Python3学习笔记（urllib模块的使用）

Posted 2020-10-29 流浪家园

原文地址：https://www.cnblogs.com/Lands-ljk/p/5447127.html

1.基本方法

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

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

2.使用Request

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。

 1 url = r\'http://www.lagou.com/zhaopin/Python/?labelWords=label\'
 2 headers = {
 3     \'User-Agent\': r\'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) \'
 4                   r\'Chrome/45.0.2454.85 Safari/537.36 115Browser/6.0.3\',
 5     \'Referer\': r\'http://www.lagou.com/zhaopin/Python/?labelWords=label\',
 6     \'Connection\': \'keep-alive\'
 7 }
 8 req = request.Request(url, headers=headers)
 9 page = request.urlopen(req).read()
10 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。

3.Post数据

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。

 1 from urllib import request, parse
 2 url = r\'http://www.lagou.com/jobs/positionAjax.json?\'
 3 headers = {
 4     \'User-Agent\': r\'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) \'
 5                   r\'Chrome/45.0.2454.85 Safari/537.36 115Browser/6.0.3\',
 6     \'Referer\': r\'http://www.lagou.com/zhaopin/Python/?labelWords=label\',
 7     \'Connection\': \'keep-alive\'
 8 }
 9 data = {
10     \'first\': \'true\',
11     \'pn\': 1,
12     \'kd\': \'Python\'
13 }
14 data = parse.urlencode(data).encode(\'utf-8\')
15 req = request.Request(url, headers=headers, data=data)
16 page = request.urlopen(req).read()
17 page = page.decode(\'utf-8\')

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。 

1 data = {
2     \'first\': \'true\',
3     \'pn\': 1,
4     \'kd\': \'Python\'
5 }
6 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

1 page = request.urlopen(req, data=data).read()

当然，也可以把data的数据封装在urlopen（）参数中

4.异常处理

 1 def get_page(url):
 2     headers = {
 3         \'User-Agent\': r\'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) \'
 4                     r\'Chrome/45.0.2454.85 Safari/537.36 115Browser/6.0.3\',
 5         \'Referer\': r\'http://www.lagou.com/zhaopin/Python/?labelWords=label\',
 6         \'Connection\': \'keep-alive\'
 7     }
 8     data = {
 9         \'first\': \'true\',
10         \'pn\': 1,
11         \'kd\': \'Python\'
12     }
13     data = parse.urlencode(data).encode(\'utf-8\')
14     req = request.Request(url, headers=headers)
15     try:
16         page = request.urlopen(req, data=data).read()
17         page = page.decode(\'utf-8\')
18     except error.HTTPError as e:
19         print(e.code())
20         print(e.read().decode(\'utf-8\'))
21     return page

5、使用代理 

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。

 1 data = {
 2         \'first\': \'true\',
 3         \'pn\': 1,
 4         \'kd\': \'Python\'
 5     }
 6 proxy = request.ProxyHandler({\'http\': \'5.22.195.215:80\'})  # 设置proxy
 7 opener = request.build_opener(proxy)  # 挂载opener
 8 request.install_opener(opener)  # 安装opener
 9 data = parse.urlencode(data).encode(\'utf-8\')
10 page = opener.open(url, data).read()
11 page = page.decode(\'utf-8\')
12 return page