Python爬虫（2）- Urllib库

Python版本：Python 3.X
Urllib库官方文档：https://docs.python.org/3/library/urllib.html

Urllib库

Urllib库是Python内置的HTTP请求库，包括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

import urllib.request

response = urllib.request.urlopen('https://www.baidu.com')

print(response.read().decode('utf-8'))

urlopen一般常用的有三个参数，他们是url、data和timeout。response.read()可以获取到网页的内容。上述例子是通过get请求获得百度页面，下面使用post请求：

import urllib.parse
import urllib.request

data = bytes(urllib.parse.urlencode({'word':'hello'}), encoding='utf-8')
print(data)
response = urllib.request.urlopen('http://httpbin.org/post', data=data)
print(response.read())

这里就用到了urllib.parse，通过bytes(urllib.parse.urlencode())可以将post数据进行转换放到data参数中。这样就完成了一次post请求。所以说，如果添加data参数就是以post请求方式请求，如果没有data就是get请求方式。

某些网络不好的时候或者服务器端异常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，而不是一直让程序等待。

import urllib.request as request
import socket
import urllib.error as error

try:
  response = request.urlopen('http://www.baidu.com', timeout=1)
  print(response.read())
except error.URLError as e
  if isinstance(e.reason, socket.timeout):
    print('TIME OUT')

响应

import urllib.request
response = urllib.request.urlopen('http://www.baidu.com')
print(type(response))
# return <class 'http.client.HTTPRequest'>

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()获取的是响应体的内容。

上述的urlopen只能用于一些简单的请求，因为他无法添加一些header信息，很多时候网站会检测请求是否来自一个浏览器还是爬虫（爬虫可能造成网站瘫痪），我们需要给爬虫程序添加头部信息去模仿一个浏览器访问目标网站，这个时候就用到了urllib.request。

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': 'jamesqiu'
}
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'))

第二种方式，可以定义一个请求头字典，循环进行添加：

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'))

使用Handler

代理，ProxyHandler

网站会检测某一段时间某个IP的访问次数，如果过多就会禁止继续访问，所以这个时候需要通过设置代理来爬取数据。

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())

cookie, HTTPCookiProcessor

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

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)

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。

# http.cookiejar.MozillaCookieJar()方式
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)

# http.cookiejar.LWPCookieJar()方式
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)

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。

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'))

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。例如，

from urllib import request,error
try:
  response = request.urlopen("http://pythonsite.com/1111.html")
except error.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和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 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")

同时，e.reason其实也可以在做深入的判断，例子如下：

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")

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)

from urllib.parse import urlparse
result = urlparse("http://www.baidu.com")
print(result)

ParseResult(scheme='http', netloc='www.baidu.com', path='', params='', query='', fragment='')

urlunparse

其实功能和urlparse的功能相反，它是用于拼接：

from urllib.parse import urlunparse
data = list(result)  # data = ['http', 'www.baidu.com', '', '', '', '']
print(urlunparse(data))

http://www.baidu.com

urljoin

这个的功能其实是做拼接的，例子如下：

>>> from urllib.parse import urljoin
>>> print(urljoin('http://www.baidu.com', 'FAQ.html'))
http://www.baidu.com/FAQ.html
>>> print(urljoin('http://www.baidu.com', 'https://pythonsite.com/FAQ.html'))
https://pythonsite.com/FAQ.html
>>> print(urljoin('http://www.baidu.com/about.html', 'https://pythonsite.com/FAQ.html'))
https://pythonsite.com/FAQ.html
>>> print(urljoin('http://www.baidu.com/about.html', 'https://pythonsite.com/FAQ.html?question=2'))
https://pythonsite.com/FAQ.html?question=2
>>> print(urljoin('http://www.baidu.com?wd=abc', 'https://pythonsite.com/index.php'))
https://pythonsite.com/index.php
>>> print(urljoin('http://www.baidu.com', '?category=2#comment'))
http://www.baidu.com?category=2#comment
>>> print(urljoin('www.baidu.com', '?category=2#comment'))
www.baidu.com?category=2#comment
>>> print(urljoin('www.baidu.com#comment', '?category=2'))
www.baidu.com?category=2

