Python 爬虫 --- urllib

Posted 2021-01-31 路漫漫 其修远

对于互联网数据，Python 有很多处理网络协议的工具，urllib 是很常用的一种。

一、urllib.request，request 可以很方便的抓取 URL 内容。

• urllib.request.urlopen(url)　　返回请求 url 后的二进制对象·

　　　　参数：url=‘http://www.baidu.com’，请求的 url。

　　　　　　　data=None，请求的数据，可有可无，bytes 类型。

　　　　　　　timeout=3，设置访问超时时间，可有可无

　　　　　　　cafile=None，HTTPS 请求 CA 证书

　　　　　　　capath=None，CA 证书 path

　　　　　　　context=None，指定 SSL 设置，可有可无，ssl.SSLContext 类型

• urllib.request.Request()　　把请求独立成一个对象，对请求参数的设定更方便灵活

　　　　参数：url，请求 url。

　　　　　　　data=None，请求参数，可有可无

　　　　　　　headers={}，请求 header 参数。

　　　　　　　origin_req_host=None，请求 host 或 IP

　　　　　　　unverifiable=False，表明请求是否无法验证，默认为 false

　　　　　　　method=None，请求方法，get、post、put 等

• urllib.request.ProxyHandler()　　设置代理，参数为 dict，如：{ ‘http‘: ‘120.194.18.90:81‘}
• urllib.request.build_opener()　　构建 Opener，参数为上面设置的代理
• urllib.request.install_opener()　　安装 Opener，参数为上面构建的 opener
• urllib.request.HTTPCookieProcessor()　　cookie 操作，参数为 http.cookiejar.CookieJar() 得到的 cookie

 

from urllib import request,parse

#url
url = ‘http://fanyi.baidu.com/sug‘

#request data
data = {‘kw‘: ‘python‘}
data = parse.urlencode(data).encode(‘utf-8‘)

#proxy
proxy = {‘http‘: ‘120.194.18.90:81‘}
proxy_handler = request.ProxyHandler(proxy)
opener = request.build_opener(proxy_handler)
request.install_opener(opener)

#headers = {
#    ‘Content-Length‘: len(data),
#    ‘User-Agent‘: ‘Mozilla/5.0 (Windows NT 10.0; WOW64; rv:64.0) Gecko/20100101 Firefox/64.0‘
#}

#req = request.Request(url=base_url, data=data, headers=headers)
req = request.Request(base_url, data)

req.add_header(‘User-Agent‘, ‘Mozilla/5.0 (Windows NT 10.0; WOW64; rv:64.0) Gecko/20100101 Firefox/64.0‘)

rsp = request.urlopen(req)

result = rsp.read().decode(‘utf-8‘)

print(result)

#rsp 的属性
print(‘返回数据类型: {}‘.format(type(rsp)))

print(‘返回数据信息: {}‘.format(rsp))

print(‘header 信息: {}‘.format(rsp.info()))

print(‘header 信息: {}‘.format(rsp.getheaders()))

print(‘header 属性信息: {}‘.format(rsp.getheader(‘Server‘)))

print(‘响应状态信息: {}‘.format(rsp.status))

print(‘响应状态信息: {}‘.format(rsp.getcode()))

print(‘响应的 URL: {}‘.format(rsp.geturl()))

#cookie 操作

from urllib import request
from http impot cookiejar

#获取 cookie
cookie = cookiejar.CookieJar()
handler = request.HTTPCookieProcessor(cookie)
opener = request.build_opener(handler)

rsp = opener.open(‘http://www.baidu.com‘)
res = rsp.read().decode(‘utf-8‘)

print(res)

#保存 cookie
#FileCookieJar、MozillaCookieJar、LWPCookieJar，不同的保存格式
filename = ‘cookie.txt‘
cookie = cookiejar.MozillaCookieJar(filename)
handler = request.HTTPCookieProcessor(cookie)
opener = request.build_opener(handler)

rsp = opener.open(‘http://www.baidu.com‘)

cookie.save(igonre_discard=True, ignore_expires=True)

#使用 cookie
cookie cookiejar.MozillaCookieJar()
cookie.load(‘cookie.txt‘, ignore_discard=True, ignore_expires=True)
handler = request.HTTPCookieProcessor(cookie)
opener = request.build_opener(handler)
rsp = opener.open(‘http://www.baidu.com‘)

res = rsp.read().decode(‘utf-8‘)
print(res)

 

二、urllib.parse

• urllib.parse.urlparse()　　将 URL 解析成元组形式

　　　　参数：

　　　　　　url，访问 url

　　　　　　scheme，解析协议，https、http

　　　　　　allow_fragments=False，是够带有查询参数　

• urllib.parse.urlunparse()　　将元组拼接成完整 url
• urllib.parse.urljoin()　　拼接 url

　　

#1
url = ‘https://www.baidu.com/s?‘
qs = {‘wd‘:‘python‘}

qs = urllib.parse.urlparse(qs)
full_url = url + qs

#2
url = urllib.parse.urlparse(‘http://www.baidu.com/s?wd=python‘)
print(url)

#3
data = [‘http‘, ‘www.baidu.com‘, ‘s‘, ‘wd=python‘]
print(urllib.parse.urlunparse(data))

#4
print(urllib.parse.urljson(‘http://www.baidu.com‘, ‘index.html‘))

三、urllib.error

　　通过 try...except 可以捕捉异常，error 分为 HTTPError，URLError

try:
    res = urllib.request.urlopen(url).open().decode(‘utf-8‘)
    print(res)
except urllib.error.URLError as e:
    print(e)
except urllib.error.HTTPError as e:
    print(e)
except Exception as e:
    print(e)

四、urllib.robotparser