重拾python爬蟲之urllib的案例

這篇文章主要介紹重拾python爬蟲之urllib的案例，文中介紹的非常詳細，具有一定的參考價值，感興趣的小伙伴們一定要看完！

為網(wǎng)絡請求的方式有四種，按時間順序排：

第一種，urllib2 ，這個包是基于python2的，官方已經(jīng)對python2停止更新了并且不再免費，我覺得這個urllib2沒必要再學習和使用

第二種，urllib  這個是python的標準庫，在python3里整合了python2的urllib和urllib2 ，有時間的可以學習一下。

第三種，urllib3，這個是第三方庫，是對第二種方式urllib的升級，做了很多改善，有時間可以學習一下。

第四種，也是很流行的requests，各種請求的方法非常的優(yōu)雅和人性化，其底層是urllib3，簡化headers、proxy、cookie等的操作。這個重點學習。

作為一個爬蟲工程師，如果你連urllib一點不會就說不過去了。雖然不常用，但是學習它，有它的歷史意義，對爬蟲的整個架構有一個更透徹的了解。

一、簡介

urllib是Python中請求url連接的官方標準庫，在Python2中主要為urllib和urllib2，在Python3中整合成了urllib?；旧虾w了基礎的網(wǎng)絡請求功能。

該庫有四個模塊，分別是urllib.request，urllib.error，urllib.parse，urllib.robotparser。前三個比較常用。

urllib.request 發(fā)送http請求

urllib.error 處理請求過程中,出現(xiàn)的異常。

urllib.parse 解析url

urllib.robotparser 解析robots.txt 文件

二、請求方式

1、get請求

#第一步導包
from  urllib import request

url = "http://httpbin.org"
#第二步請求
response = request.urlopen(url,timeout=1)
#第三步打印返回數(shù)據(jù)
print(response.read().decode())

訪問的結果會是一個http.client.HTTPResponse對象，使用此對象的read()方法，則可以獲取訪問網(wǎng)頁獲得的數(shù)據(jù)。但是要注意的是，獲得的數(shù)據(jù)會是bytes的二進制格式，所以需要decode()一下，轉換成字符串格式。

urllib發(fā)送請求是用urlopen()

源碼如下

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

第一個參數(shù) String 類型的地址

data 是 bytes 類型的內容，可通過 bytes()函數(shù)或者encode()轉為化字節(jié)流。它也是可選參數(shù)。使用 data 參數(shù)，請求方式變成以 POST 方式提交表單。使用標準格式是application/x-www-form-urlencoded

timeout 參數(shù)是用于設置請求超時時間。單位是秒。

cafile和capath代表 CA 證書和 CA 證書的路徑。如果使用HTTPS則需要用到。

context參數(shù)必須是ssl.SSLContext類型，用來指定SSL設置

cadefault參數(shù)已經(jīng)被棄用，可以不用管了。

該方法也可以單獨傳入urllib.request.Request對象

該函數(shù)返回結果是一個http.client.HTTPResponse對象。

http.client.HTTPResponse對象。它具有msg、version、status、reason、debuglevel、closed等屬性以及read()、readinto()、getheader(name)、getheaders()、fileno()等函數(shù)。

# print(response.msg) # OK
# print(response.version)  #11
# print(response.status) #200
# print(response.reason) #OK
# print(response.getcode()) #200
# print(response.getheaders) # <bound method HTTPResponse.getheaders of <http.client.HTTPResponse 
object at 0x0000023C554DB588>>
# print(response.geturl()) #http://httpbin.org/headers

2、post請求

from  urllib import request,parse

url = "http://httpbin.org"data = {    'name':'xfy'}# data = bytes(parse.urlencode(data),encoding='utf8');
data = parse.urlencode(data).encode()
response = request.urlopen(url+"/post",data=data)
print(response.status) #200print(response.read().decode())

data 需要被轉碼成字節(jié)流。而data 是一個字典。我們需要使用 parse.urlencode() 將字典轉化為字符串。再使用 bytes()或者encode() 轉為字節(jié)流。最后使用 urlopen() 發(fā)起請求，請求是模擬用 POST 方式提交表單數(shù)據(jù)。

這里說一下http://httpbin.org,這個url專門是用來爬蟲請求測試的。

http://httpbin.org/get   測試get請求
http://httpbin.org/post  測試post請求
http://httpbin.org/headers  測試獲得headers  
http://httpbin.org/ip  測試獲得ip
http://httpbin.org/cookies  測試獲得cookies

三、創(chuàng)建 Request 對象

urlopen()還可以傳一個Request對象

req = request.Request(url+"/get")
response = request.urlopen(req)
print(response.read().decode())

urllib/request 包下有一個類Request

其初始化方法如下

def __init__(self, url, data=None, headers={},
                 origin_req_host=None, unverifiable=False,
                 method=None):

url 參數(shù)是請求鏈接，這個是必傳參數(shù)，其他的都是可選參數(shù)。

data 參數(shù)跟 urlopen() 中的 data 參數(shù)用法相同。

headers 參數(shù)是指定發(fā)起的 HTTP 請求的頭部信息。headers 是一個字典。它除了在 Request 中添加，還可以通過調用 Reques t實例的 add_header() 方法來添加請求頭。

origin_req_host 參數(shù)指的是請求方的 host 名稱或者 IP 地址。

unverifiable 參數(shù)表示這個請求是否是無法驗證的，默認值是False。意思就是說用戶沒有足夠權限來選擇接收這個請求的結果。例如我們請求一個HTML文檔中的圖片，但是我們沒有自動抓取圖像的權限，我們就要將 unverifiable 的值設置成 True。

method 參數(shù)指的是發(fā)起的 HTTP 請求的方式，有 GET、POST、DELETE、PUT等

以上是重拾python爬蟲之urllib的案例的所有內容，感謝各位的閱讀！希望分享的內容對大家有幫助，更多相關知識，歡迎關注億速云行業(yè)資訊頻道！