Python urllib 入门使用详细教程
作者:卡尔特斯
urllib 库,它是 Python 内置的 HTTP 请求库,不需要额外安装即可使用,这篇文章主要介绍了Python urllib 入门使用,需要的朋友可以参考下
一、简介
urllib
库,它是 Python
内置的 HTTP
请求库,不需要额外安装即可使用,它包含四个模块:
`request` 请求模块,提供最基本的 `HTTP` 请求处理。 `parse` 工具模块,提供处理 `url` 的很多方法:拆分、解析、合并等等。 `error` 异常处理模块,如果出现请求错误,可以捕获这些错误,保证程序不会意外终止。 `robotparser` 模块,主要用来识别网站的 `robots.txt` 文件,判断哪些网站可以爬取,用的比较少。
二、 request 模块
1、urlopen
:打开一个指定 URL
,然后使用 read()
获取网页的 HTML
实体代码。
# 使用 urllib import urllib.request # 1、定义一个 url url = 'http://www.baidu.com' # 2、模拟浏览器向服务器发送请求 response = urllib.request.urlopen(url) # 3、获取响应数据中的页面源码(注意:read() 返回的是字节形式的二进制数据,返回数据会被 b'xxx' 进行包裹) content = response.read() # 4、输出二进制数据 content print(content) # 输出结果:b'<html>\r\n<head>\r\n\t<script>\r\n\t\tlocation.replace(location.href.replace("https://","http://"));\r\n\t</script>\r\n</head>\r\n<body>\r\n\t<noscript><meta http-equiv="refresh" content="0;url=http://www.baidu.com/"></noscript>\r\n</body>\r\n</html>' # 5、将二进制数据转成字符串,这里需要网页对应的编码格式(例如:<meta http-equiv="Content-Type" content="text/html;charset=utf-8">),charset= 的就是编码格式 utf-8 content = content.decode('utf-8') # 6、输出字符串 content print(content)
2、response
:响应的数据对象 HTTPResponse
类型
# 使用 urllib import urllib.request # 1、定义一个 url url = 'http://www.baidu.com' # 2、模拟浏览器向服务器发送请求 response = urllib.request.urlopen(url) # response 是 http.client.HTTPResponse 类型 print(type(response)) # read 方法是按照一个字节一个字节的去读取内容 content = response.read() print(content) # read 方法可以指定读取多少个字节 content = response.read(50) print(content) # 读取一行 content = response.readline() print(content) # 读取所有行 content = response.readlines() print(content) # 获取状态码 print(response.getcode()) # 获取访问的链接地址 print(response.geturl()) # 获取 headers print(response.getheaders())
3、Request
:自定义请求对象
# 使用 urllib import urllib.request # url 的组成 # https://www.baidu.com/s?wd=123 # 协议 主机 端口号 路径 参数 锚点 # http/https www.baidu.com 80 s wd # # http 80 # https 443 # mysql 3306 # oracle 1521 # redis 6379 # mongdb 27017 # 1、定义一个 https 的 url url = 'https://www.baidu.com' # 2、模拟浏览器向服务器发送请求 response = urllib.request.urlopen(url) # 3、获取内容字符串 content = response.read().decode('utf-8') # 4 会发现直接这么拿回来的数据不完整,这就是反扒的其中一种,代表给到服务器识别的信息不完整,比如 header 头里面的请求信息缺少。 print(content) # 解决方式: # 定义 header headers = { # UA 最基本的防爬识别 'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_15_7) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/107.0.0.0 Safari/537.36' } # 1、定义一个 https 的 url url = 'https://www.baidu.com' # 2、定义一个 Request 对象,urlopen 方法并不能直接带 header。 # 细节:为什么这里需要写 url=url 而有的地方不需要?因为 Request 构造方法传参顺序问题 Request(url, data=None, headers={} ...) request = urllib.request.Request(url=url, headers=headers) # 3、模拟浏览器向服务器发送请求 response = urllib.request.urlopen(request) # 3、获取内容字符串 content = response.read().decode('utf-8') # 4 输出 print(content)
4、urlretrieve
