爬虫第三讲：基本的urllib库

Urllib库是python内置的库

什么是Urllib

1.urllib.request 请求模块
2.urllib.error 异常处理模块
3.urllib.parse url解析模块
4.urllib.robotparser robots.txt解析模块

用法

urlopen

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

GET类型的请求

import urllib.request
response = urllib.request.urlopen('http://www.baidu.com')
print(response.read().decode('utf-8'))

POST类型的请求

import urllib.parse
import urllib.request
data = bytes(urllib.parse.urlencode({'word':'hello'}),encoding='utf8')
response = urllib.request.urlopen('http://httpbin.org/post',data=data)
print(response.read())

带超时参数

response = urllib.request.urlopen('http://httpbin.org/get',timeout=1)
print(response.read())

测试较短的超时参数

import socket
import urllib.request
import urllib.error
try:
  response = urllib.request.urlopen('http://httpbin.org/get',timeout=0.1)
except urllib.error.URLError as e:
  if isinstance(e.reason,socket.timeout):
      print('TIMEOUT')
else:
  print('It is OK!')

查看urlopen返回值的类型

import urllib.request
response = urllib.request.urlopen('https://www.python.org')
print(type(response))

输出结果:<class 'http.client.HTTPResponse'>

响应内容--状态码和响应头

import urllib.request
response = urllib.request.urlopen('https://www.python.org')
print(response.status)
print(response.getheaders())
print(response.getheader('Server'))
print(response.read().decode('utf-8'))  #响应体，用utf-8解码

输出结果：
200
[('Server', 'nginx'), ('Content-Type', 'text/html; charset=utf-8'), ('X-Frame-Options', 'SAMEORIGIN'), ('x-xss-protection', '1; mode=block'), ('X-Clacks-Overhead', 'GNU Terry Pratchett'), ('Via', '1.1 varnish'), ('Content-Length', '48809'), ('Accept-Ranges', 'bytes'), ('Date', 'Sat, 18 Aug 2018 12:56:38 GMT'), ('Via', '1.1 varnish'), ('Age', '129'), ('Connection', 'close'), ('X-Served-By', 'cache-iad2128-IAD, cache-nrt6150-NRT'), ('X-Cache', 'HIT, HIT'), ('X-Cache-Hits', '2, 48'), ('X-Timer', 'S1534596999.663138,VS0,VE0'), ('Vary', 'Cookie'), ('Strict-Transport-Security', 'max-age=63072000; includeSubDomains')]
nginx

request方法

如果使用复杂的请求可以在urlopen方法中使用request参数，通过构造request参数可以方便的设定请求的方式。

import urllib.request
request = urllib.request.Request('https://python.org')
response = urllib.request.urlopen(request)
print(response.read().decode('utf-8'))

输出结果就是请求https://python.org的响应体。
使用POST方法发送请求，并用request构造函数构造request，作为参数调用urlopen

from urllib import request,parse
url = 'http://httpbin.org/post'
headers = {
      'User-Agent':'Mozilla/4.0(bompatible;MSIE 5.5;Windows NT)',
      'Host':'httpbin.org'
      }
dict = {
      'name':"Germey"
      }
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'))

依然是使用POST方法发送请求，用Request构造函数构造request，作为参数传递给urlopen，但request中的headers不在构造函数中指定，而在使用request.add_header添加header。如果有很多键值对要传递，可以用for循环多次调用add_header

from urllib import request,parse
url = 'http://httpbin.org/post'
dict = {
      'name':'XieZ'
      }
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'))

handler -- urllib中的高级用法，代理、cookie等等各种高级功能都是各种handler实现的。

代理

import urllib.request
import urllib.request
proxy_handler = urllib.request.ProxyHandler({
  'http':'http://127.0.0.1:9743',
  'http':'https://127.0.0.1:9743'
  })
opener = urllib.request.build_opener(proxy_handler)
response = opener.open('http://www.baidu.com')
print(response.read())

Cookie--Cookie可以用来保存登录会话信息

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)

