Python爬蟲中urllib庫(kù)怎么用

這篇文章給大家分享的是有關(guān)Python爬蟲中urllib庫(kù)怎么用的內(nèi)容。小編覺得挺實(shí)用的，因此分享給大家做個(gè)參考，一起跟隨小編過來看看吧。

一、說明：

urllib庫(kù)是python內(nèi)置的一個(gè)http請(qǐng)求庫(kù)，requests庫(kù)就是基于該庫(kù)開發(fā)出來的，雖然requests庫(kù)使用更方便，但作為最最基本的請(qǐng)求庫(kù)，了解一下原理和用法還是很有必要的。

二、urllib四個(gè)模塊組成：

urllib.request　　
請(qǐng)求模塊(就像在瀏覽器輸入網(wǎng)址，敲回車一樣)

urllib.error　　　
異常處理模塊(出現(xiàn)請(qǐng)求錯(cuò)誤，可以捕捉這些異常)

urllib.parse　　
url解析模塊

urllib.robotparser
robots.txt解析模塊，判斷哪個(gè)網(wǎng)站可以爬，哪個(gè)不可以爬，用的比較少

在python2與python3中有所不同

在python2中：

import urllib2
response = urllib2.urlopen('http://www.baidu.com')

在python3中：

import  urllib.request
response = urllib.request.urlopen('http://www.baidu.com')

三、urllib.request

1、urlopen函數(shù)

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

url參數(shù)

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

data參數(shù)

沒有data參數(shù)時(shí)，發(fā)送的是一個(gè)get請(qǐng)求，加上data參數(shù)后，請(qǐng)求就變成了post方式(利用’http://httpbin.org測(cè)試網(wǎng)址)

import urllib.request
import urllib.parse

data1= bytes(urllib.parse.urlencode({'word':'hello'}),encoding='utf-8')
response = urllib.request.urlopen('http://httpbin.org/post',data = data1)
print(response.read())

data參數(shù)需要bytes類型，所以需要使用bytes()函數(shù)進(jìn)行編碼，而bytes函數(shù)的第一個(gè)參數(shù)需要時(shí)str類型，所以使用urllib.parse.urlencode將字典轉(zhuǎn)化為字符串。

timeout參數(shù)

設(shè)置一個(gè)超時(shí)的時(shí)間，如果在這個(gè)時(shí)間內(nèi)沒有響應(yīng)，便會(huì)拋出異常

import urllib.request

try:
    response = urllib.request.urlopen('http://www.baidu.com', timeout=0.001)
    print(response.read())
except:
    print('error')　

將超時(shí)時(shí)間設(shè)置為0.001秒，在這個(gè)時(shí)間內(nèi)，沒有響應(yīng)，輸出error

2、response 響應(yīng)類型

import urllib
from urllib import request
 
response = urllib.request.urlopen('http://www.baidu.com')
print(type(response))

狀態(tài)碼與響應(yīng)頭

import urllib
from urllib import request

response = urllib.request.urlopen('http://www.baidu.com')
print(response.status)
print(response.getheaders())
print(response.getheader('Server'))

read方法

import urllib.request

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

response.read()返回的是bytes形式的數(shù)據(jù)，所以需要用decode(‘utf-8’)進(jìn)行解碼。

3、Request對(duì)象　

如果我們需要發(fā)送復(fù)雜的請(qǐng)求，在urllib庫(kù)中就需要使用一個(gè)Request對(duì)象

import urllib.request
 
#直接聲明一個(gè)Request對(duì)象，并把url當(dāng)作參數(shù)直接傳遞進(jìn)來
request = urllib.request.Request('http://www.baidu.com')
response = urllib.request.urlopen(request)
print(response.read().decode('utf-8'))

聲明了一個(gè)Request對(duì)象，把url當(dāng)作參數(shù)傳遞給這個(gè)對(duì)象，然后把這個(gè)對(duì)昂作為urlopen函數(shù)的參數(shù)

更復(fù)雜的請(qǐng)求，加headers

#利用Request對(duì)象實(shí)現(xiàn)一個(gè)post請(qǐng)求

import urllib.request
url = 'http://httpbin.org/post'
headers = {
    'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/86.0.4240.198 Safari/537.36'
}
data = {'word':'hello'}
data = bytes(str(data),encoding='utf-8')
req = urllib.request.Request(url = url,data = data,headers = headers,method = 'POST')
response = urllib.request.urlopen(req)
print(response.read().decode('utf-8'))

