9.3 域名解析与网页爬虫

Posted 2020-11-02 Avention

　　Python 3.x 标准库 urllib提供了 rullib.request、urllib.response、urllib.parse 和 urllib.error 4个模块，很好地支持了网页内容读取功能。

　　下面的代码演示了如何读取并显示指定网页的内容。

1 import urllib.request
2 
3 fp = urllib.request.urlopen(r‘http://www.baidu.com‘)
4 
5 print(fp.read().decode())     #读取了返回html
6 
7 fp.close()

 

　　下面的代码演示了如何使用GET方法读取并显示指定URL的内容。

1 import urllib.request
2 import urllib.parse
3 
4 params = urllib.parse.urlencode({‘spam‘:1,‘eggs‘:2,‘bacon‘:0})
5 url = r‘http://www.baidu.com%s‘%params
6 with urllib.request.urlopen(url) as f:
7     print(f.read().decode(‘utf-8‘))

 

　　下面的代码演示了如何使用POST方法提交参数并读取指定页面内容。

1 import urllib.request
2 import urllib.parse
3 
4 data = urllib.parse.urlencode({‘spam‘:1,‘eggs‘:2,‘bacon‘:0})
5 data = data.encode(‘ascii‘)
6 with urllib.request.urlopen(r‘http://www.baidu.com‘,data) as f:
7     print(f.read().decode(‘utf-8‘))

 

　　下面的代码演示了如何使用HTTP代理访问指定网页。

1 import urllib.request
2 
3 
4 proxies = {‘heet‘:‘http://proxy.example.com:8080/‘}
5 opener = urllib.request.FancyURLopener(proxies)
6 with opener.open(‘http://www.python.ory‘) as f:
7     f.read().decode(‘utf-8‘)

 

　　在IDLE或者Python程序中使用下面的代码调用浏览器打开指定网页：

1 import webbrowser
2 
3 webbrowser.open(‘www.baidu.com‘)

 

　　最后，标准库urllib.parse import urlparse 提供了域名解析的功能，支持RUL的拆分与合并以及相对地址到绝对地址的转换。

 1 from urllib.parse import urlparse
 2 
 3 o = urlparse(‘http://www.cwi.nl:80/%7Eguido/Python.html‘)
 4 print(o.port)        #80
 5 print(o.hostname)    #www.cwi.nl
 6 
 7 print(o)   #ParseResult(scheme=‘http‘, netloc=‘www.cwi.nl:80‘, path=‘/%7Eguido/Python.html‘, params=‘‘, query=‘‘, fragment=‘‘)
 8 
 9 print(urlparse(‘www.cwi.nl:80/%7Eguido/Python.html‘))  #ParseResult(scheme=‘www.cwi.nl‘, netloc=‘‘, path=‘80/%7Eguido/Python.html‘, params=‘‘, query=‘‘, fragment=‘‘)
10 
11 
12 from urllib.parse import urljoin
13 print(urljoin(‘http://www.cwi.nl:80/%7Eguido/Python.html‘,‘FAQ.html‘))   #http://www.cwi.nl:80/%7Eguido/FAQ.html
14 print(urljoin(‘http://www.cwi.nl:80/%7Eguido/Python.html‘,‘//www.python.org/%7Eguido‘))   #http://www.python.org/%7Eguido
15 
16 from urllib.parse import urlsplit
17 url = r‘https://docs.python.org/3/library/urllib.parse.html‘
18 r1=urlsplit(url)
19 print(r1)        #SplitResult(scheme=‘https‘, netloc=‘docs.python.org‘, path=‘/3/library/urllib.parse.html‘, query=‘‘, fragment=‘‘)
20 print(r1.geturl()) #https://docs.python.org/3/library/urllib.parse.html