urllib库

Posted 2020-12-05 wang-y

目录

• urllib库
  • 1.urllib.request(请求模块)
    • urlopen
    • Request
    • Handler工具和OpenerDirector类
  • 2.response对象
    • 方法
    • 属性
  • 3.urllib.error(异常处理)
    • URLError
    • HTTPError
    • ContentTooShortError(msg, content):不常用
  • 4.urllib.parse(url解析模块)
    • urlparse()
    • urlunparse()
    • urlsplit()
    • urlunsplit()
    • urljoin()
    • urlencode()
    • parse_qs()
    • parse_qsl()
    • quote()
    • unquote()
  • 5.urllib.robotparse(robot.txt文件解析模块)
    • Robots协议
    • 爬虫名称
    • robotparse

urllib库

python内置的http请求库
官方文档:https://docs.python.org/3/library/urllib.html
一个web测试网站：http://httpbin.org

1.urllib.request(请求模块)

返回目录

urlopen

发送请求

urllib.request.urlopen(url, data=None, [timeout, ]*, cafile=None, capath=None, cadefault=False, context=None)

• url：链接,字符串　　
• data：post方式表单，bytes类型
  • 　data = bytes(urllib.parse.urlencode({‘word‘: ‘hello‘}), encoding=‘utf8‘)
  • 　bytes方法第一个参数字符串类型,第二个第二个参数指定编码格式,urlencode将参数字典转化为字符串
• timeout：设置超时，单位秒,超过未响应会报URLError异常
• context:必须是ssl.SSLContext类型，用来指定SSL设置
• cafile和capath:分别指定CA证书和它的路径，请求HTTPS链接时会有用

Request

封装请求,得到请求对象,传给urlopen,请求对象属性和方法文档:https://docs.python.org/3/library/urllib.request.html#request-objects

request = urllib.request.Request(‘https://python.org‘)
response = urllib.request.urlopen(request)

class urllib.request.Request(url, data=None, headers={}, origin_req_host=None, unverifiable=False, method=None)

• headers:是一个字典，请求头
  • 通过修改User-Agent来伪装浏览器,默认的User-Agent是Python-urllib
  • headers也可以用add_header(‘请求头名称‘,‘值‘)方法来直接添加到封装后的请求
• origin_req_host:请求方的host名称或者IP地址
• unverifiable:请求是否是没有足够权限接收请求的结果，默认是False，意思有权限
• method:字符串，用来指示请求使用的方法

Handler工具和OpenerDirector类

利用Handler来构建Opener，Opener可以使用open()方法，返回response.提供了高级的操作(比如Cookies处理、代理设置等）

• BaseHandler类，它是所有其他Handler的父类，它提供了最基本的方法，例如default_open()、protocol_request()

• 其他Handler
  • HTTPDefaultErrorHandler：用于处理HTTP响应错误，错误都会抛出HTTPError类型的异常。
  • HTTPRedirectHandler：用于处理重定向。
  • HTTPCookieProcessor：用于处理Cookies。
  • ProxyHandler：用于设置代理，默认代理为空。
  • HTTPPasswordMgr：用于管理密码，它维护了用户名和密码的表。
  • HTTPBasicAuthHandler：用于管理认证，如果一个链接打开时需要认证，那么可以用它来解决认证问题
    +　更多

• 验证页面(用户名和密码)

from urllib.request import HTTPPasswordMgrWithDefaultRealm, HTTPBasicAuthHandler, build_opener  
from urllib.error import URLError
 
username = ‘username‘
password = ‘password‘
url = ‘http://localhost:5000/‘
 
p = HTTPPasswordMgrWithDefaultRealm()
p.add_password(None, url, username, password)
auth_handler = HTTPBasicAuthHandler(p)
opener = build_opener(auth_handler)  # 用handle构建opener
 
try:
    result = opener.open(url)
    html = result.read().decode(‘utf-8‘)
    print(html)
except URLError as e:
    print(e.reason)

• 代理

from urllib.error import URLError
from urllib.request import ProxyHandler, build_opener
 
proxy_handler = ProxyHandler({
    ‘http‘: ‘http://127.0.0.1:9743‘,
    ‘https‘: ‘https://127.0.0.1:9743‘
})
opener = build_opener(proxy_handler)
try:
    response = opener.open(‘https://www.baidu.com‘)
    print(response.read().decode(‘utf-8‘))
except URLError as e:
    print(e.reason)

• cookie

import http.cookiejar, urllib.request

cookie = http.cookiejar.CookieJar()  # 直接获取
handler = urllib.request.HTTPCookieProcessor(cookie)
opener = urllib.request.build_opener(handler)
response = opener.open(‘http://www.baidu.com‘)
for item in cookie:
    print(item.name+"="+item.value)

filename = ‘cookies.txt‘  # 写入文件
cookie = http.cookiejar.MozillaCookieJar(filename)  
# MozillaCookieJar是CookieJar的子类,可以用来处理Cookies和文件相关的事件，比如读取和保存Cookies，可以将Cookies保存成Mozilla型浏览器的Cookies格式.LWPCookieJar会保存成libwww-perl(LWP)格式的Cookies文件。
handler = urllib.request.HTTPCookieProcessor(cookie)
opener = urllib.request.build_opener(handler)
response = opener.open(‘http://www.baidu.com‘)
cookie.save(ignore_discard=True, ignore_expires=True)

cookie = http.cookiejar.LWPCookieJar()  # 从文件中读取并利用cookie
cookie.load(‘cookies.txt‘, ignore_discard=True, ignore_expires=True)
handler = urllib.request.HTTPCookieProcessor(cookie)
opener = urllib.request.build_opener(handler)
response = opener.open(‘http://www.baidu.com‘)
print(response.read().decode(‘utf-8‘))

