python3爬虫——urlllib使用
Posted ->大胖子
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python3爬虫——urlllib使用相关的知识，希望对你有一定的参考价值。
参考内容：1.https://www.cnblogs.com/Lands-ljk/p/5447127.html 2.https://cuiqingcai.com/947.html
1.分分钟扒一个网页下来
怎样扒网页呢？其实就是根据URL来获取它的网页信息，虽然我们在浏览器中看到的是一幅幅优美的画面，但是其实是由浏览器解释才呈现出来的，实质它是一段HTML代码，加 JS、CSS，如果把网页比作一个人，那么HTML便是他的骨架，JS便是他的肌肉，CSS便是它的衣服。所以最重要的部分是存在于HTML中的，下面我们就写个例子来扒一个网页下来。
from urllib.request import urlopen
response=urlopen("http://www.baidu.com")
html=response.read().decode(\'utf-8\')
print(html)
是的你没看错，真正的程序就两行，把它保存成 demo.py，进入该文件的目录，执行如下命令查看运行结果，感受一下。
2.分析扒网页的方法
那么我们来分析这两行代码，第一行
response=urlopen("http://www.baidu.com")
首先我们调用的是urllib库里面的request下的urlopen方法，传入一个URL，这个网址是百度首页，协议是HTTP协议，当然你也可以把HTTP换做FTP,FILE,HTTPS 等等，只是代表了一种访问控制协议，urlopen一般接受三个参数。使用方法如下：
urllib.request.urlopen(url, data=None, [timeout, ]*, cafile=None, capath=None, cadefault=False, context=None)
- url: 需要打开的网址
- data：Post提交的数据
- timeout：设置网站的访问超时时间
第一个参数URL是必须要传送的，在这个例子里面我们传送了百度的URL，执行urlopen方法之后，返回一个response对象，返回信息便保存在这里面。
如果不加read：直接打印出了该对象的描述。所以记得一定要加read方法，否则它不出来内容可就不怪我咯！
直接用urllib.request模块的urlopen（）获取页面，page的数据格式为bytes类型，需要decode（）解码，转换成str类型。
1 from urllib import request 2 response = request.urlopen(r\'http://python.org/\') # <http.client.HTTPResponse object at 0x00000000048BC908> HTTPResponse类型 3 page = response.read() 4 page = page.decode(\'utf-8\')
urlopen返回对象提供方法：
- read() , readline() ,readlines() , fileno() , close() ：对HTTPResponse类型数据进行操作
- info()：返回HTTPMessage对象，表示远程服务器返回的头信息
- getcode()：返回Http状态码。如果是http请求，200请求成功完成;404网址未找到
- geturl()：返回请求的url
3.构造Request
其实上面的urlopen参数可以传入一个request请求,它其实就是一个Request类的实例，构造时需要传入Url,Data等等的内容。比如上面的两行代码，我们可以这么改写
from urllib import request
req=request.Request("http://www.baidu.com")
print(req)
response=request.urlopen(req)
html=response.read()
html = html.decode(\'utf-8\')
print(html)
运行结果是完全一样的，只不过中间多了一个request对象，推荐大家这么写，因为在构建请求时还需要加入好多内容，通过构建一个request，服务器响应请求得到应答，这样显得逻辑上清晰明确。
urllib.request.Request(url, data=None, headers={}, method=None)
使用request（）来包装请求，再通过urlopen（）获取页面。
再比如：（这里加入参数headers）
有些网站不会同意程序直接用上面的方式进行访问，如果识别有问题，那么站点根本不会响应，所以为了完全模拟浏览器的工作，我们需要设置一些Headers 的属性。
首先，打开我们的浏览器，调试浏览器F12，我用的是Edge浏览器，打开网络监听，示意如下，比如知乎，点登录之后，我们会发现登陆之后界面都变化了，出现一个新的界面，实质上这个页面包含了许许多多的内容，这些内容也不是一次性就加载完成的，实质上是执行了好多次请求，一般是首先请求HTML文件，然后加载JS，CSS 等等，经过多次请求之后，网页的骨架和肌肉全了，整个网页的效果也就出来了。
其中，\'User-Agent\'就是请求的身份，如果没有写入请求身份，那么服务器不一定会响应，所以可以在headers中设置agent,例如下面的例子，这个例子只是说明了怎样设置的headers，小伙伴们看一下设置格式就好。
url = r\'http://www.lagou.com/zhaopin/Python/?labelWords=label\'
headers = {
\'User-Agent\': r\'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) \'
r\'Chrome/45.0.2454.85 Safari/537.36 115Browser/6.0.3\',
