史上最详细的Python爬虫库urllib讲解：绝对经典，值得收藏

Posted 李元静

tags:

篇首语：本文由小常识网(cha138.com)小编为大家整理，主要介绍了史上最详细的Python爬虫库urllib讲解：绝对经典，值得收藏相关的知识，希望对你有一定的参考价值。

目录

网络库urllib

urllib库是Python3内置的HTTP请求库，不需要单独安装，默认下载的Python就已经包含了该库。

urllib库有4个模块：

  1. request：最基本的HTTP请求模块，可以用法发送HTTP请求，并接收服务器的响应数据，这个过程就像在浏览器地址栏输入URL一样。
  2. parse：工具模块，提供了很多处理URL的API，如拆分、解析、合并等。
  3. robotparser：用来识别网站的robots.txt文件，然后判断哪些网站可以抓取，哪些不能抓取。
  4. error：异常处理。如果出现请求错误，可以捕获这些异常，然后根据代码的需要，进行处理。

下面，我们来分别介绍urllib库这4个模块。

request

request模块，包含发送请求，获得响应，Cookie，代理等相关API。这里，我们分别来介绍其使用的方式。

发送GET请求

首先，我们一般进行爬虫程序编写时，开始都需要发送请求，然后获得响应进行处理。比如通过GET请求获取网页源代码，示例如下：

import urllib.request

response=urllib.request.urlopen("https://www.csdn.net/")
print(response.read().decode("UTF-8"))

如上面代码所示，运行之后，我们会得到网页html源代码。

获取网页源代码

这里response是一个HTTPResponse对象，调用它多种方法及其属性，就可以进行多样的处理。

比如，我们这里来获取CSDN首页，调用其属性及其方法，示例如下：

import urllib.request

response = urllib.request.urlopen("https://www.csdn.net/")
print("status:", response.status, "  msg:", response.msg, "  version:", response.version)
print(response.getheaders())

这里，我们输出了CSDN首页的响应状态码，响应消息以及HTTP版本的属性，同时也打印其完整的响应头信息。

属性与方法

发送POST请求

默认request.urlopen()函数发送的GET请求，如果需要发送POST请求，我们需要使用data命令参数，该参数类型是bytes。示例代码如下：

import urllib.request
import urllib.parse

data = bytes(urllib.parse.urlencode({'username': 'name', 'age': '123456'}), encoding="UTF-8")
response = urllib.request.urlopen("http://httpbin.org/post", data=data)
print(response.read().decode("UTF-8"))

运行之后，如果请求成功就会返回一大堆字符串数据。

效果

请求超时处理

在实际的爬虫项目中，我们都需要考虑一个关键的问题，那就是请求超时。如果请求网址因为长时间没有响应，那么卡在这里往往浪费大量的资源。

所以，我们需要设置一个超时时间，如果在限定的时间没有响应，就应该重新抓取，或者不在抓取。示例代码如下：

import urllib.request
import urllib.parse
import urllib.error
import socket

data = bytes(urllib.parse.urlencode({'username': 'name', 'age': '123456'}), encoding="UTF-8")
try:
    response = urllib.request.urlopen("http://httpbin.org/post", data=data, timeout=0.1)
    print(response.read().decode("UTF-8"))
except urllib.error.URLError as e:
    if isinstance(e.reason,socket.timeout):
        print("超时处理")
finally:
    print("继续爬虫的工作")

爬虫伪装

现在只要是知名的网站，都具有定义的防爬虫技术。所以，我们在开发爬虫程序时，需要将自己的请求伪装成浏览器。

不过，urlopen()并没有header请求头参数，我们需要使用request.Request()进行构造请求，示例代码如下：

import urllib.request
import urllib.parse

data = bytes(urllib.parse.urlencode({'username': 'name', 'age': '123456'}), encoding="UTF-8")
headers = {
    'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/91.0.4472.124 Safari/537.36'
}
req = urllib.request.Request("http://httpbin.org/post", data=data, headers=headers)
response = urllib.request.urlopen(req)
print(response.read().decode("UTF-8"))

这里，我们将爬虫程序伪装成从火狐浏览器进行的请求。

当然，Request类还有许多其他的信息，下表是博主列出来供读者参考使用的。

参数意义
url用于发送请求的URl，必选参数（除这个参数之外，其他参数可选）
data要提交的表单数据，必须是bytes类型
headers请求头
origin_req_host请求方的host名称或IP地址
unverifiable表示这个请求是否是无法验证的，默认是False，主要是说明用户没有足够的权限来选择接收这个请求的结果。举个例子，请求一个HTML的图像，但没有自动抓取图像的权限，这个时候该参数为True
method用来指定是什么请求，比如GET,POST,PUT等，如果指定了data，默认就是POST请求