2.response对象

返回目录

是http.client.HTTPResponse类的实例

方法

• read([amt]):读取并返回响应正文，或者返回下一个amt字节
• readinto(b):将响应主体的下一个len（b）字节读入缓冲区b。返回读取的字节数
• getheader(name, default=None):通过响应头的键返回相应的值,可以多个
• getheaders():返回响应头
• fileno():返回fileno底层套接字
• geturl():返回检索到的资源的URL，通常用于确定是否遵循重定向
• info():以email.message_from_string()实例的形式返回页面的元信息，例如标题
• getcode():返回响应的HTTP状态代码

属性

• status:服务器返回的状态代码,如200
• reason:服务器返回的原因短语,如ok
• version:服务器使用的HTTP协议版本
• closed:如果流被关闭是True
• debuglevel:一个调试钩子。如果debuglevel大于零，则在读取和解析响应时将消息打印到stdout
• msg:http.client.HTTPMessage包含响应标头实例,包含reason信息

3.urllib.error(异常处理)

返回目录

URLError

继承自OSError类，是error异常模块的基类

• reason，即返回错误的原因,reason属性返回的不一定是字符串，也可能是一个对象,例如超时返回socket.timeout类

HTTPError

URLError的子类，专门用来处理HTTP请求错误

• code：返回HTTP状态码
• reason：用于返回错误的原因
• headers：返回请求头

ContentTooShortError(msg, content):不常用

4.urllib.parse(url解析模块)

返回目录

url解析模块，将url字符串拆分到其组件中，或者将url组件合并到url字符串中,支持file、ftp、gopher、hdl、http、https、imap、mailto、 mms、news、nntp、prospero、rsync、rtsp、rtspu、sftp、 sip、sips、snews、svn、svn+ssh、telnet和wais等协议

urlparse()

实现URL的识别和分段

urllib.parse.urlparse(urlstring, scheme=‘‘, allow_fragments=True)

• urlstring：这是必填项，即待解析的URL
• scheme：它是默认的协议（比如http或https等),链接没有带协议信息，会将这个作为默认的协议
• allow_fragments：即是否忽略fragment。如果它被设置为False，fragment部分就会被忽略，它会被解析为path、parameters或者query的一部分，而fragment部分为空

一个标准的连接格式:scheme://netloc/path;parameters?query#fragment,返回结果是一个ParseResult类型的对象，一个6元组,它包含6部分，分别是scheme(协议)、netloc(域名及端口)、path(文件路径)、params(参数)、query(查询组建)和fragment(片段标识符)

urlunparse()

将组建组合为一个url,接受的参数是一个长度为6可迭代对象,返回str类型url

urlsplit()

和urlparse()方法非常相似，不单独解析params这一部分，只返回5个结果。params会合并到path中

urlunsplit()

与urlunparse()类似,长度必须为5

urljoin()

一个base_url（基础链接）作为第一个参数，将新的链接作为第二个参数，该方法会分析base_url的scheme、netloc和path这3个内容并对新链接缺失的部分进行补充，最后返回结果

urlencode()

将字典序列化为GET请求参数(key1=value1&key2=value2形式)

parse_qs()

把一串GET请求参数，转回字典

parse_qsl()

把一串GET请求参数转化为元组组成的列表

quote()

将内容转化为URL编码的格式。URL中带有中文参数时，有时可能会导致乱码的问题，此时用这个方法可以将中文字符转化为URL编码

例如:

keyword = ‘壁纸‘
url = ‘https://www.baidu.com/s?wd=‘ + quote(keyword)

unquote()

进行URL解码

5.urllib.robotparse(robot.txt文件解析模块)

返回目录

Robots协议

名叫作网络爬虫排除标准（Robots Exclusion Protocol），用来告诉爬虫和搜索引擎哪些页面可以抓取，哪些不可以抓取,通常是一个叫作robots.txt的文本文件，一般放在网站的根目录下

User-agent: *  # User-agent描述了搜索爬虫的名称，设置为*则代表该协议对任何爬取爬虫有效
Disallow: /  # Disallow指定了不允许抓取的目录，设置为/则代表不允许抓取所有页面
Allow: /public/ # Allow一般和Disallow一起使用，用来排除某些限制,这里表示所有页面不允许抓取，但可以抓取public目录

爬虫名称

BaiduSpider:百度;Googlebot:谷歌;360Spider:360搜索;YodaoBot:有道;其它

robotparse

rb = urllib.robotparser.RobotFileParser([robots.txt的url])  # 创键RobotFileParser对象

• set_url()：用来设置robots.txt文件的链接
• read()：读取robots.txt文件并进行分析,如果不调用这个方法，接下来的判断都会为False
• parse()：用来解析robots.txt文件，传入的参数是robots.txt某些行的内容，它会按照robots.txt的语法规则来分析这些内容
• can_fetch()：该方法传入两个参数，第一个是User-agent，第二个是要抓取的URL。返回的内容是该搜索引擎是否可以抓取这个URL，返回结果是True或False
• mtime()：返回的是上次抓取和分析robots.txt的时间，这对于长时间分析和抓取的搜索爬虫是很有必要的，需要定期检查来抓取最新的robots.txt
• modified()：它同样对长时间分析和抓取的搜索爬虫很有帮助，将当前时间设置为上次抓取和分析robots.txt的时间。

例子 :

from urllib.robotparser import RobotFileParser
 
rp = RobotFileParser()
rp.set_url(‘http://www.jianshu.com/robots.txt‘)
rp.read()
#或rp.parse(urlopen(‘http://www.jianshu.com/robots.txt‘).read().decode(‘utf-8‘).split(‘
‘))
print(rp.can_fetch(‘*‘, ‘http://www.jianshu.com/p/b67554025d7d‘))