上面的這個(gè)請(qǐng)求包含了請(qǐng)求方式、url，請(qǐng)求頭，請(qǐng)求體，邏輯清晰。

Request對(duì)象還有一個(gè)add_header方法，這樣也可以添加多個(gè)鍵值對(duì)的header

4、高級(jí)請(qǐng)求方式

設(shè)置代理

很多網(wǎng)站會(huì)檢測(cè)某一段時(shí)間某個(gè)IP的訪問次數(shù)(通過流量統(tǒng)計(jì)，系統(tǒng)日志等)，如果訪問次數(shù)多的不像正常人，它會(huì)禁止這個(gè)IP的訪問。ProxyHandler(設(shè)置代理的handler)，可以變換自己的IP地址。

from urllib import request # 導(dǎo)入request模塊
 
url = 'http://httpbin.org' # url地址
handler = request.ProxyHandler({'http': '122.193.244.243:9999'}) # 使用request模塊ProxyHandler類創(chuàng)建代理
#handler = request.ProxyHandler({"http":"賬號(hào):密碼@'122.193.244.243:9999'"})
#付費(fèi)代理模式　
opener = request.build_opener(handler) # 用handler創(chuàng)建opener
resp = opener.open(url) # 使用opener.open()發(fā)送請(qǐng)求
print(resp.read()) # 打印返回結(jié)果

cookie

import urllib.request
import urllib.parse

url = 'https://weibo.cn/5273088553/info'
# 正常的方式進(jìn)行訪問
# headers = {
#     'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/63.0.3239.84 Safari/537.36'
# }
#攜帶cookie進(jìn)行訪問
headers = {
    'GET https': '//weibo.cn/5273088553/info HTTP/1.1',
    'Host': ' weibo.cn',
    'Connection': ' keep-alive',
    'Upgrade-Insecure-Requests': ' 1',
    'User-Agent': ' Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/63.0.3239.84 Safari/537.36',
    'Accept': ' text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,image/apng,*/*;q=0.8',
    # 'Referer: https':'//weibo.cn/',
    'Accept-Language': ' zh-CN,zh;q=0.9',
    'Cookie': ' _T_WM=c1913301844388de10cba9d0bb7bbf1e; SUB=_2A253Wy_dDeRhGeNM7FER-CbJzj-IHXVUp7GVrDV6PUJbkdANLXPdkW1NSesPJZ6v1GA5MyW2HEUb9ytQW3NYy19U; SUHB=0bt8SpepeGz439; SCF=Aua-HpSw5-z78-02NmUv8CTwXZCMN4XJ91qYSHkDXH4W9W0fCBpEI6Hy5E6vObeDqTXtfqobcD2D32r0O_5jSRk.; SSOLoginState=1516199821',
}
request = urllib.request.Request(url=url, headers=headers)
response = urllib.request.urlopen(request)
# 輸出所有
# print(response.read().decode('gbk'))
# 將內(nèi)容寫入文件中
with open('weibo.html', 'wb') as fp:
    fp.write(response.read())

四、urllib.error

可以捕獲三種異常：URLError,HTTPError(是URLError類的一個(gè)子類)，ContentTooShortError

URLError只有一個(gè)reason屬性

HTTPError有三個(gè)屬性：code,reason,headers

import urllib.request
from urllib import error

try:
    response = urllib.request.urlopen('http://123.com')
except error.URLError as e:
    print(e.reason)

import urllib
from urllib import request
from urllib import error
#先捕捉http異常，再捕捉url異常
try:
    response = urllib.request.urlopen('http://123.com')
except error.HTTPError as e:
    print(e.reason, e.code, e.headers)
except error.URLError as e:
    print(e.reason)
else:
    print('RequestSucess!')

五、URL解析urllib.parse

urlparse函數(shù)

該函數(shù)是對(duì)傳入的url進(jìn)行分割,分割成幾部分，并對(duì)每部分進(jìn)行賦值

import urllib
from urllib import parse

result = urllib.parse.urlparse('http://www,baidu.com/index.html;user?id=5#comment')
print(type(result))
print(result)

結(jié)果方便的拆分了url

<class 'urllib.parse.ParseResult'>
ParseResult(scheme='http', netloc='www,baidu.com', path='/index.html', params='user', query='id=5', fragment='comment')
Process finished with exit code 0

從輸出結(jié)果可以看出，這幾部分包括：協(xié)議類型、域名、路徑、參數(shù)、query、fragment

urlparse有幾個(gè)參數(shù)：url,scheme,allow_fragments

在使用urlparse時(shí)，可以通過參數(shù)scheme = 'http’的方式來指定默認(rèn)的協(xié)議類型,如果url有協(xié)議類型，scheme參數(shù)就不會(huì)生效了

urlunparse函數(shù)

與urlparse函數(shù)作用相反，是對(duì)url進(jìn)行拼接的　

urljoin函數(shù)

用來拼接url

urlencode函數(shù)

可以把一個(gè)字典轉(zhuǎn)化為get請(qǐng)求參數(shù)

感謝各位的閱讀！關(guān)于“Python爬蟲中urllib庫(kù)怎么用”這篇文章就分享到這里了，希望以上內(nèi)容可以對(duì)大家有一定的幫助，讓大家可以學(xué)到更多知識(shí)，如果覺得文章不錯(cuò)，可以把它分享出去讓更多的人看到吧！