• 爬虫之urllib包以及request模块和parse模块,爬虫之urllib.error模块

    爬虫之urllib包以及request模块和parse模块

     

    urllib简介

    简介

    Python3中将python2.7的urllib和urllib2两个包合并成了一个urllib库

    Python3中,urllib库包含有四个模块:

    1. urllib.request        主要用来打开或者读取url
    2. urllib.error            主要用来存放返回的错误信息
    3. urllib.parse           主要用来解析url
    4. urllib.robotparser  主要用来解析robots.txt文件

    模块安装与导入

    urllib是python自带的一个包，无需安装，导入方法如下：

    1
    2
    from urllib import request
    ...

    urllib.request

    urllib.request这个模块用得比较多, 尤其是urlopen函数，会返回一个二进制的对象，对这个对象进行read（）操作可以得到一个包含网页的二进制字符串，然后用decode()解码成一段html代码:

    语法结构:

    1
    urllib.request.urlopen(url,data=None,[timeout,]*,cafile=None, capath=None, cadefault=False, context=None)

    参数:其中url既可以是一个URL字符串,又可以是一个Requst对象,一般使用后者添加其他参数。

    当request的方式是post时,使用参数data，用于填写传递的表单信息，将data填好表单信息，准备传入urlopen 前，还需要利用urllib.parse里的urlencode()函数转换格式，写成data = urllib.parse.urlencode(data).encode(‘’),然后将data传入函数。

    而urllib.request的Request函数，也可以用于打开url字符串，同时可以传入更多的参数，例如：headers，Request函数可以返回一个request对象作为urlopen函数的url参数使用。

    语法结构:

    1
    urllib.request. Request(url, data=None, headers={}, origin_req_host=None, unverifiable=False, method=None)

    参数:其中url是一个URL字符串。

    data用法与urlopen一致。

    headers参数是一个字典，服务器对于用户发出的request，会通过其中的headers信息来判断用户发信息，我们可以通过自己编写headers传入urllib.request. Request中用于伪装自己的身份。Header中User-agent参数是判断用户身份。另外通过设置代理可以改变用户提交时的IP地址。

     

    爬虫之urllib.error模块

     

    error模块简介

    我们在爬虫的时候发请求的时候难免出现错误，如访问不到服务器或者访问被禁止等等，

    出错了之后urllib将错误信息封装成了一个模块对象中，这个模块就叫error模块

    error的分类

    分为URLError和HTTPError。

    URLError是OSError的一个子类

    有以下错误的时候错误信息就会被封装在URLError里：

    1. 无网络
    2. 有网络但是由于种种原因导致服务器连接失败

    而如果能够连接服务器但是服务器返回了错误代码如404，403等等（400以上），那么催无信息就会被封装在HTTPError里

    URLError与HttpError的区别和关系

    区别：

    • URLError封装的错误信息一般是由网络引起的，包括url错误
    • HTTPError封装的错误信息一般是服务器返回了错误状态码

    关系：

    • URLError是OSERROR的子类，HTTPError是URLError的子类

    使用方法

    error类是在捕获错误信息的时候使用，而且一般我们也需要进行捕获，因为你很难确定访问请求一定不会出现错误

    1
    2
    3
    4
    5
    6
    7
    8
    9
    10
    11
    12
    13
    14
    15
    16
    17
    18
    19
    20
    21
    from urllib import request
    from urllib import error
     
    url = 'http://baiduuuu.com'
     
    try:
        res = request.Request(url)
        response = request.urlopen(res)
     
        print(response.read().decode())
     
    except error.HTTPError as he:
        print(he)
        # print(he.reason)
     
    except error.URLError as ue:
        print(ue)
        # print(ue.reason)
     
    except Exception as e:
        print(e)

    注意：由于HTTPError是URLError的子类，所以捕获的时候HTTPError要放在URLError的上面

    urllib.parse  

    待续......

    urllib.robotparser 

    待续......