需要注意的是最后一个参数method，如果你在程序中，即指定了请求是GET，同时也有data表单数据，那么默认表单不会提交给服务器。

代理

其实，服务器除了根据请求头进行判断是否为爬虫之外，最简单判别爬虫的方式，就是判断是否是同一个IP短时间大量访问。

如果同一个IP短时间大量访问，那么可以直接判别为爬虫程序。而这个时候，我们可以通过代理进行伪装。当然，使用代理时应该不断更换代理服务器。

示例代码如下：

import urllib.error
from urllib.request import ProxyHandler, build_opener

proxy_handler = ProxyHandler({
    'http': 'http://183.47.138.80:8888',
    'http': 'http://125.78.226.217:8888'
})
opener = build_opener(proxy_handler)
try:
    response = opener.open('https://www.csdn.net/')
    print(response.read().decode('UTF-8'))
except urllib.error.URLError as e:
    print(e.reason)

运行之后，与前文一样返回CSDN首页的源代码。不过，需要注意的是，博主在写博客时，这个代码IP是有效的，但如果你读到这篇博文，可能已经失效了，你需要自己取找免费的代理服务器取测试。

获取Cookie

一般来说，当我们使用爬虫登录网站之后，会使用服务器返回的Cookie进行操作，有了这个Cookie，服务器就知道我们已经登录过。

那么如果获取Cookie数据呢？示例如下：

import urllib.error
from urllib.request import ProxyHandler
import http.cookiejar

cookie = http.cookiejar.CookieJar()
handler = urllib.request.HTTPCookieProcessor(cookie)
opener = urllib.request.build_opener(handler)
try:
    response = opener.open('https://www.csdn.net/')
    for item in cookie:
        print("name=", item.name, "  value=", item.value)
except urllib.error.URLError as e:
    print(e.reason)

如上面代码所示，我们可以通过http.cookiejar库进行操作，这里会返回cookie的键值对，并输出打印，效果如下：

在这里插入图片描述
如果本身网站的Cookie时效比较长的话，那么一次爬虫之后，我们可以将其保存在使用，这个时候会用到MozillaCookieJar类与LWPCookieJar类。

这2个类会在获取Cookie的同一时间，将Cookie分别保存为Mozilla浏览器格式和libwww-perl(LWP)格式。示例代码如下：

import urllib.error
from urllib.request import ProxyHandler
import http.cookiejar

cookie = http.cookiejar.MozillaCookieJar('cookies.txt')
handler = urllib.request.HTTPCookieProcessor(cookie)
opener = urllib.request.build_opener(handler)
try:
    response = opener.open('https://www.csdn.net/')
    cookie.save(ignore_discard=True,ignore_expires=True)
except urllib.error.URLError as e:
    print(e.reason)

运行之后，会生成一个cookies.txt文件，具体内容如下：

火狐Cookie

而LWPCookieJar类的使用方式与上面MozillaCookieJar类似，这里不在赘述。至于读取通过cookie.load()方法进行加载Cookie。

Parse

在实际的爬虫处理中，我们经常会遇到各种的编码问题。而这些问题就可以通过Parse进行解决处理。

中文的编码与解码

比如，在某些网址的请求头中，有些网站请求头会含有中文。但默认不进行任何处理肯定会报UnicodeEncodeError错误。

读者可以通过上面的代码，在headers字典中添加一个键值对，值是中文试试。下面，我们需要对其进行编码，示例如下：

import urllib.parse
import base64

value = urllib.parse.urlencode({'name': '安踏'})
print("编码后的中文：", value)
print("解码后的中文：", urllib.parse.unquote(value))
#base64编码与解码
base64Value=base64.b64encode(bytes('学习网络urllib库',encoding="UTF-8"))
print("编码后的中文：", base64Value)
print("解码后的中文：", str(base64.b64decode(base64Value),"UTF-8"))

运行之后，效果如下：

编码效果

需要注意的是，urlencode只能对url参数进行编码，比如这里对headers请求头进行了编码。而网站中的数据，有的是通过base64进行编码的，这个时候，我们也需要掌握base64的解码与编码。

quote与unquote

quote函数也是一个编码函数，但它与urlencode不同，urlencode只能对URL进行编码。而quote可以给任意字符串进行编码。

至于unquote是编码的逆过程（解码），示例如下：

from urllib.parse import quote, unquote

url = 'https://www.baidu.com/s?wd=' + quote("王者荣耀")
print(url)
url = unquote(url)
print(url)

运行之后，效果如下：

解码与编码

URL解析

在前面介绍的时候，我们也说了parse模块可以分解，分析，合并URL。下面，我们来通过这些函数，举一些列子，读者就会明白了。

from urllib import parse

url = 'https://www.csdn.net/'
split_result=parse.urlsplit(url);
print(split_result)
result = parse.urlparse(url)
print('scheme:', result.scheme)  # 网络协议
print('netloc:', result.netloc)  # 域名
print('path:', result.path)  # 文件存放路径
print('query:', result.query)  # 查询字符
print('fragment:', result.fragment)  # 拆分文档中的特殊猫