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 import urlencode
params = {"name":"jamesqiu", "age":19,}
base_url = "http://www.baidu.com?"
url = base_url+urlencode(params)
print(url)

http://www.baidu.com?name=jamesqiu&age=19
最后编辑于 ：
©著作权归作者所有,转载或内容合作请联系作者
  • 人面猴
    序言：七十年代末，一起剥皮案震惊了整个滨河市，随后出现的几起案子，更是在滨河造成了极大的恐慌，老刑警刘岩，带你破解...
    沈念sama阅读 194,457评论 5赞 459
  • 死咒
    序言：滨河连续发生了三起死亡事件，死亡现场离奇诡异，居然都是意外死亡，警方通过查阅死者的电脑和手机，发现死者居然都...
    沈念sama阅读 81,837评论 2赞 371
  • 救了他两次的神仙让他今天三更去死
    文/潘晓璐 我一进店门，熙熙楼的掌柜王于贵愁眉苦脸地迎上来，“玉大人，你说我怎么就摊上这事。” “怎么了？”我有些...
    开封第一讲书人阅读 141,696评论 0赞 319
  • 道士缉凶录：失踪的卖姜人
    文/不坏的土叔 我叫张陵，是天一观的道长。 经常有香客问我，道长，这世上最难降的妖魔是什么？ 我笑而不...
    开封第一讲书人阅读 52,183评论 1赞 263
  • 港岛之恋（遗憾婚礼）
    正文 为了忘掉前任，我火速办了婚礼，结果婚礼上，老公的妹妹穿的比我还像新娘。我一直安慰自己，他们只是感情好，可当我...
    茶点故事阅读 61,057评论 4赞 355
  • 恶毒庶女顶嫁案：这布局不是一般人想出来的
    文/花漫 我一把揭开白布。 她就那样静静地躺着，像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上，一...
    开封第一讲书人阅读 46,105评论 1赞 272
  • 城市分裂传说
    那天，我揣着相机与录音，去河边找鬼。 笑死，一个胖子当着我的面吹牛，可吹牛的内容都是我干的。 我是一名探鬼主播，决...
    沈念sama阅读 36,520评论 3赞 381
  • 双鸳鸯连环套：你想象不到人心有多黑
    文/苍兰香墨 我猛地睁开眼，长吁一口气：“原来是场噩梦啊……” “哼！你这毒妇竟也来了？” 一声冷哼从身侧响起，我...
    开封第一讲书人阅读 35,211评论 0赞 253
  • 万荣杀人案实录
    序言：老挝万荣一对情侣失踪，失踪者是张志新（化名）和其女友刘颖，没想到半个月后，有当地人在树林里发现了一具尸体，经...
    沈念sama阅读 39,482评论 1赞 290
  • 护林员之死
    正文 独居荒郊野岭守林人离奇死亡，尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 34,574评论 2赞 309
  • 白月光启示录
    正文 我和宋清朗相恋三年，在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 36,353评论 1赞 326
  • 活死人
    序言：一个原本活蹦乱跳的男人离奇死亡，死状恐怖，灵堂内的尸体忽然破棺而出，到底是诈尸还是另有隐情，我是刑警宁泽，带...
    沈念sama阅读 32,213评论 3赞 312
  • 日本核电站爆炸内幕
    正文 年R本政府宣布，位于F岛的核电站，受9级特大地震影响，放射性物质发生泄漏。R本人自食恶果不足惜，却给世界环境...
    茶点故事阅读 37,576评论 3赞 298
  • 男人毒药：我在死后第九天来索命
    文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹，春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 28,897评论 0赞 17
  • 一桩弑父案，背后竟有这般阴谋
    文/苍兰香墨 我抬头看了看天上的太阳。三九已至，却和暖如春，着一层夹袄步出监牢的瞬间，已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 30,174评论 1赞 250
  • 情欲美人皮
    我被黑心中介骗来泰国打工， 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留，地道东北人。 一个月前我还...
    沈念sama阅读 41,489评论 2赞 341
  • 代替公主和亲
    正文 我出身青楼，却偏偏与公主长得像，于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子，可洞房花烛夜当晚...
    茶点故事阅读 40,683评论 2赞 335

推荐阅读更多精彩内容

  • Spring Cloud
    Spring Cloud为开发人员提供了快速构建分布式系统中一些常见模式的工具（例如配置管理，服务发现，断路器，智...
    卡卡罗2017阅读 134,497评论 18赞 139
  • python: 网络爬虫
    一、网络爬虫的定义 网络爬虫，即Web Spider，是一个很形象的名字。把互联网比喻成一个蜘蛛网，那么Spide...
    随风化作雨阅读 1,073评论 0赞 0
  • 爬虫（1）--- Python网络爬虫二三事
    1 前言 作为一名合格的数据分析师，其完整的技术知识体系必须贯穿数据获取、数据存储、数据提取、数据分析、数据挖掘、...
    whenif阅读 18,039评论 45赞 523
  • python urllib2篇
    一、概述 urllib2是Python的一个针对URLs的库。他以urlopen函数的形式提供了一个非常简单的...
    MiracleJQ阅读 1,467评论 0赞 5
  • 情深不寿
    慧极必伤，情深不寿。 他第一次体会到感情中的无可奈何，想不到他那样聪明的人也会陷在感情里出不来。 她来的时...
    冬雨的陶阅读 1,172评论 0赞 0