\'Referer\': r\'http://www.lagou.com/zhaopin/Python/?labelWords=label\',
\'Connection\': \'keep-alive\'
}
req = request.Request(url, headers=headers)
page = request.urlopen(req).read()
page = page.decode(\'utf-8\')
用来包装头部的数据：
- User-Agent ：这个头部可以携带如下几条信息：浏览器名和版本号、操作系统名和版本号、默认语言
- Referer：可以用来防止盗链，有一些网站图片显示来源http://***.com，就是检查Referer来鉴定的
- Connection：表示连接状态，记录Session的状态。
这样，我们设置了一个headers，在构建request时传入，在请求时，就加入了headers传送，服务器若识别了是浏览器发来的请求，就会得到响应。
另外，我们还有对付”反盗链”的方式，对付防盗链，服务器会识别headers中的referer是不是它自己，如果不是，有的服务器不会响应，所以我们还可以在headers中加入referer，如上程序。这里refer就是你要访问的地址。
4.POST和GET数据传送
上面的程序演示了最基本的网页抓取，不过，现在大多数网站都是动态网页，需要你动态地传递参数给它，它做出对应的响应。所以，在访问时，我们需要传递数据给它。最常见的情况是什么？对了，就是登录注册的时候呀。
把数据用户名和密码传送到一个URL，然后你得到服务器处理之后的响应，这个该怎么办？下面让我来为小伙伴们揭晓吧！
数据传送分为POST和GET两种方式，两种方式有什么区别呢？
最重要的区别是GET方式是直接以链接形式访问，链接中包含了所有的参数，当然如果包含了密码的话是一种不安全的选择，不过你可以直观地看到自己提交了什么内容。POST则不会在网址上显示所有的参数，不过如果你想直接查看提交了什么就不太方便了，大家可以酌情选择。
（1）POST
urllib.request.urlopen(url, data=None, [timeout, ]*, cafile=None, capath=None, cadefault=False, context=None)
urlopen（）的data参数默认为None，当data参数不为空的时候，urlopen（）提交方式为Post。
一个例子：
from urllib import request, parse
url = r\'http://www.lagou.com/jobs/positionAjax.json?\'
headers = {
\'User-Agent\': r\'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) \'
r\'Chrome/45.0.2454.85 Safari/537.36 115Browser/6.0.3\',
\'Referer\': r\'http://www.lagou.com/zhaopin/Python/?labelWords=label\',
\'Connection\': \'keep-alive\'
}
data = {
\'first\': \'true\',
\'pn\': 1,
\'kd\': \'Python\'
}
data = parse.urlencode(data).encode(\'utf-8\')
req = request.Request(url,data=data, headers=headers, )
page = request.urlopen(req).read()
page = page.decode(\'utf-8\')
print(page)
urllib.parse.urlencode(query, doseq=False, safe=\'\', encoding=None, errors=None)
urlencode（）主要作用就是将url附上要提交的数据。
data = {
\'first\': \'true\',
\'pn\': 1,
\'kd\': \'Python\'
}
data = parse.urlencode(data).encode(\'utf-8\')
经过urlencode（）转换后的data数据为?first=true?pn=1?kd=Python，最后提交的url为
http://www.lagou.com/jobs/positionAjax.json?first=true?pn=1?kd=Python
Post的数据必须是bytes或者iterable of bytes，不能是str，因此需要进行encode（）编码
当然，也可以把data的数据封装在urlopen（）参数中。
另一个例子：
现在我们要模拟登陆CSDN:当然下面代码可能登陆不进去，因为CSDN还有个流水号的字段，没有设置全，比较复杂在这里就不写上去了，在此只是说明登录的原理。一般的登录网站一般是这种写法。
values={\'username\':"xxxxx@qq.com","password":"xxxx"}
data=parse.urlencode(values).encode(\'utf-8\')
我们需要定义一个字典，名字为values，参数我设置了username和password，下面利用urllib的urlencode方法将字典编码，命名为data，构建request时传入两个参数，url和data，运行程序，返回的便是POST后呈现的页面内容。
（2）GET
至于GET方式我们可以直接把参数写到网址上面，直接构建一个带参数的URL出来即可。
values={\'username\':"xxxxx@qq.com","password":"xxxx"}
data=parse.urlencode(values).encode(\'utf-8\')
url="http://passport.csdn.net/account/login"
geturl=url+"?"+data
req = request.Request(geturl )
page = request.urlopen(req).read()
