什么是Urllib
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
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:
importurllib.request
response= urllib.request.urlopen('')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/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)。
importurllib.parseimporturllib.request
data= bytes(urllib.parse.urlencode({'word': 'hello'}), encoding='utf8')print(data)
response= urllib.request.urlopen('/post', data=data)print(response.read())
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:
importurllib.request
response= urllib.request.urlopen('/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
importsocketimporturllib.requestimporturllib.errortry:
response= urllib.request.urlopen('/get', timeout=0.1)excepturllib.error.URLError as e:ifisinstance(e.reason, socket.timeout):print('TIME OUT')
响应
响应类型、状态码、响应头
importurllib.request
response= urllib.request.urlopen('')print(type(response))
可以看到结果为:
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:
importurllib.request
request= urllib.request.Request('')
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
from urllib importrequest, parse
url= '/post'headers={'User-Agent': 'Mozilla/4.0 (compatible; MSIE 5.5; Windows NT)','Host': ''}
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'))
添加请求头的第二种方式
from urllib importrequest, parse
url= '/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'))
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
importurllib.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('/get')print(response.read())
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
importhttp.cookiejar, urllib.request
cookie=http.cookiejar.CookieJar()
handler=urllib.request.HTTPCookieProcessor(cookie)
opener=urllib.request.build_opener(handler)
response= opener.open('')for item incookie: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(),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
importhttp.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('')
cookie.save(ignore_discard=True, ignore_expires=True)
http.cookiejar.LWPCookieJar()方式
importhttp.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('')
cookie.save(ignore_discard=True, ignore_expires=True)
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。
importhttp.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('')print(response.read().decode('utf-8'))
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
from urllib importrequest,errortry:
response= request.urlopen("/1111.html")excepterror.URLError as e:print(e.reason)
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:
from urllib importrequest,errortry:
response= request.urlopen("/1111.html")excepterror.HTTPError as e:print(e.reason)print(e.code)print(e.headers)excepterror.URLError as e:print(e.reason)else:print("reqeust successfully")
同时,e.reason其实也可以在做深入的判断,例子如下:
importsocketfrom urllib importerror,requesttry:
response= request.urlopen("/",timeout=0.001)excepterror.URLError as e:print(type(e.reason))ifisinstance(e.reason,socket.timeout):print("time out")
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 importurlparse
result= urlparse("/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("/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 importurlunparse
data= ['http','','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:
from urllib.parse importurljoinprint(urljoin('', 'FAQ.html'))print(urljoin('', '/FAQ.html'))print(urljoin('/about.html', '/FAQ.html'))print(urljoin('/about.html', '/FAQ.html?question=2'))print(urljoin('?wd=abc', '/index.php'))print(urljoin('', '?category=2#comment'))print(urljoin('', '?category=2#comment'))print(urljoin('#comment', '?category=2'))
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
from urllib.parse importurlencode
params={"name":"zhaofan","age":23,
}
base_url= "?"url= base_url+urlencode(params)print(url)
结果为:
如果觉得《python urllib.request 爬虫 数据处理-python之爬虫(三) Urllib库的基本使用》对你有帮助,请点赞、收藏,并留下你的观点哦!