    爬虫小示例

    代码

    1
    2
    3
    4
    5
    6
    7
    8
    9
    10
    11
    12
    13
    14
    15
    16
    17
    18
    19
    from urllib import request
     
    # 定义一个url
    url = 'https://www.baidu.com/'
     
    # 用request.urlopen()方法打开指定的url
    response = request.urlopen(url)
     
    # 返回的是一个HTTPResponse对象
    print(type(response))    # <class 'http.client.HTTPResponse'>
    print(response)          # <http.client.HTTPResponse object at 0x00000196C95CB550>
     
    # 调用返回的response对象的read()方法，可以读取url返回的html内容，不过是bytes类型的
    html = response.read()
    print(type(html))        # <class 'bytes'>
     
    # 对bytes类型的html进行解码
    html = html.decode()
    print(html)

    分析

    根据以上代码，我们得知，urllib包下面的request模块的urlopen方法可以获取一个HttpResponse对象，通过调用对象的read()方法可以获取二进制格式的url的html内容，对结果进行解码即可

     urlopen返回的HttpResonse对象

    我们从上面的小示例可以看出，urlopen打开一个url后会返回一个HttpResponse对象，这个对象有以下几个常用的方法：

    read()

    次方法用来读取url的html内容，格式为二进制

    geturl()

    用来获取urlopen的url参数，也就是所打开的url

    如，在上面示例中调用此方法：

    1
    2
    3
    print(response.geturl())
      
    # https://www.baidu.com/

    info()

    返回response对象的meta信息

    1
    2
    3
    4
    5
    6
    7
    8
    9
    10
    11
    12
    13
    14
    15
    16
    17
    18
    19
    print(response.info())
     
    '''
    Accept-Ranges: bytes
    Cache-Control: no-cache
    Content-Length: 227
    Content-Type: text/html
    Date: Wed, 09 May 2018 13:59:22 GMT
    Last-Modified: Tue, 08 May 2018 03:45:00 GMT
    P3p: CP=" OTI DSP COR IVA OUR IND COM "
    Pragma: no-cache
    Server: BWS/1.1
    Set-Cookie: BD_NOT_HTTPS=1; path=/; Max-Age=300
    Set-Cookie: BIDUPSID=E163F6688178D6656D765FF58DBA2D01; expires=Thu, 31-Dec-37 23:55:55 GMT; max-age=2147483647; path=/; domain=.baidu.com
    Set-Cookie: PSTM=1525874362; expires=Thu, 31-Dec-37 23:55:55 GMT; max-age=2147483647; path=/; domain=.baidu.com
    Strict-Transport-Security: max-age=0
    X-Ua-Compatible: IE=Edge,chrome=1
    Connection: close
    '''

    getcode()

    返回http状态码。200 404  403等

    1
    2
    3
    print(response.getcode())
     
    # 200

    给urlopen传递参数

    get方法传参

    利用url参数给服务器传递信息

    参数为dict类型，需要用parse对字典参数进行编码

    格式为：

    1
    response = request.urlopen(url,data)

    示例如下：

    1
    2
    3
    4
    5
    6
    7
    8
    9
    10
    11
    12
    13
    14
    15
    16
    17
    from urllib import request
    from urllib import parse
     
    url = 'https://www.baidu.com/s'
     
    # 让用户输入关键词
    keyword = input('请输入您要搜索的内容：')
     
    # 定义一个字典，将用户输入的关键字封装到里面
    data = {'kw':keyword}
     
    # 对data进行编译
    data = parse.urlencode(data).encode()
     
    response = request.urlopen(url,data)
     
    print(response.read().decode())

