Python 3.X 要使用urllib.request 来抓取网络资源。转

Posted 2020-08-28

Python 3.X 要使用urllib.request 来抓取网络资源。

最简单的方式：

#coding=utf-8
import urllib.request
response = urllib.request.urlopen(‘http://python.org/‘)
buff = response.read()
#显示
html = buff.decode("utf8")
response.close()
print(html)

 

 

使用Request的方式：

#coding=utf-8
import urllib.request
req = urllib.request.Request(‘http://www.voidspace.org.uk‘)
response = urllib.request.urlopen(req)
buff = response.read()
#显示
the_page = buff.decode("utf8")
response.close()
print(the_page)

 

这种方式同样可以用来处理其他URL，例如FTP：

#coding=utf-8
import urllib.request
req = urllib.request.Request(‘ftp://ftp.pku.edu.cn/‘)
response = urllib.request.urlopen(req)
buff = response.read()
#显示
the_page = buff.decode("utf8")
response.close()
print(the_page)

 

 

使用POST请求：

import urllib.parseimport
urllib.requesturl = ‘http://www.someserver.com/cgi-bin/register.cgi‘
values = {‘name‘ : ‘Michael Foord‘,
          ‘location‘ : ‘Northampton‘,
          ‘language‘ : ‘Python‘ }
          
data = urllib.parse.urlencode(values)
req = urllib.request.Request(url, data)
response = urllib.request.urlopen(req)
the_page = response.read()

 

 

使用GET请求：

import urllib.request
import urllib.parse
data = {}
data[‘name‘] = ‘Somebody Here‘
data[‘location‘] = ‘Northampton‘
data[‘language‘] = ‘Python‘
url_values = urllib.parse.urlencode(data)
print(url_values)
name=Somebody+Here&language=Python&location=Northampton
url = ‘http://www.example.com/example.cgi‘
full_url = url + ‘?‘ + url_values
data = urllib.request.open(full_url)

 

 

添加header：

import urllib.parse
import urllib.request

url = ‘http://www.someserver.com/cgi-bin/register.cgi‘
user_agent = ‘Mozilla/4.0 (compatible; MSIE 5.5; Windows NT)‘
values = {‘name‘ : ‘Michael Foord‘,
          ‘location‘ : ‘Northampton‘,
          ‘language‘ : ‘Python‘ }
headers = { ‘User-Agent‘ : user_agent }

data = urllib.parse.urlencode(values)
req = urllib.request.Request(url, data, headers)
response = urllib.request.urlopen(req)
the_page = response.read()

 

 

错误处理：

req = urllib.request.Request(‘http://www.pretend_server.org‘)
try: urllib.request.urlopen(req)
except urllib.error.URLError as e:
    print(e.reason)

 

 

返回的错误代码：

# Table mapping response codes to messages; entries have the
# form {code: (shortmessage, longmessage)}.
responses = {
    100: (‘Continue‘, ‘Request received, please continue‘),
    101: (‘Switching Protocols‘,
          ‘Switching to new protocol; obey Upgrade header‘),

    200: (‘OK‘, ‘Request fulfilled, document follows‘),
    201: (‘Created‘, ‘Document created, URL follows‘),
    202: (‘Accepted‘,
          ‘Request accepted, processing continues off-line‘),
    203: (‘Non-Authoritative Information‘, ‘Request fulfilled from cache‘),
    204: (‘No Content‘, ‘Request fulfilled, nothing follows‘),
    205: (‘Reset Content‘, ‘Clear input form for further input.‘),
    206: (‘Partial Content‘, ‘Partial content follows.‘),

    300: (‘Multiple Choices‘,
          ‘Object has several resources -- see URI list‘),
    301: (‘Moved Permanently‘, ‘Object moved permanently -- see URI list‘),
    302: (‘Found‘, ‘Object moved temporarily -- see URI list‘),
    303: (‘See Other‘, ‘Object moved -- see Method and URL list‘),
    304: (‘Not Modified‘,
          ‘Document has not changed since given time‘),
    305: (‘Use Proxy‘,
          ‘You must use proxy specified in Location to access this ‘
          ‘resource.‘),
    307: (‘Temporary Redirect‘,
          ‘Object moved temporarily -- see URI list‘),

    400: (‘Bad Request‘,
          ‘Bad request syntax or unsupported method‘),
    401: (‘Unauthorized‘,
          ‘No permission -- see authorization schemes‘),
    402: (‘Payment Required‘,
          ‘No payment -- see charging schemes‘),
    403: (‘Forbidden‘,
          ‘Request forbidden -- authorization will not help‘),
    404: (‘Not Found‘, ‘Nothing matches the given URI‘),
    405: (‘Method Not Allowed‘,
          ‘Specified method is invalid for this server.‘),
    406: (‘Not Acceptable‘, ‘URI not available in preferred format.‘),
    407: (‘Proxy Authentication Required‘, ‘You must authenticate with ‘
          ‘this proxy before proceeding.‘),
    408: (‘Request Timeout‘, ‘Request timed out; try again later.‘),
    409: (‘Conflict‘, ‘Request conflict.‘),
    410: (‘Gone‘,
          ‘URI no longer exists and has been permanently removed.‘),
    411: (‘Length Required‘, ‘Client must specify Content-Length.‘),
    412: (‘Precondition Failed‘, ‘Precondition in headers is false.‘),
    413: (‘Request Entity Too Large‘, ‘Entity is too large.‘),
    414: (‘Request-URI Too Long‘, ‘URI is too long.‘),
    415: (‘Unsupported Media Type‘, ‘Entity body in unsupported format.‘),
    416: (‘Requested Range Not Satisfiable‘,
          ‘Cannot satisfy request range.‘),
    417: (‘Expectation Failed‘,
          ‘Expect condition could not be satisfied.‘),

    500: (‘Internal Server Error‘, ‘Server got itself in trouble‘),
    501: (‘Not Implemented‘,
          ‘Server does not support this operation‘),
    502: (‘Bad Gateway‘, ‘Invalid responses from another server/proxy.‘),
    503: (‘Service Unavailable‘,
          ‘The server cannot process the request due to a high load‘),
    504: (‘Gateway Timeout‘,
          ‘The gateway server did not receive a timely response‘),
    505: (‘HTTP Version Not Supported‘, ‘Cannot fulfill request.‘),
    }