• python爬虫urllib库详解


    什么是Urllib

    Urllib是python内置的HTTP请求库,中文文档如下:https://docs.python.org/3/library/urllib.html
    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

    urlopen

    关于urllib.request.urlopen参数的介绍:
    urllib.request.urlopen(url, data=None, [timeout, ]*, cafile=None, capath=None, cadefault=False, context=None)

    url参数的使用

    先写一个简单的例子:

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

    urlopen一般常用的有三个参数,它的参数如下:
    urllib.requeset.urlopen(url,data,timeout)
    response.read()可以获取到网页的内容,如果没有read(),将返回如下内容

    data参数的使用

    上述的例子是通过请求百度的get请求获得百度,下面使用urllib的post请求
    这里通过http://httpbin.org/post网站演示(该网站可以作为练习使用urllib的一个站点使用,可以
    模拟各种请求操作)。

    复制代码
    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())
    复制代码

    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。
    所以如果我们添加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

    timeout参数的使用
    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。例子如下:

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

    运行之后我们看到可以正常的返回结果,接着我们将timeout时间设置为0.1
    运行程序会提示如下错误

    所以我们需要对异常进行抓取,代码更改为

    复制代码
    import socket
    import urllib.request
    import urllib.error
    
    try:
        response = urllib.request.urlopen('http://httpbin.org/get', timeout=0.1)
    except urllib.error.URLError as e:
        if isinstance(e.reason, socket.timeout):
            print('TIME OUT')
    复制代码

    响应

    响应类型、状态码、响应头

    import urllib.request
    
    response = urllib.request.urlopen('https://www.python.org')
    print(type(response))

    可以看到结果为:<class 'http.client.httpresponse'="">
    我们可以通过response.status、response.getheaders().response.getheader("server"),获取状态码以及头部信息
    response.read()获得的是响应体的内容

    当然上述的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

    request

    设置Headers
    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,最长见的有user-agent参数

    写一个简单的例子:

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

    给请求添加头部信息,从而定制自己请求网站是时的头部信息

    复制代码
    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': 'zhaofan'
    }
    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'))
    复制代码

    添加请求头的第二种方式

    复制代码
    from urllib import request, parse
    
    url = 'http://httpbin.org/post'
    dict = {
        'name': 'Germey'
    }
    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'))
    复制代码

    这种添加方式有个好处是自己可以定义一个请求头字典,然后循环进行添加

    高级用法各种handler

    代理,ProxyHandler

    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

    复制代码
    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())
    复制代码

    cookie,HTTPCookiProcessor

    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,这里用到了http.cookijar,用于获取cookie以及存储cookie

    复制代码
    import http.cookiejar, urllib.request
    cookie = http.cookiejar.CookieJar()
    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)
    复制代码

    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(),当然你自己用哪种方式都可以

    具体代码例子如下:
    http.cookiejar.MozillaCookieJar()方式

    复制代码
    import http.cookiejar, urllib.request
    filename = "cookie.txt"
    cookie = http.cookiejar.MozillaCookieJar(filename)
    handler = urllib.request.HTTPCookieProcessor(cookie)
    opener = urllib.request.build_opener(handler)
    response = opener.open('http://www.baidu.com')
    cookie.save(ignore_discard=True, ignore_expires=True)
    复制代码

    http.cookiejar.LWPCookieJar()方式

    复制代码
    import http.cookiejar, urllib.request
    filename = 'cookie.txt'
    cookie = http.cookiejar.LWPCookieJar(filename)
    handler = urllib.request.HTTPCookieProcessor(cookie)
    opener = urllib.request.build_opener(handler)
    response = opener.open('http://www.baidu.com')
    cookie.save(ignore_discard=True, ignore_expires=True)
    复制代码

    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,当然用哪种方式写入的,就用哪种方式读取。

    复制代码
    import http.cookiejar, urllib.request
    cookie = http.cookiejar.LWPCookieJar()
    cookie.load('cookie.txt', ignore_discard=True, ignore_expires=True)
    handler = urllib.request.HTTPCookieProcessor(cookie)
    opener = urllib.request.build_opener(handler)
    response = opener.open('http://www.baidu.com')
    print(response.read().decode('utf-8'))
    复制代码

    异常处理

    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,下面先写一个简单的例子

    复制代码
    from urllib import request,error
    
    try:
        response = request.urlopen("http://pythonsite.com/1111.html")
    except error.URLError as e:
        print(e.reason)
    复制代码

    上述代码访问的是一个不存在的页面,通过捕捉异常,我们可以打印异常错误

    这里我们需要知道的是在urllb异常这里有两个个异常错误:
    URLError,HTTPError,HTTPError是URLError的子类

    URLError里只有一个属性:reason,即抓异常的时候只能打印错误信息,类似上面的例子

    HTTPError里有三个属性:code,reason,headers,即抓异常的时候可以获得code,reson,headers三个信息,例子如下:

    复制代码
    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")
    复制代码

    同时,e.reason其实也可以在做深入的判断,例子如下:

    复制代码
    import socket
    
    from urllib import error,request
    
    try:
        response = request.urlopen("http://www.pythonsite.com/",timeout=0.001)
    except error.URLError as e:
        print(type(e.reason))
        if isinstance(e.reason,socket.timeout):
            print("time out")
    复制代码

    URL解析

    urlparse
    The URL parsing functions focus on splitting a URL string into its components, or on combining URL components into a URL string.

    urllib.parse.urlparse(urlstring, scheme='', allow_fragments=True)

    功能一:

    from urllib.parse import urlparse
    
    result = urlparse("http://www.baidu.com/index.html;user?id=5#comment")
    print(result)

    结果为:

    这里就是可以对你传入的url地址进行拆分
    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你指定的部分,当然如果你的url里面已经带了协议,你再通过scheme指定的协议就不会生效

    urlunpars

    其实功能和urlparse的功能相反,它是用于拼接,例子如下:

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

    结果如下

    urljoin

    这个的功能其实是做拼接的,例子如下:

    复制代码
    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'))
    复制代码

    结果为:

    从拼接的结果我们可以看出,拼接的时候后面的优先级高于前面的url

    urlencode
    这个方法可以将字典转换为url参数,例子如下

    复制代码
    from urllib.parse import urlencode
    
    params = {
        "name":"zhaofan",
        "age":23,
    }
    base_url = "http://www.baidu.com?"
    
    url = base_url+urlencode(params)
    print(url)
    复制代码

    结果为:

    博客参考于:https://www.cnblogs.com/zhaof/p/6910871.html

  • 相关阅读:
    什么时候用GET?什么时候用POST?
    Oracle存储过程in、out、in out 模式参数
    oracle的spool功能
    xshell-常用命令
    js Date()日期函数浏览器兼容问题解决方法
    spring-quartz
    spring-quartz普通任务与可传参任务
    MySQL服务安装和可视化工具安装
    PL/SQL Developer 查询的数据有乱码或者where 字段名=字段值 查不出来数据
    Windows下安装Redis服务
  • 原文地址:https://www.cnblogs.com/wlx97e6/p/10083008.html
Copyright © 2020-2023  润新知