• Python爬虫--Urllib库


    Urllib库

    Urllib是python内置的HTTP请求库,包括以下模块:urllib.request (请求模块)、urllib.error( 异常处理模块)、urllib.parse (url解析模块)、urllib.robotparser (robots.txt解析模块)

    一、urllib.request 请求模块

    1、urllib.request.urlopen

    urllib.request.urlopen(url, data=None, [timeout, ]*, cafile=None, capath=None, cadefault=False, context=None)

    注: urlopen一般常用的有三个参数,它的参数如下:

    urllib.requeset.urlopen(url,data,timeout)

    1.1、url参数:

    import urllib.request
    
    response = urllib.request.urlopen('http://www.baidu.com')
    print(response.read().decode('utf-8'))
    

    1.2、data参数:

    import urllib.parse
    import urllib.request
    
    data = bytes(urllib.parse.urlencode({'word': 'hello'}), encoding='utf8')
    print(data)
    response = urllib.request.urlopen('http://httpbin.org/post', data=data)
    print(response.read())
    

    注:这里就用到urllib.parse,通过bytes(urllib.parse.urlencode())可以将post数据进行转换放到urllib.request.urlopen的data参数中。这样就完成了一次post请求。所以如果添加data参数的时候就是以post请求方式请求,如果没有data参数就是get请求方式 

    1.3、timeout参数

    在某些网络情况不好或者服务器端异常的情况会出现请求慢的情况,或者请求异常,所以这个时候我们需要给请求设置一个超时时间,而不是让程序一直在等待结果

    import urllib.request
    
    response = urllib.request.urlopen('http://httpbin.org/get', timeout=1)
    print(response.read())
    

    1.4、响应类型、状态码、响应头

    import urllib.request
    
    response = urllib.request.urlopen('https://www.python.org')
    print(type(response))
    print(response.status)    #获取状态码
    print(response.getheaders().response.getheader("server"))  #获取头部信息
    print(response.read()) #获取响应体的内容
    

    上述的urlopen只能用于一些简单的请求,因为它无法添加一些header信息,如果后面写爬虫我们可以知道,很多情况下我们是需要添加头部信息去访问目标站的,这个时候就用到了urllib.request

    2、urllib.request.Request

    2.1、request.Request 示例:

    import urllib.request
    
    request = urllib.request.Request('https://python.org')
    response = urllib.request.urlopen(request)
    print(response.read().decode('utf-8'))
    

    2.2、设置headers(请求头)

    有很多网站为了防止程序爬虫爬网站造成网站瘫痪,会需要携带一些headers头部信息才能访问

    from urllib import request, parse
    
    url = 'http://httpbin.org/post'
    headers = {
        'User-Agent': 'Mozilla/4.0 (compatible; MSIE 5.5; Windows NT)',
        'Host': 'httpbin.org'
    }
    dict = {
        'name': 'QQ'
    }
    data = bytes(parse.urlencode(dict), encoding='utf8')
    req = request.Request(url=url, data=data, headers=headers, method='POST')
    response = request.urlopen(req)
    print(response.read().decode('utf-8'))
    

    通过add_header设置请求头:

    from urllib import request, parse
    
    url = 'http://httpbin.org/post'
    dict = {
        'name': QQ'
    }
    data = bytes(parse.urlencode(dict), encoding='utf8')
    req = request.Request(url=url, data=data, method='POST')
    req.add_header('User-Agent', 'Mozilla/4.0 (compatible; MSIE 5.5; Windows NT)')
    response = request.urlopen(req)
    print(response.read().decode('utf-8'))
    

    2.3、设置代理

    通过rulllib.request.ProxyHandler()可以设置代理,网站它会检测某一段时间某个IP 的访问次数,如果访问次数过多,它会禁止你的访问,所以这个时候需要通过设置代理来爬取数据

    import urllib.request
    
    proxy_handler = urllib.request.ProxyHandler({
        'http': 'http://127.0.0.1:9743',
        'https': 'https://127.0.0.1:9743'
    })
    opener = urllib.request.build_opener(proxy_handler)
    response = opener.open('http://httpbin.org/get')
    print(response.read())

    2.4、设置cookie

    cookie中保存中我们常见的登录信息,有时候爬取网站需要携带cookie信息访问

    import http.cookiejar, urllib.request
    cookie = http.cookiejar.CookieJar() #用于获取cookie以及存储cookie
    handler = urllib.request.HTTPCookieProcessor(cookie)
    opener = urllib.request.build_opener(handler)
    response = opener.open('http://www.baidu.com')
    for item in cookie:
        print(item.name+"="+item.value)
    

    同时cookie可以写入到文件中保存,有两种方式http.cookiejar.MozillaCookieJar和http.cookiejar.LWPCookieJar()