:下载(例如:图片、视频、网页源码…)
# 使用 urllib import urllib.request # 下载网页 url = 'http://www.baidu.com' # 参数1:页面地址,参数2:文件名称(或路径与名称,例如:./test/baidu.html、baidu.html,不指定路径默认当前) urllib.request.urlretrieve(url, 'baidu.html') # 下载图片 url = 'https://gimg2.baidu.com/image_search/src=http%3A%2F%2Fpic1.win4000.com%2Fwallpaper%2F8%2F55402f62682e3.jpg&refer=http%3A%2F%2Fpic1.win4000.com&app=2002&size=f9999,10000&q=a80&n=0&g=0n&fmt=auto?sec=1670904201&t=2dc001fbd959432efe8b8ee0792589ba' # 参数1:页面地址,参数2:文件名称(或路径与名称,例如:./test/baidu.html、baidu.html,不指定路径默认当前) urllib.request.urlretrieve(url, 'dzm.jpg')
二、 parse 模块
1、quote
:(GET)参数进行 unicode
编码
quote
会对参数进行 unicode
编码,但是得一个一个参数的进行转换,在进行拼接,在多个参数时使用起来比较麻烦。
# 使用 urllib import urllib.request # 定义 header headers = { # UA 最基本的防爬识别 'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_15_7) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/107.0.0.0 Safari/537.36' } # 1、定义一个 https 的 url # 这种中文写法会报错,因为 ascii 检索不到 # url = 'https://www.baidu.com/s?wd=卡尔特斯CSDN' # 也就是需要 `卡尔特斯CSDN` 变成 unicode 编码格式,例如这样: # url = 'https://www.baidu.com/s?wd=%E5%8D%A1%E5%B0%94%E7%89%B9%E6%96%AFCSDN' # 准备基础地址(不能整个链接去进行 quote 转换)(GET) url = 'https://www.baidu.com/s?wd=' # 通过 urllib.parse.quote() 进行转换 wd = urllib.parse.quote('卡尔特斯CSDN') # print(wd) # %E5%8D%A1%E5%B0%94%E7%89%B9%E6%96%AFCSDN # 拼接起来 url = url + wd # 2、定义一个 Request 对象,urlopen 方法并不能直接带 header。 # 细节:为什么这里需要写 url=url 而有的地方不需要?因为 Request 构造方法传参顺序问题 Request(url, data=None, headers={} ...) request = urllib.request.Request(url=url, headers=headers) # 3、模拟浏览器向服务器发送请求 response = urllib.request.urlopen(request) # 3、获取内容字符串 content = response.read().decode('utf-8') # 4 输出 print(content)
2、urlencode
:(GET)参数进行 unicode
编码
urlencode
会对多个参数进行 unicode
编码。
# 使用 urllib import urllib.request # 定义 header headers = { # UA 最基本的防爬识别 'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_15_7) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/107.0.0.0 Safari/537.36' } # 1、定义一个 https 的 url # 这种中文写法会报错,因为 ascii 检索不到 # url = 'https://www.baidu.com/s?wd=卡尔特斯CSDN&sex=男' # 也就是需要 `卡尔特斯CSDN` 与 `男` 变成 unicode 编码格式,例如这样: # url = 'https://www.baidu.com/s?wd=%E5%8D%A1%E5%B0%94%E7%89%B9%E6%96%AFCSDN&sex=%E7%94%B7' # 准备基础地址(不能整个链接去进行 quote 转换)(GET) url = 'https://www.baidu.com/s?' # 参数 params = { 'wd': '卡尔特斯CSDN', 'sex': '男' } # 通过 urllib.parse.urlencode() 进行转换(多个参数) str = urllib.parse.urlencode(params) # print(str) # wd=%E5%8D%A1%E5%B0%94%E7%89%B9%E6%96%AFCSDN&sex=%E7%94%B7 # 通过 urllib.parse.quote() 进行转换(单个参数) # wd = urllib.parse.urlencode('卡尔特斯CSDN') # print(wd) # %E5%8D%A1%E5%B0%94%E7%89%B9%E6%96%AFCSDN # 拼接起来 url = url + str # 2、定义一个 Request 对象,urlopen 方法并不能直接带 header。 # 细节:为什么这里需要写 url=url 而有的地方不需要?因为 Request 构造方法传参顺序问题 Request(url, data=None, headers={} ...) request = urllib.request.Request(url=url, headers=headers) # 3、模拟浏览器向服务器发送请求 response = urllib.request.urlopen(request) # 3、获取内容字符串 content = response.read().decode('utf-8') # 4 输出 print(content)
2、urlencode
