urllib模块的使用

Posted 沫笙love

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了urllib模块的使用相关的知识,希望对你有一定的参考价值。

Python3学习笔记(urllib模块的使用)

1.基本方法

urllib.request.urlopen(urldata=None[timeout]*cafile=Nonecapath=Nonecadefault=Falsecontext=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(rhttp://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。

技术分享
 1 url = rhttp://www.lagou.com/zhaopin/Python/?labelWords=label 2 headers = {
 3     User-Agent‘: rMozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (Khtml, like Gecko)  4                   rChrome/45.0.2454.85 Safari/537.36 115Browser/6.0.3,
 5     Referer‘: rhttp://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‘)
技术分享

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(urldata=None[timeout]*cafile=Nonecapath=Nonecadefault=Falsecontext=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。

技术分享
 1 from urllib import request, parse
 2 url = rhttp://www.lagou.com/jobs/positionAjax.json? 3 headers = {
 4     User-Agent‘: rMozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko)  5                   rChrome/45.0.2454.85 Safari/537.36 115Browser/6.0.3,
 6     Referer‘: rhttp://www.lagou.com/zhaopin/Python/?labelWords=label,
 7     Connection‘: keep-alive 8 }
 9 data = {
10     first‘: true,
11     pn‘: 1,
12     kd‘: Python13 }
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‘)
技术分享

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。 

技术分享
1 data = {
2     first‘: true,
3     pn‘: 1,
4     kd‘: Python5 }
6 data = parse.urlencode(data).encode(utf-8‘)
技术分享

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

技术分享
 1 def get_page(url):
 2     headers = {
 3         User-Agent‘: rMozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko)  4                     rChrome/45.0.2454.85 Safari/537.36 115Browser/6.0.3,
 5         Referer‘: rhttp://www.lagou.com/zhaopin/Python/?labelWords=label,
 6         Connection‘: keep-alive 7     }
 8     data = {
 9         first‘: true,
10         pn‘: 1,
11         kd‘: Python12     }
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
技术分享

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。

技术分享
 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
技术分享

 

以上是关于urllib模块的使用的主要内容,如果未能解决你的问题,请参考以下文章

爬虫--urllib模块

Python爬虫进阶——urllib模块使用案例淘宝

Python 的 urllib.parse 库解析 URL

这是一次鸡肋的代码审计

如何使用模块化代码片段中的LeakCanary检测内存泄漏?

AttributeError:模块 'urllib' 没有属性 'parse'