    1 import http.cookiejar, urllib.request
    2 filename = "cookie.txt"
    3 cookie = http.cookiejar.MozillaCookieJar(filename)
    4 handler = urllib.request.HTTPCookieProcessor(cookie)
    5 opener = urllib.request.build_opener(handler)
    6 response = opener.open('http://www.baidu.com')
    7 cookie.save(ignore_discard=True, ignore_expires=True) 
    http.cookiejar.MozillaCookieJar()方式
    1 import http.cookiejar, urllib.request
    2 filename = 'cookie.txt'
    3 cookie = http.cookiejar.LWPCookieJar(filename)
    4 handler = urllib.request.HTTPCookieProcessor(cookie)
    5 opener = urllib.request.build_opener(handler)
    6 response = opener.open('http://www.baidu.com')
    7 cookie.save(ignore_discard=True, ignore_expires=True)
    http.cookiejar.LWPCookieJar()方式

    同样的如果想要通过获取文件中的cookie获取的话可以通过load方式,哪种方式写入的,就用哪种方式读取

    1 import http.cookiejar, urllib.request
    2 cookie = http.cookiejar.LWPCookieJar()
    3 cookie.load('cookie.txt', ignore_discard=True, ignore_expires=True)
    4 handler = urllib.request.HTTPCookieProcessor(cookie)
    5 opener = urllib.request.build_opener(handler)
    6 response = opener.open('http://www.baidu.com')
    7 print(response.read().decode('utf-8'))
    load

    二、urllib.error 异常处理模块

    在很多时候我们通过程序访问页面的时候,有的页面可能会出现错误,类似404,500等错误,这个时候就需要我们捕捉异常:

    1、URLError :reason属性,抓异常的时候只能打印错误信息

    from urllib import request,error
    
    try:
        response = request.urlopen("http://pythonsite.com/1111.html")
    except error.URLError as e:
        print(e.reason)
    
     1 import socket
     2 
     3 from urllib import error,request
     4 
     5 try:
     6     response = request.urlopen("http://www.pythonsite.com/",timeout=0.001)
     7 except error.URLError as e:
     8     print(type(e.reason))
     9     if isinstance(e.reason,socket.timeout):
    10         print("time out")
    使用reason深入判断

    2、HTTPError(HTTPError是URLError的子类)里有三个属性:code,reason,headers

    from urllib import request,error
    try:
        response = request.urlopen("http://pythonsite.com/1111.html")
    except error.HTTPError as e:
        print(e.reason)
        print(e.code)
        print(e.headers)
    except error.URLError as e:
        print(e.reason)
    
    else:
        print("reqeust successfully")
    

    三、urllib.parse url解析模块

    1、urlparse

    将URL字符串拆分,然后以元组的形式展示。

    from urllib.parse import urlparse
    
    result = urlparse("http://www.baidu.com/index.html;user?id=5#comment")
    print(result)
    
    #同时我们是可以指定协议类型:
    result = urlparse("www.baidu.com/index.html;user?id=5#comment",scheme="https")
    #这样拆分的时候协议类型部分就会是指定的部分,当然如果url里面已经带了协议,再通过scheme指定的协议就不会生效
    

    2、urlunpars

    将字符串拼接成url

    from urllib.parse import urlunparse
    
    data = ['http','www.baidu.com','index.html','user','a=123','commit']
    print(urlunparse(data))
    

    3、urljoin

    同样用于拼接字符串

    from urllib.parse import urljoin
    
    print(urljoin('http://www.baidu.com', 'FAQ.html'))
    print(urljoin('http://www.baidu.com', 'https://pythonsite.com/FAQ.html'))
    print(urljoin('http://www.baidu.com/about.html', 'https://pythonsite.com/FAQ.html'))
    print(urljoin('http://www.baidu.com/about.html', 'https://pythonsite.com/FAQ.html?question=2'))
    print(urljoin('http://www.baidu.com?wd=abc', 'https://pythonsite.com/index.php'))
    print(urljoin('http://www.baidu.com', '?category=2#comment'))
    print(urljoin('www.baidu.com', '?category=2#comment'))
    print(urljoin('www.baidu.com#comment', '?category=2'))
    

    4、urlencode

     这个方法可以将字典转换为url参数

    from urllib.parse import urlencode
    
    params = {
        "name":"QQ",
        "age":12,
    }
    base_url = "http://www.baidu.com?"
    
    url = base_url+urlencode(params)
    print(url)
    

      

  • 相关阅读:
    程序员的进阶课-架构师之路(2)-数组
    程序员的进阶课-架构师之路(1)-数据结构与算法简介
    ASP.NET开发实战——(三)第一个ASP.NET应用《MyBlog》
    ASP.NET开发实战——(二)为什么使用ASP.NET
    ASP.NET开发实战——(一)开篇-用VS创建一个ASP.NET Web程序
    asp.net core 系列 12 选项 TOptions
    Linux编程 1 (文件系统路径说明, 目录结构说明)
    asp.net core 系列 9 三种运行环境和IIS发布
    asp.net core 系列 6 MVC框架路由(下)
    asp.net core 系列 4 注入服务的生存期
  • 原文地址:https://www.cnblogs.com/Keep-Ambition/p/8457144.html
Copyright © 2020-2023  润新知