运行之后，效果如下：

分析URL

连接URL

对于URL来说，有时候我们需要将URL的多个部分进行组合。比如，我们在爬取某一个网站下图片时，其默认的前部分基本都相同，可能只是ID不同。

那么这个时候，我们需要将前部分URL与ID进行拼接。示例代码如下：

import urllib.parse

print(urllib.parse.urljoin('https://blog.csdn.net','liyuanjinglyj'))
print(urllib.parse.urljoin('https://blog.csdn.net','https://www.baidu.com'))
print(urllib.parse.urljoin('https://blog.csdn.net','index.html'))
print(urllib.parse.urljoin('https://blog.csdn.net/index.php','?name=30'))

运行之后，效果如下：

join
urljoin的使用规则：第1个参数是base_url，是一个基URL，只能设置scheme、netloc和path，第2个参数是url。

如果第2个参数不是一个完整的URL，会将第2个参数的值加到第1个参数的后面，自动添加斜杠"/”。

如果第2个参数是一个完整的URL，那么直接返回第2个URL。

参数转换（parse_qs与parse_qsl）

parse_qs函数将多个参数拆成字典的形式，key是参数名，value是参数值。

而parse_qsl函数返回一个列表，每个元素是一个包含2个元素值的元组，第1个元素表示key，第2个元素表示value。

示例如下：

from urllib.parse import parse_qs, parse_qsl

query = "name=李元静&age=29"
print(parse_qs(query))
print(parse_qsl(query))

运行之后，效果如下：

在这里插入图片描述

2个函数仅返回的参数形式不同，内容基本都是匹配的。同时，它们2个函数不管对什么类型，转换结果都是字符串。

Robots协议

Robots协议也称为爬虫协议、机器人协议，它的全名是网络爬虫排除标准（Robots Exclusing Protocol）。

用来告诉爬虫和搜索引擎哪些页面可以抓取，哪些不可以抓取。该协议通常放在一个名为robots.txt的文本文件中，它位于网站的根目录下。

特别注意，robots.txt文件仅仅是为了告诉开发中哪些数据可以抓取，哪些数据不可以，并不能阻止开发中进行爬虫操作。但作为一个有良知的程序员，应尽量尊重这些规则。

Robots协议的定义规则

robots.txt的文本文件一般有3个值：

  1. User-agent：如果它为*，表示对所有爬虫有效
  2. Disallow：哪个目录下的资源不能抓取，比如Disallow:/index/，那么禁止爬取index文件中的所有资源。如果为/，表示该网站都不能抓取。
  3. Allow：表示哪个目录下的资源可以抓取。比如Allow:/，表示所有网站都可以抓取。值与Disallow一样，只是反意义。

当然，User-agent还可以禁止某些爬虫抓取，比如禁止百度爬虫抓取：User-agent:BaiduSpider。常用的爬虫名如下表：

爬虫名称搜索引擎
Googlebot谷歌
360Spider360搜索
Bingbot必应
BaiduSpider百度

Robots协议的解析

当然，我们获取Robots协议，肯定是为了获取哪些资源不可爬。但是，直接通过字符串进行解析虽然也能完成，不过稍微复杂了点。

而urllib库的robotparser模块提供了相应的API进行解析，也就是RobotFileParser类。示例如下：

from urllib.robotparser import RobotFileParser
#一种解析方式
robot = RobotFileParser()
robot.set_url('https://www.csdn.net/robots.txt')
robot.read()
print(robot.can_fetch('*', 'https://blog.csdn.net/rank/list'))

#另一种解析方式
robot = RobotFileParser('https://www.csdn.net/robots.txt')
print(robot.can_fetch('*', 'https://blog.csdn.net/rank/list'))

这里，can_fetch方法用来判断该网址根据Robots协议是否可以抓取。这里判断的是CSDN排行榜能否抓取，返回了True。

error

异常处理在上面的代码中，我们已经用过了。比如在请求超时的讲解之中，我们用到了URLError。但是它还有一个子类HTTPError。

HTTPError

它主要用于HTTP请求错误的处理，比如400，404等错误。

HTTPError有3个重要的参数：

  1. code：服务器返回的状态码，如404等
  2. reason：返回错误的原因
  3. headers：返回请求头

不过，HTTPError不能捕获超时错误，如果你需要处理超时错误，那么只能通过URLError进行捕获。

以上是关于史上最详细的Python爬虫库urllib讲解：绝对经典，值得收藏的主要内容，如果未能解决你的问题，请参考以下文章

Python爬虫入门到实战-史上最详细的爬虫教程

史上最详细的爬虫教程，Python采集全网最受欢迎的 500 本书！

快收藏！史上最全156个Python网络爬虫资源

快收藏！史上最全156个Python网络爬虫资源

史上最全！Python爬虫requests库(附案例)

史上最详细Python爬取电影教程，还不会那也是没谁了