Dropout
文章49
标签32
分类15
Python爬虫从入门到放弃(三)Urllib库的基本使用

Python爬虫从入门到放弃(三)Urllib库的基本使用

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

Urllib基本使用

urlopen

关于urllib.request.urlopen参数的介绍:

1
urllib.request.urlopen(url, data=None, [timeout, ]*, cafile=None, capath=None, cadefault=False, context=None)
  • url:url 地址。
  • data:发送到服务器的其他数据对象,默认为 None。
  • timeout:设置访问超时时间。
  • cafile 和 capath:cafile 为 CA 证书, capath 为 CA 证书的路径,使用 HTTPS 需要用到。
  • cadefault:已经被弃用。
  • context:ssl.SSLContext类型,用来指定 SSL 设置。

url参数的使用

先写一个简单的例子:

1
2
3
4
import urllib.request

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

response.read()可以获取到网页的内容,如果没有read(),将返回如下内容

<http.client.HTTPResponse object at 0x00000215D37663A0>

data参数的使用

上述的例子是通过get请求获得请求内容,下面使用urllib的post请求

这里通过http://httpbin.org/post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)。

1
2
3
4
5
6
7
import urllib.parse
import urllib.request

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

1
2
3
4
import urllib.request

response = urllib.request.urlopen('http://httpbin.org/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

1
2
3
4
5
6
7
8
9
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('TIME OUT')

这样超时时返回以下内容:

响应

响应类型、状态码、响应头
1
2
3
4
import urllib.request

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

可以看到结果为:

我们可以通过response.statusresponse.getheaders(),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:

1
2
3
4
5
import urllib.request

request = urllib.request.Request('https://python.org')
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

1
2
3
4
5
6
7
8
9
10
11
12
13
14
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': '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

1
2
3
4
5
6
7
8
9
10
11
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'))

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urllib.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

1
2
3
4
5
6
7
8
9
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.cookiejar,用于获取cookie以及存储cookie

1
2
3
4
5
6
7
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.MozillaCookieJarhttp.cookiejar.LWPCookieJar(),当然你自己用哪种方式都可以

具体代码例子如下:

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
# http.cookiejar.MozillaCookieJar()
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()
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。

1
2
3
4
5
6
7
8

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,下面先写一个简单的例子

1
2
3
4
5
6
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异常这里有两个异常错误:

URLErrorHTTPError —— HTTPErrorURLError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codereasonheaders三个信息,例子如下:

1
2
3
4
5
6
7
8
9
10
11
12
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:

1
2
3
4
5
6
7
8
9
10
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

URL解析函数的重点是将URL字符串拆分为其组件,或者将URL组件组合为URL字符串。

1
urllib.parse.urlparse(urlstring, scheme='', allow_fragments=True)

功能一:

1
2
3
4
from urllib.parse import urlparse

result = urlparse("http://www.baidu.com/index.html;user?id=5#comment")
print(result)

输出:

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("www.baidu.com/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:

1
2
3
4
from urllib.parse import urlunparse

data = ['http','www.baidu.com','index.html','user','a=123','commit']
print(urlunparse(data))

输出:

urljoin

这个的功能其实是做拼接的,例子如下:

1
2
3
4
5
6
7
8
9
10
from urllib.parse import urljoin

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

输出:

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

1
2
3
4
5
6
7
8
9
10
from urllib.parse import urlencode

params = {
"name":"zhaofan",
"age":23,
}
base_url = "http://www.baidu.com?"

url = base_url+urlencode(params)
print(url)

输出:

最后

这里只是简单介绍基本操作,高级操作请look官方文档。

官方文档 - https://docs.python.org/3/library/urllib.html

本文作者:Dropout
本文链接:https://blog.fuocu.cn/article/python-spider-3/
版权声明:本文采用 CC BY-NC-SA 3.0 CN 协议进行许可
×