Python3网络爬虫——Urllib库的基本使用

Posted 2020-09-27

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=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 = bytes(urllib.parse.urlencode({‘name‘:‘zhangsan‘}),encoding=‘utf8‘)
5 response = urllib.request.urlopen(‘http://httpbin.org/post‘,data=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=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 = bytes(parse.urlencode(dict),encoding=‘utf8‘)
13 req = request.Request(url=url,data=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.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