Python爬虫之urllib库

请求库 urllib

urllib主要分为几个部分

urllib.request 发送请求
urllib.error 处理请求过程中出现的异常
urllib.parse 处理url
urllib.robotparser 解析robots.txt -->规定了该网站的爬虫权限

urllib.request方法

data = urllib.request.urlopen(url)  #返回response对象

data.read() --->取出网页源代码 （bytes类型，可以通过decode()转成utf-8） 注意网页源代码不包括js处理后的数据
data.info() --->取出响应的头信息
data.getcode() --->取出返回码
data.geturl() --->取出请求的url

用脚本发出的请求，headers中的User-Agent是python-urllib/3.6，有些网站会根据这个来识别请求是不是脚本发出的，进而过滤掉爬虫，那我们怎么来模拟浏览器访问呢？
用urllib.request.Request()来携带headers头信息

headers = {
'User=Agent':'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/65.0.3325.181 Safari/537.36',
}
request = urllib.request.Request(url,headers=headers) #实例Request()对象,Request对象初始化可以传入headers
data = urllib.request.urlopen(request) #urlopen不仅可以传入一个url，并且可以传入一个Request对象

urllib.request是如何区分请求时get还是post呢？
看看urllib.request的源代码，可以知道，如果如果请求携带data参数，则为post请求，反之则为get请求

Cookies使用

固定写法

import http.cookiejar
# 创建cookieJar对象
cookie_jar = http.cookiejar.CookieJar()
# 使用HTTPCookieProcessor创建cookie处理器,并以它为参数构建opener对象
opener = urllib.request.build_opener(urllib.request.HTTPCookieProcessor(cookie_jar))
# 把opener变成urlopen,安装之后，给urlopen加上了保存cookies功能
urllib.request.install_opener(opener) #如果不想安装也可以，直接用opener.open(url)打开

设置代理

固定写法

proxy = {'http':'183.232.188.18:80','https':'183.232.188.18:80'} # 代理 ip:port
# 创建代理处理器
proxies = urllib.request.ProxyHandler(proxy)
# 创建opener对象
opener = urllib.request.build_opener(proxies,urllib.request.HTTPHandler)
urllib.request.install_opener(opener) # 如果不想安装也可以，直接用opener.open(url)打开，这样opener就有代理而urlopen没有

urllib.error

URLError是父类 断网或者服务器不存在 有异常原因，没有code属性
HTTPError是子类 服务器存在，但是地址不存在，有code和reason属性

#url = 'http://www.adfdsfdsdsa.com' URLError
#url = 'https://jianshu.com/p/jkhsdhgjkasdhgjkadfhg' HTTPError

判断方法

try:
    data = urllib.request.urlopen(url)
    print(data.read().decode())
except urllib.error.URLError as e:
    if hasattr(e,'code'):
        print('HTTPError')
    elif hasattr(e,'reason'):
        print('URLError')

urllib.parse

import urllib.parse

# urllib.parse.urljoin() # 拼接url 字符串拼接，若都是域名，则以后面覆盖
# urllib.parse.urlencode() # 把字典转查询字符串
# urllib.parse.quote() # url采用ascii码编码，出现中文时需要进行url编码
# urllib.parse.unquote() # url解码 
#
urlencode

>>> from urllib import parse
>>> query = {
'name': 'walker',
'age': 99,
}
>>> parse.urlencode(query)
'name=walker&age=99'

quote/quote_plus

>>> from urllib import parse
>>> parse.quote('a&b/c') #未编码斜线
'a%26b/c'
>>> parse.quote_plus('a&b/c') #编码了斜线
'a%26b%2Fc'

unquote/unquote_plus

from urllib import parse
>>> parse.unquote('1+2') #不解码加号
'1+2'
>>> parse.unquote('1+2') #把加号解码为空格
'1 2'

url = 'http://www.baidu.com/?wd=书包'
urllib.request.urlopen(url)  #会报错编码错误
#如果想正确请求，需要url = 'http://www.baidu.com/?wd={}'.format(urllib.parse.quote('书包')) 先把中文进行url编码，然后再去请求

urllib3

requests库底层用的urllib3

 import urllib3
 http = urllib3.PoolManager()

r = http.request('GET','https://www.jianshu.com',redirect=False) # 关闭重定向
print(r.status) 

 具体的urllib3的使用可以参考https://www.cnblogs.com/KGoing/p/6146999.html