首页 > 代码库 > Python3网络爬虫——二、Urllib库的基本使用
Python3网络爬虫——二、Urllib库的基本使用
一、什么是Urllib
Urllib库是Python自带的一个http请求库,包含以下几个模块:
- 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
其中前三个模块比较常用,第四个仅作了解。
二、Urllib方法介绍
将结合Urllib的官方文档进行说明。首先是urllib.request模块:
urllib.request.
urlopen
(url, data=http://www.mamicode.com/None, [timeout, ]*, cafile=None, capath=None, cadefault=False, context=None)
示例代码1:
1 # 简单的url请求 2 import urllib.request 3 4 response = urllib.request.urlopen(‘http://www.baidu.com‘) 5 print(response.read().decode(‘utf-8‘))
这里用到了方法的第一个参数,即为URL地址,这种请求方式为GET请求,因为没有附加任何的参数。read()方法从返回中读取响应体的内容,读取完是二进制字节流,因此需要调用decode()方法通过utf8编码方式转换成我们所能读懂的网页代码。
示例代码2:
1 # 加入data的请求 2 import urllib.request 3 4 data = http://www.mamicode.com/bytes(urllib.parse.urlencode({‘name‘:‘zhangsan‘}),encoding=‘utf8‘) 5 response = urllib.request.urlopen(‘http://httpbin.org/post‘,data=http://www.mamicode.com/data) 6 print(response.read())
这里用到了第二个参数data,这次相当于一次post请求,该url是http测试网址。因为urlopen方法的data要求传入的参数形式是二进制,所以我们需要对字典进行二进制转码。
示例代码3:
1 # 设置请求的超时时间 2 import urllib.request 3 4 try: 5 response = urllib.request.urlopen(‘http://www.baidu.com‘,timeout=0.01) 6 except urllib.error.URLError as e: 7 if isinstance(e.reason,socket.timeout): 8 print(‘Time Out‘)
这里使用了timeout参数,设置了一个极短的时间以至于不会在时间内返回。所以程序会抛出异常。通过判断异常的类型去打印异常信息是常用的手段,因此,当异常为timeout时,将打印‘Time Out’。
示例代码4:
1 # response有用的方法或参数 2 import urllib.request 3 4 response = urllib.request.urlopen(‘http://www.python.org‘) 5 print(response.status) 6 print(response.getHeaders()) # 元祖列表 7 print(response.getHeader(‘Server‘))
status为状态码,getHeaders()返回响应头的信息。但是当我们想传递request headers的时候,urlopen就无法支持了,因此这里需要一个新的方法。
urllib.request.
Request
(url, data=http://www.mamicode.com/None, headers={}, origin_req_host=None, unverifiable=False, method=None)
示例代码1:
1 from urllib import request,parse 2 3 url = ‘http://httpbin.org/post‘ 4 headers = { 5 ‘User-Agent‘:‘Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/60.0.3100.0 Safari/537.36‘ 6 ‘Host‘:‘httpbin.org‘ 7 } 8 dict = { 9 ‘name‘:‘zhangsan‘ 10 } 11 12 data = http://www.mamicode.com/bytes(parse.urlencode(dict),encoding=‘utf8‘) 13 req = request.Request(url=url,data=http://www.mamicode.com/data,headers=headers,method=post) 14 response = request.urlopen(req) 15 print(response.read().decode(‘utf-8‘))
用Request方法进行post请求并加入了请求头。
urllib.request.
build_opener
([handler, ...])