:(POST)参数进行 unicode
编码,附:Python爬虫Xpath定位数据的两种方法
# 使用 urllib import urllib.request # 使用 json import json # 定义 header headers = { # UA 最基本的防爬识别 'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_15_7) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/107.0.0.0 Safari/537.36' } # 请求地址(POST) url = 'https://fanyi.baidu.com/sug' # 参数 params = { 'kw': '名称' } # post 请求,参数不能进行拼接,需放到请求对象指定的参数对象中 # 通过 urllib.parse.urlencode() 进行转换(多个参数) # str = urllib.parse.urlencode(params) # 直接使用转换的参数字符串会报错:POST data should be bytes, an iterable of bytes, or a file object. It cannot be of type str. # request = urllib.request.Request(url=url, data=str, headers=headers) # 上面直接使用参数字符串会报错,是因为 post 请求参数必须要要进行编码,指定编码格式 data = urllib.parse.urlencode(params).encode('utf-8') # 模拟浏览器向服务器发送请求 request = urllib.request.Request(url=url, data=data, headers=headers) # 模拟浏览器向服务器发送请求 response = urllib.request.urlopen(request) # 获取内容字符串 content = response.read().decode('utf-8') # 将字符串转成 json obj = json.loads(content) # 输出 json print(obj)
三、 error 模块(URLError 与 HTTPError)
1、HTTPError
类是 URLError
类的子类。
2、导入包分别是:urllib.error.URLError
、urllib.error.HTTPError
。
3、通过 urllib
发送请求的时候,有可能发送失败,可以通过 try-except
进行异常捕获,异常有两类:URLError
与 HTTPError
类。
# 使用 urllib import urllib.request # 使用 json import json # 定义 header headers = { # UA 最基本的防爬识别 'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_15_7) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/107.0.0.0 Safari/537.36' } # 请求地址(POST) url = 'https://fanyi.baidu.com/sug' # 参数 params = { 'kw': '名称' } # post 请求,参数不能进行拼接,需放到请求对象指定的参数对象中 # 通过 urllib.parse.urlencode() 进行转换(多个参数) # str = urllib.parse.urlencode(params) # 直接使用转换的参数字符串会报错:POST data should be bytes, an iterable of bytes, or a file object. It cannot be of type str. # request = urllib.request.Request(url=url, data=str, headers=headers) # 上面直接使用参数字符串会报错,是因为 post 请求参数必须要要进行编码,指定编码格式 data = urllib.parse.urlencode(params).encode('utf-8') # 模拟浏览器向服务器发送请求 request = urllib.request.Request(url=url, data=data, headers=headers) # 模拟浏览器向服务器发送请求 response = urllib.request.urlopen(request) # 获取内容字符串 content = response.read().decode('utf-8') # 将字符串转成 json obj = json.loads(content) # 输出 json print(obj)
四、Handler 处理器(IP 代理)
五、xppath 使用
到此这篇关于Python urllib 入门使用详细教程的文章就介绍到这了,更多相关Python urllib使用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!