Python爬虫之urllib库详解
作者:人猿宇宙
一、说明:
urllib库是python内置的一个http请求库,requests库就是基于该库开发出来的,虽然requests库使用更方便,但作为最最基本的请求库,了解一下原理和用法还是很有必要的。
二、urllib四个模块组成:
urllib.request
请求模块(就像在浏览器输入网址,敲回车一样)
urllib.error
异常处理模块(出现请求错误,可以捕捉这些异常)
urllib.parse
url解析模块
urllib.robotparser
robots.txt解析模块,判断哪个网站可以爬,哪个不可以爬,用的比较少
在python2与python3中有所不同
在python2中:
import urllib2 response = urllib2.urlopen('http://www.baidu.com')
在python3中:
import urllib.request response = urllib.request.urlopen('http://www.baidu.com')
三、urllib.request
1、urlopen函数
urllib.request.urlopen(url, data=None, timeout=socket._GLOBAL_DEFAULT_TIMEOUT,*, cafile=None, capath=None, cadefault=False, context=None)
url参数
from urllib import request response = request.urlopen('http://www.baidu.com') print(response.read().decode('utf-8'))
data参数
没有data参数时,发送的是一个get请求,加上data参数后,请求就变成了post方式(利用’http://httpbin.org测试网址)
import urllib.request import urllib.parse data1= bytes(urllib.parse.urlencode({'word':'hello'}),encoding='utf-8') response = urllib.request.urlopen('http://httpbin.org/post',data = data1) print(response.read())
data参数需要bytes类型,所以需要使用bytes()函数进行编码,而bytes函数的第一个参数需要时str类型,所以使用urllib.parse.urlencode将字典转化为字符串。
timeout参数
设置一个超时的时间,如果在这个时间内没有响应,便会抛出异常
import urllib.request try: response = urllib.request.urlopen('http://www.baidu.com', timeout=0.001) print(response.read()) except: print('error')
将超时时间设置为0.001秒,在这个时间内,没有响应,输出error
2、response 响应类型
import urllib from urllib import request response = urllib.request.urlopen('http://www.baidu.com') print(type(response))
状态码与响应头
import urllib from urllib import request response = urllib.request.urlopen('http://www.baidu.com') print(response.status) print(response.getheaders()) print(response.getheader('Server'))
read方法
import urllib.request response = urllib.request.urlopen('http://www.baidu.com') print(type(response.read())) print(response.read().decode('utf-8'))
response.read()返回的是bytes形式的数据,所以需要用decode(‘utf-8’)进行解码。
3、Request对象
如果我们需要发送复杂的请求,在urllib库中就需要使用一个Request对象
import urllib.request #直接声明一个Request对象,并把url当作参数直接传递进来 request = urllib.request.Request('http://www.baidu.com') response = urllib.request.urlopen(request) print(response.read().decode('utf-8'))
声明了一个Request对象,把url当作参数传递给这个对象,然后把这个对昂作为urlopen函数的参数
更复杂的请求,加headers
#利用Request对象实现一个post请求
import urllib.request url = 'http://httpbin.org/post' headers = { 'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/86.0.4240.198 Safari/537.36' } data = {'word':'hello'} data = bytes(str(data),encoding='utf-8') req = urllib.request.Request(url = url,data = data,headers = headers,method = 'POST') response = urllib.request.urlopen(req) print(response.read().decode('utf-8'))
上面的这个请求包含了请求方式、url,请求头,请求体,逻辑清晰。
Request对象还有一个add_header方法,这样也可以添加多个键值对的header
4、高级请求方式
设置代理
很多网站会检测某一段时间某个IP的访问次数(通过流量统计,系统日志等),如果访问次数多的不像正常人,它会禁止这个IP的访问。ProxyHandler(设置代理的handler),可以变换自己的IP地址。
from urllib import request # 导入request模块 url = 'http://httpbin.org' # url地址 handler = request.ProxyHandler({'http': '122.193.244.243:9999'}) # 使用request模块ProxyHandler类创建代理 #handler = request.ProxyHandler({"http":"账号:密码@'122.193.244.243:9999'"}) #付费代理模式 opener = request.build_opener(handler) # 用handler创建opener resp = opener.open(url) # 使用opener.open()发送请求 print(resp.read()) # 打印返回结果
cookie
import urllib.request import urllib.parse url = 'https://weibo.cn/5273088553/info' # 正常的方式进行访问 # headers = { # 'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/63.0.3239.84 Safari/537.36' # } #携带cookie进行访问 headers = { 'GET https': '//weibo.cn/5273088553/info HTTP/1.1', 'Host': ' weibo.cn', 'Connection': ' keep-alive', 'Upgrade-Insecure-Requests': ' 1', 'User-Agent': ' Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/63.0.3239.84 Safari/537.36', 'Accept': ' text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,image/apng,*/*;q=0.8', # 'Referer: https':'//weibo.cn/', 'Accept-Language': ' zh-CN,zh;q=0.9', 'Cookie': ' _T_WM=c1913301844388de10cba9d0bb7bbf1e; SUB=_2A253Wy_dDeRhGeNM7FER-CbJzj-IHXVUp7GVrDV6PUJbkdANLXPdkW1NSesPJZ6v1GA5MyW2HEUb9ytQW3NYy19U; SUHB=0bt8SpepeGz439; SCF=Aua-HpSw5-z78-02NmUv8CTwXZCMN4XJ91qYSHkDXH4W9W0fCBpEI6Hy5E6vObeDqTXtfqobcD2D32r0O_5jSRk.; SSOLoginState=1516199821', } request = urllib.request.Request(url=url, headers=headers) response = urllib.request.urlopen(request) # 输出所有 # print(response.read().decode('gbk')) # 将内容写入文件中 with open('weibo.html', 'wb') as fp: fp.write(response.read())
四、urllib.error
可以捕获三种异常:URLError,HTTPError(是URLError类的一个子类),ContentTooShortError
URLError只有一个reason属性
HTTPError有三个属性:code,reason,headers
import urllib.request from urllib import error try: response = urllib.request.urlopen('http://123.com') except error.URLError as e: print(e.reason)
import urllib from urllib import request from urllib import error #先捕捉http异常,再捕捉url异常 try: response = urllib.request.urlopen('http://123.com') except error.HTTPError as e: print(e.reason, e.code, e.headers) except error.URLError as e: print(e.reason) else: print('RequestSucess!')
五、URL解析urllib.parse
urlparse函数
该函数是对传入的url进行分割,分割成几部分,并对每部分进行赋值
import urllib from urllib import parse result = urllib.parse.urlparse('http://www,baidu.com/index.html;user?id=5#comment') print(type(result)) print(result)
结果方便的拆分了url
<class 'urllib.parse.ParseResult'> ParseResult(scheme='http', netloc='www,baidu.com', path='/index.html', params='user', query='id=5', fragment='comment') Process finished with exit code 0
从输出结果可以看出,这几部分包括:协议类型、域名、路径、参数、query、fragment
urlparse有几个参数:url,scheme,allow_fragments
在使用urlparse时,可以通过参数scheme = 'http’的方式来指定默认的协议类型,如果url有协议类型,scheme参数就不会生效了
urlunparse函数
与urlparse函数作用相反,是对url进行拼接的
urljoin函数
用来拼接url
urlencode函数
可以把一个字典转化为get请求参数
六、urllib.robotparser
使用较少,可作为了解
总结
到此这篇关于Python爬虫之urllib库详解的文章就介绍到这了,更多相关Python urllib库内容请搜索脚本之家以前的文章或继续浏览下面的相关文章希望大家以后多多支持脚本之家!