page = page.decode(\'utf-8\')
print(page)
你可以print geturl，打印输出一下url，发现其实就是原来的url加？然后加编码后的参数
和我们平常GET访问方式一模一样，这样就实现了数据的GET方式传送。
5、其他一些高级功能
1. Proxy（代理）的设置
urllib.request.ProxyHandler(proxies=None)
当需要抓取的网站设置了访问限制，这时就需要用到代理来抓取数据。
data = {
\'first\': \'true\',
\'pn\': 1,
\'kd\': \'Python\'
}
proxy = request.ProxyHandler({\'http\': \'5.22.195.215:80\'}) # 设置proxy
opener = request.build_opener(proxy) # 挂载opener
request.install_opener(opener) # 安装opener
data = parse.urlencode(data).encode(\'utf-8\')
page = opener.open(url, data).read()
page = page.decode(\'utf-8\')
return page
urllib2 默认会使用环境变量 http_proxy 来设置 HTTP Proxy。假如一个网站它会检测某一段时间某个IP 的访问次数，如果访问次数过多，它会禁止你的访问。所以你可以设置一些代理服务器来帮助你做工作，每隔一段时间换一个代理，网站君都不知道是谁在捣鬼了，这酸爽！（下面程序是复制的python2的写法）
2.Timeout 设置
上一节已经说过urlopen方法了，第三个参数就是timeout的设置，可以设置等待多久超时，为了解决一些网站实在响应过慢而造成的影响。
例如下面的代码,如果第二个参数data为空那么要特别指定是timeout是多少，写明形参，如果data已经传入，则不必声明。
6、异常处理
1.URL ERROR
首先解释下URLError可能产生的原因：
- 网络无连接，即本机无法上网
- 连接不到特定的服务器
- 服务器不存在
在代码中，我们需要用try-except语句来包围并捕获相应的异常。下面是一个例子
from urllib import request, parse
url = r\'http://www.lagou.com/jobs/positionAjax.json?\'
headers = {
\'User-Agent\': r\'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) \'
r\'Chrome/45.0.2454.85 Safari/537.36 115Browser/6.0.3\',
\'Referer\': r\'http://www.lagou.com/zhaopin/Python/?labelWords=label\',
\'Connection\': \'keep-alive\'
}
data = {
\'first\': \'true\',
\'pn\': 1,
\'kd\': \'Python\'
}
data = parse.urlencode(data).encode(\'utf-8\')
req = request.Request(url, headers=headers)
try:
page = request.urlopen(req, data=data).read()
page = page.decode(\'utf-8\')
except request.URLError as e:
print(e.code())
print(e.read().decode(\'utf-8\'))
2.HTTP ERROR
HTTPError是URLError的子类，在你利用urlopen方法发出一个请求时，服务器上都会对应一个应答对象response，其中它包含一个数字”状态码”。举个例子，假如response是一个”重定向”，需定位到别的地址获取文档，urllib2将对此进行处理。其他不能处理的，urlopen会产生一个HTTPError，对应相应的状态吗，HTTP状态码表示HTTP协议所返回的响应的状态。
比如：
from urllib import request, parse
url = r\'http://www.lagou.com/jobs/positionAjax.json?\'
headers = {
\'User-Agent\': r\'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) \'
r\'Chrome/45.0.2454.85 Safari/537.36 115Browser/6.0.3\',
\'Referer\': r\'http://www.lagou.com/zhaopin/Python/?labelWords=label\',
\'Connection\': \'keep-alive\'
}
data = {
\'first\': \'true\',
\'pn\': 1,
\'kd\': \'Python\'
}
data = parse.urlencode(data).encode(\'utf-8\')
req = request.Request(url, headers=headers)
try:
page = request.urlopen(req, data=data).read()
page = page.decode(\'utf-8\')
except request.HTTPError as e:
print(e.code())
print(e.read().decode(\'utf-8\'))
except request.URLError as e:
print(e.reason().decode(\'utf-8\'))
else:
print("OK")
以上是关于python3爬虫——urlllib使用的主要内容，如果未能解决你的问题，请参考以下文章