把Cookie保存至文件，方便将来爬虫使用cookie登录网站，保持登录状态

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)

这样Cookie就保存在文件中了，MozillaCookieJar是cookiejar的子类，是火狐浏览器的cookie保存格式，还有其他的cookie保存格式，比如LWPCookieJar。在使用时，用什么格式保存就用什么格式读取cookie就行

使用LWPCookieJar将cookie保存到文件，并且读取此文件中的cookie，并请求页面

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)
mycookie = http.cookiejar.LWPCookieJar()
mycookie.load('cookie.txt',ignore_discard=True,ignore_expires=True)
handler = urllib.request.HTTPCookieProcessor(mycookie)
opener = urllib.request.build_opener(handler)
response = opener.open('http://www.baidu.com')
print(response.read().decode('utf-8'))

urllib的异常处理模块

from urllib import request,error
try:
  response = request.urlopen('http://ljlhhljl.com/index.htm')
except error.URLError as e:
  print(e.reason)

结果显示：[Errno -2] Name or service not known

HTTPError含有reason、code、headers属性

from urllib import request,error
try:
  response = request.urlopen('http://www.sina.com.cn/99999.html')
except error.HTTPError as e:
  print(e.reason,e.code,e.headers,sep='\n')
  print('This is end of HTTPError\n')
except error.URLError as e:
  print(e.reason)
else:
  print('Request Sucessfully')

结果显示：
Not Found
404
Server: nginx
Date: Sun, 19 Aug 2018 22:06:25 GMT
Content-Type: text/html
Transfer-Encoding: chunked
Connection: close
Vary: Accept-Encoding
Age: 0
Via: http/1.1 ctc.nanjing.ha2ts4.77 (ApacheTrafficServer/6.2.1 [cMsSf ])
X-Cache: MISS.77
X-Via-CDN:     f=edge,s=ctc.nanjing.ha2ts4.65.nb.sinaedge.com,c=61.171.236.224;f=Edge,s=ctc.nanjing.ha2ts4.77,c=202.102.94.65
X-Via-Edge: 1534716385494e0ecab3d7c5e66ca3150b8e6


This is end of HTTPError

URL解析模块--urlparse和urlunparse
1.urlparse函数
```
from urllib.parse import urlparse
result = urlparse('http://www.baidu.com/index.html;user?id=5#comment')
print(type(result),result)
```
*返回结果：<class 'urllib.parse.ParseResult'> ParseResult(scheme='http', netloc='www.baidu.com', path='/index.html', params='user', query='id=5', fragment='comment')

2.urlunparse函数

from urllib.parse import urlunparse
data = ['http','www.baidu.com','index.html','user','a=6','comment']
print(urlunparse(data))

*返回结果：http://www.baidu.com/index.html;user?a=6#comment
urlunparse就是urlparse的反函数，把各种参数拼接为一个url
3.urljpin函数

from urllib.parse import urljoin
print(urljoin('http://www.baidu.com','FAQ.html'))
print(urljoin('http://www.baidu.com','https://lllll.com/FAQ.html'))

*返回结果:http://www.baidu.com/FAQ.html
https://lllll.com/FAQ.html
4.urlencode--可以把字典对象转换成get请求参数，很常用

from urllib.parse import urlencode
params = {
      'name':'xiezheng',
      'age':23
      }
base_url = 'http://www.baidu.com?'
url = base_url + urlencode(params)
print(url)

*返回结果:http://www.baidu.com?name=xiezheng&age=23

urllib.robotparser模块，用来解析robot.txt文件

最后编辑于：2018.08.23 19:52:22

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 194,390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 81,821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 141,632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 52,170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 61,033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 46,098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 36,511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 35,204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 39,479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 34,572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 36,341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 28,893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 30,171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 41,486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 40,676评论 2赞 335

爬虫第三讲：基本的urllib库

Urllib库是python内置的库

什么是Urllib

用法

urlopen

request方法

handler -- urllib中的高级用法，代理、cookie等等各种高级功能都是各种handler实现的。

推荐阅读更多精彩内容