    上面的小示例是直接用给urlopen的data传参数的形式来传递数据，也可以将参数数据封装给一个Request对象，然后将对象再传递给urlopen。

    这种方法可以传递更多的信息，如header等，可以更好的隐藏我们身份，伪装成浏览器访问，如下：

    1
    2
    3
    4
    5
    6
    7
    8
    9
    10
    11
    12
    13
    from urllib import request
    from urllib import parse
     
    keyword = input('请输入您要搜索的内容：')
    url = 'https://www.baidu.com/s'
    data = {'kw':keyword}
    header = {'Content-Length':len(data)}
     
    req = request.Request(url,data=parse.urlencode(data).encode(),headers=header)
     
    response = request.urlopen(req)
     
    print(response.read().decode())

    post方法传参

    连接百度翻译接口的小示例

    1
    2
    3
    4
    5
    6
    7
    8
    9
    10
    11
    12
    13
    14
    15
    16
    17
    18
    from urllib import request
    from urllib import parse
     
    url = 'http://fanyi.baidu.com/sug'
     
    keyword = input('请输入您要翻译的词语')
     
    data = {'kw':keyword}
    data = parse.urlencode(data).encode()
     
    header = {'Content-Length':len(data)}
     
    res = request.Request(url,data=data,headers=header)
     
    response = request.urlopen(res)
     
    res = response.read().decode()
    print(res)

    上面的小示例返回的是一个json类型的字典，输入'girl'之后翻译结果如下：

    1
    {"errno":0,"data":[{"k":"girl","v":"n. u5973u5b69; u59d1u5a18uff0cu672au5a5au5973u5b50; u5973u804cu5458uff0cu5973u6f14u5458; uff08u7537u4ebau7684uff09u5973u670bu53cb;"},{"k":"girls","v":"n. u5973u5b69; u5973u513f( girlu7684u540du8bcdu590du6570 ); u5973u5de5; uff08u7537u4ebau7684uff09u5973u670bu53cb;"},{"k":"girlfriend","v":"n. u5973u670bu53cb; u5973u6027u670bu53cb;"},{"k":"girl friend","v":"n. u5973u670bu53cbuff0cuff08u7537u4ebau7684uff09u60c5u4eba; u5bf9u8c61;"},{"k":"Girls' Generation","v":" u5c11u5973u65f6u4ee3uff08u97e9u56fdSMu5a31u4e50u6709u9650u516cu53f8u4e8e2007u5e74u63a8u51fau7684u4e5du540du5973u5b50u5c11u5973u7ec4u5408uff09;"}]}

    我们只需要用json给它转成字典格式，然后循环展示即可查看到结果，如下：

    1
    2
    3
    4
    5
    6
    7
    8
    9
    10
    11
    12
    13
    14
    15
    16
    17
    18
    19
    20
    21
    22
    23
    24
    from urllib import request
    from urllib import parse
    import json
     
    url = 'http://fanyi.baidu.com/sug'
     
    keyword = input('请输入您要翻译的词语')
     
    data = {'kw':keyword}
    data = parse.urlencode(data).encode()
     
    header = {'Content-Length':len(data)}
     
    res = request.Request(url,data=data,headers=header)
     
    response = request.urlopen(res)
     
    res = response.read().decode()
     
    fanyi_res = json.loads(res)['data']
     
     
    for item in fanyi_res:
        print(item['k'],item['v'])

    结果如下：

    1
    2
    3
    4
    5
    6
    请输入您要翻译的词语girl
    girl n. 女孩; 姑娘，未婚女子; 女职员，女演员; （男人的）女朋友;
    girls n. 女孩; 女儿( girl的名词复数 ); 女工; （男人的）女朋友;
    girlfriend n. 女朋友; 女性朋友;
    girl friend n. 女朋友，（男人的）情人; 对象;
    Girls' Generation  少女时代（韩国SM娱乐有限公司于2007年推出的九名女子少女组合）;
  • 相关阅读:
    5.14事务
    5.13Mysql数据库Database
    未来打算
    浅谈P NP NPC
    1222
    1219
    Linux初等命令
    惩罚因子（penalty term）与损失函数（loss function）
    12 14
    java 泛型思考
  • 原文地址：https://www.cnblogs.com/xyhh/p/10860821.html
Copyright © 2020-2023  润新知