Handler是urllib中十分好用的一个工具,当我们进行IP代理访问或者爬虫过程保持对话(cookie)时,可以用相应的handler进行操作。以处理cookie的handler为例。
代码示例2:
1 import http.cookiejar,urllib.request 2 3 cookie = http.cookiejar.CookieJar() 4 handler = urllib.request.HttpCookieProcessor(cookie) 5 opener = urllib.request.build_opener(handler) 6 response = opener.open(‘http://www.baidu.com‘) 7 8 for item in cookie: 9 print(item.name,item.value)
通过CookieJar()来构造一个cookie对象,然后调用urllib.request.HttpCookieProcesser()创建一个关于cookie的handler对象,通过这个handler构造opener,然后就可以进行http请求了。返回的response包含cookie信息,这个handler就可以拿到该cookie信息并保存到cookie对象中。cookie的作用在于,如果爬虫过程中需要维持会话,那可以将cookie加入到Request中。
示例代码3:
1 import http.cookiejar,urllib.request 2 3 filename = ‘cookie.txt‘ 4 cookie = http.cookiejar.MozillaCookieJar(filename) 5 handler = urllib.request.HttpCookieProcessor(cookie) 6 opener = urllib.request.build_opener(handler) 7 response = opener.open(‘http://www.baidu.com‘) 8 cookie.save(ignore_discard=True,ignore_expires=True)
MozillaCookieJar是CookieJar的子类,可以将cookie写入本地文件。
示例代码4:
1 import http.cookiejar,urllib.request 2 3 cookie = http.cookiejar.MozillaCookieJar() 4 cookie.load(‘cookie.txt‘,Ignore_discard=True,Ignore_expires=True) 5 handler = urllib.request.HttpCookieProcessor(cookie) 6 opener = urllib.request.build_opener(handler) 7 response = opener.open(‘http://www.baidu.com‘) 8 print(response.read().decode(‘utf-8‘))
通过cookie对象的load()方法可以从本地文件读取cookie内容,然后可以在request中维持会话状态。
其次是urllib.error模块。
-
urllib.error
示例代码1:
1 from urllib import request,error 2 3 try: 4 response = request.urlopen(‘http://bucunzai.com/index.html‘) 5 except error.HTTPError as e: 6 print(e.reason,e.code.e.header,sep=‘\n‘) 7 except error.URLError as e: 8 print(e.reason) 9 else: 10 print(‘Request Successfully‘)
通过官方文档可以看出,httperror是URLerror的子类,所以需要先捕捉子类异常。实例证明HTTPError被捕获。文档中可以看出,HTTPError有三个参数,分别是reason,code和header。通过实例可以得到code为404。下面将说明一种常见的用法,显示异常时哪一类异常的方法。
示例代码2:
1 from urllib import request,error 2 import socket 3 4 try: 5 response = request.urlopen(‘http://www.baidu.com‘,timeout=0.01) 6 except error.URLError as e: 7 if isinstance(e.reason,socket.timeout): 8 print(‘Time Out‘)
最后看一下urllib.parse中提供的常用方法。
urllib.parse.
urlparse
(urlstring, scheme=‘‘, allow_fragments=True)
示例代码1:
1 from urllib.parse import urlparse 2 3 result = urlparse(‘http://www.baidu.com/index.html;user?id=5#comment‘,scheme=‘https‘) 4 print(result) 5 # ParseResult(scheme=‘http‘, netloc=‘www.baidu.com‘, path=‘/index.html‘, params=‘user‘, query=‘id=5‘, fragment=‘comment‘)
最后一行为输出结果。urlparse方法分析传入的url结构,并且拆分成相应的元组。scheme参数的作用是提供一个默认值,当url没有协议信息时,分析结果的scheme为默认值,如果有则默认值被覆盖。
示例代码2:
1 from urllib.parse import urlparse 2 3 result = urlparse(‘http://www.baidu.com/index.html;user#comment‘,allow_fragments=False) 4 print(result) 5 # ParseResult(scheme=‘http‘, netloc=‘www.baidu.com‘, path=‘/index.html‘,params=‘user#comment‘, query=‘‘, fragment=‘‘)
可以看到,当fragment参数被设置为false的时候,url中的fragment会被添加到前面有数据的那一项中。如果不清楚URL各部分的含义,可参考本篇备注。
urllib.parse.
urlunparse
(parts)
进行url各部分的拼接,参数形式是一个列表类型。
示例代码1:
1 from urllib.parse import urlunparse 2 3 data = http://www.mamicode.com/[‘http‘,‘www.baidu.com‘,‘index.html‘,‘user‘,‘a=6‘,‘comment‘] 4 print(urlunparse(data)) 5 6 # http://www.baidu.com/index.html;user?a=6#comment
urllib.parse.
urljoin
(base, url, allow_fragments=True)
示例代码1:
1 from urllib.parse import urljoin 2 3 print(urljoin(‘http://www.baidu.com‘,‘index.html‘)) 4 print(urljoin(‘http://www.baidu.com#comment‘,‘?username="zhangsan"‘)) 5 print(urljoin(‘http://www.baidu.com‘,‘www.sohu.com‘)) 6 7 # http://www.baidu.com/index.html 8 # http://www.baidu.com?username="zhangsan" 9 # http://www.baidu.com/www.sohu.com
这种拼接需要注意其规则,如果第二个参数是第一个参数中没有的url组成部分,那将进行添加,否则进行覆盖。第二个print则是一种需要避免的现象,这种join方式会覆盖掉低级别的参数。这里的第三个print是一个反例,很多人认为解析是从域名开始的,实际上是从‘//’开始解析的,官方文档给出了很明确的解释:If url is an absolute URL (that is, starting with //
or scheme://
), the url‘s host name and/or scheme will be present in the result。所以再次建议,官方文档是最好的学习工具。
urllib.parse.urlencode()
urlencode()方法将字典转换成url的query参数形式的字符串 。
示例代码1:
1 from urllib.parse import urlencode 2 3 params = { 4 ‘name‘:‘zhangsan‘ 5 ‘age‘:22 6 } 7 8 base_url = ‘http://www.baidu.com?‘ 9 url = base_url + urlencode(params) 10 print(url) 11 12 # ‘http://www.baidu.com?name=zhangsan&age=22‘
【备注】URL详解
Python3网络爬虫——二、Urllib库的基本使用