数据之路 - Python爬虫 - urllib库

Posted 2022-06-03 iceredtea

参考学习：https://www.cnblogs.com/alex3714/articles/8359358.html

一、urllib库介绍

urllib库，它是Python内置的HTTP请求库。它包含4个模块：

• request：    HTTP请求模块，　　  可以用来模拟发送请求。

• error：      异常处理模块，      如果出现请求错误，我们可以捕获这些异常，然后进行重试或其他操作以保证程序不会意外终止。

• parse：      url解析模块，       一个工具模块，提供了许多URL处理方法，比如拆分、解析、合并等。

• robotparser：robots解析模块，    主要是用来识别网站的robots.txt文件，然后判断哪些网站可以爬，哪些网站不可以爬，它其实用得比较少。

二、request模块

request模块主要功能：构造HTTP请求，利用它可以模拟浏览器的一个请求发起过程，

request模块同时还有：处理授权验证（authenticaton）、重定向（redirection)、浏览器Cookies以及其他内容。

1.urlopen方法

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

urlopen参数介绍：

• url用于请求URL

• data：GET请求不传，POST请求传

• timeout设置超时时间，单位为秒，意思就是如果请求超出了设置的这个时间，还没有得到响应，就会抛出异常。如果不指定该参数，就会使用全局默认时间。它支持HTTP、HTTPS、FTP请求。

• context必须是ssl.SSLContext类型，用来指定SSL设置。

• cafile指定CA证书

• capath指定CA证书的路径，这个在请求HTTPS链接时会有用。

import urllib.parse
import urllib.request

data = bytes(urllib.parse.urlencode(‘word‘: ‘hello‘), encoding=‘utf8‘)
print(data)
response = urllib.request.urlopen(‘http://httpbin.org/post‘, data=data)
print(response.read())

2.Request方法

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

Request参数介绍：

• url用于请求URL，这是必传参数，其他都是可选参数。

• data如果要传，必须传bytes（字节流）类型的。如果它是字典，可以先用urllib.parse模块里的urlencode()编码。

• headers是一个字典，它就是请求头，我们可以在构造请求时通过headers参数直接构造，也可以通过调用请求实例的add_header()方法添加。添加请求头最常用的用法就是通过修改User-Agent来伪装浏览器

• origin_req_host指的是请求方的host名称或者IP地址。

• unverifiable表示这个请求是否是无法验证的，默认是False，意思就是说用户没有足够权限来选择接收这个请求的结果。例如，我们请求一个html文档中的图片，但是我们没有自动抓取图像的权限，这时unverifiable的值就是True`。

• method是一个字符串，用来指示请求使用的方法，比如GET、POST和PUT等。

---

有很多网站为了防止程序爬虫爬网站造成网站瘫痪，会需要携带一些headers头部信息才能访问。

headers添加的两种方法如下：

方法1：

from urllib import request, parse

url = ‘http://httpbin.org/post‘
headers = 
    ‘User-Agent‘: ‘Mozilla/4.0 (compatible; MSIE 5.5; Windows NT)‘,
    ‘Host‘: ‘httpbin.org‘

dict = 
    ‘name‘: ‘alex‘

data = bytes(parse.urlencode(dict), encoding=‘utf8‘)
req = request.Request(url=url, data=data, headers=headers, method=‘POST‘)
response = request.urlopen(req)
print(response.read().decode(‘utf-8‘))

方法2：

from urllib import request, parse

url = ‘http://httpbin.org/post‘
dict = 
    ‘name‘: ‘Germey‘

data = bytes(parse.urlencode(dict), encoding=‘utf8‘)
req = request.Request(url=url, data=data, method=‘POST‘)
req.add_header(‘User-Agent‘, ‘Mozilla/4.0 (compatible; MSIE 5.5; Windows NT)‘)
response = request.urlopen(req)
print(response.read().decode(‘utf-8‘))

- Handler处理器

urllib.request模块里的BaseHandler类，它是所有其他Handler的父类。

常见Handler介绍：

• 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。

3.代理ProxyHandler

Proxyhandler参数是一个字典，键名是协议类型（比如HTTP或者HTTPS等），键值是代理链接，可以添加多个代理。

然后，利用这个Handler及build_opener()方法构造一个Opener，之后发送请求即可。

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)

3.cookies

cookie中保存中我们常见的登录信息，有时候爬取网站需要携带cookie信息访问,这里用到了http.cookijar，用于获取cookie以及存储cookie

# 从网页获取cookie，并逐行输出
import http.cookiejar, urllib.request
 
cookie = http.cookiejar.CookieJar()
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)

# 从网页获取cookie，保存为文件格式
filename = ‘cookies.txt‘
cookie = http.cookiejar.MozillaCookieJar(filename)　　# cookie = http.cookiejar.LWPCookieJar(filename)
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)

PS：MozillaCookieJar是CookieJar的子类，LWPCookieJar与MozillaCookieJar均可读取、保存cookie，但格式不同

调用load()方法来读取本地的Cookies文件，获取到了Cookies的内容。

cookie = http.cookiejar.LWPCookieJar()
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‘))

三、error模块

from urllib import request, error
try:
    response = request.urlopen(‘http://cuiqingcai.com/index.htm‘)
except error.URLError as e:
    print(e.reason)

四、parse模块

urlparse()
urlunparse()
urlsplit()
urlunsplit()
urljoin()
urlencode()
parse_qs()
parse_qsl()
quote()
unquote()

五、robotparser模块

Robots协议也称作爬虫协议、机器人协议，它的全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。它通常是一个叫作robots.txt的文本文件,

一般放在网站的根目录下。www.taobao.com/robots.txt

robotparser模块提供了一个类RobotFileParser，它可以根据某网站的robots.txt文件来判断一个爬取爬虫是否有权限来爬取这个网页。

urllib.robotparser.RobotFileParser(url=‘‘)

# 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。
# parse()：用来解析robots.txt文件。
# 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。
# mtime()：返回的是上次抓取和分析robots.txt的时间。
# modified()：将当前时间设置为上次抓取和分析robots.txt的时间。

from urllib.robotparser import RobotFileParser
 
rp = RobotFileParser()
rp.set_url(‘http://www.jianshu.com/robots.txt‘)
rp.read()
print(rp.can_fetch(‘*‘, ‘http://www.jianshu.com/p/b67554025d7d‘))
print(rp.can_fetch(‘*‘, "http://www.jianshu.com/search?q=python&page=1&type=collections"))