查看cookies  <RequestsCookieJar[<Cookie BDORZ=27315 for .baidu.com/>]>
print(r.headers)
#查看响应头
print(r.url)
#url

#响应正文内容
print(r.text)  #相应内容(str)
print(r.content)  #响应内容(bytes)  可以用decode解码