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(urldata=http://www.mamicode.com/None[timeout]*cafile=Nonecapath=Nonecadefault=Falsecontext=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(urldata=http://www.mamicode.com/Noneheaders={}origin_req_host=Noneunverifiable=Falsemethod=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(urlstringscheme=‘‘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(baseurlallow_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