python爬虫（三）之 Urllib库的基本使用

港控/mmm° 2021-11-23 02:18 366阅读 0赞

### 什么是Urllib？ ###

Urllib是python内置的HTTP请求库  
包括以下模块  
urllib.request 请求模块  
urllib.error 异常处理模块  
urllib.parse url解析模块  
urllib.robotparser robots.txt解析模块

#### urlopen ####

关于urllib.request.urlopen参数的介绍：  
urllib.request.urlopen(url, data=None, \[timeout, \]\*, cafile=None, capath=None, cadefault=False, context=None)

**url参数的使用**  
先写一个简单的例子：

import urllib.request
    
    response = urllib.request.urlopen('http://www.baidu.com')
    print(response.read().decode('utf-8'))

urlopen一般常用的有三个参数，它的参数如下：  
urllib.requeset.urlopen(url,data,timeout)  
response.read()可以获取到网页的内容

**data参数的使用**  
上述的例子是通过请求百度的get请求获得百度，下面使用urllib的post请求  
这里通过http://httpbin.org/post网站演示（该网站可以作为练习使用urllib的一个站点使用，可以  
模拟各种请求操作）。

import urllib.parse
    import urllib.request
    
    data1 = bytes(urllib.parse.urlencode({'word': 'hello'}), encoding='utf8')
    print(data1)
    response = urllib.request.urlopen('http://httpbin.org/post', data=data1)  //把data1的内容赋给data变量
    print(response.read())

运行结果截图：  
![在这里插入图片描述][20190725153150895.png]  
这里就用到urllib.parse，通过bytes(urllib.parse.urlencode())可以将post数据进行转换放到urllib.request.urlopen的data参数中

###### 解释：如上面代码中首先通过bytes(urllib.parse.urlencode())把结果用data1接收，然后在urllib.request.urlopen(‘[http://httpbin.org/post][http_httpbin.org_post]’, data=data1) 中把data=data1,把data1里面的内容赋值给你data参数）。 ######

这样就完成了一次post请求。

**注意：所以如果我们添加data参数的时候就是以post请求方式请求，如果没有data参数就是get请求方式，也就是说只要data不等于None就是post请求**

**timeout参数的使用**  
在某些网络情况不好或者服务器端异常的情况会出现请求慢的情况，或者请求异常，所以这个时候我们需要给  
请求设置一个超时时间，而不是让程序一直在等待结果。例子如下：

import urllib.request
    
    response = urllib.request.urlopen('http://httpbin.org/get', timeout=1)
    print(response.read())

运行之后我们看到可以正常的返回结果，接着我们将timeout时间设置为0.1  
运行程序会提示如下错误  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQwMjQxOTU3_size_16_color_FFFFFF_t_70]  
所以我们需要对异常进行抓取，代码更改为

import socket
    import urllib.request
    import urllib.error
    
    try:
        response = urllib.request.urlopen('http://httpbin.org/get', timeout=0.1)
    except urllib.error.URLError as e:     
        if isinstance(e.reason, socket.timeout):   //如果异常的原因是由于socket.timeout导致的话
            print('TIME OUT')

**响应**  
**响应类型、状态码、响应头**

import urllib.request
    
    response = urllib.request.urlopen('https://www.python.org')
    print(type(response))

可以看到结果为：<class ‘http.client.httpresponse’="">  
我们可以通过response.status、response.getheaders()、response.getheader(“server”)，获取状态码以及头部信息  
response.read()获得的是响应体的内容

当然上述的urlopen只能用于一些简单的请求，因为它无法添加一些header信息，如果后面写爬虫我们可以知道，很多情况下我们是需要添加头部信息去访问目标站的，这个时候就用到了urllib.request

#### request ####

URL请求的抽象类。  
urllib.request.Request(url, data=None, headers=\{\},  
origin\_req\_host=None, unverifiable=False, method=None)  
**设置Headers**  
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，最长见的有user-agent参数

写一个简单的例子：

import urllib.request
    
    request = urllib.request.Request('https://python.org')
    response = urllib.request.urlopen(request)
    print(response.read().decode('utf-8'))

给请求添加头部信息，从而定制自己请求网站是时的头部信息

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': 'zhaofan'
    }
    data = bytes(parse.urlencode(dict), encoding='utf8')   //urlencode是url 和encode两个单词组合的
    req = request.Request(url=url, data=data, headers=headers, method='POST')
    response = request.urlopen(req)
    print(response.read().decode('utf-8'))

添加请求头的第二种方式

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'))

这种添加方式有个好处是自己可以定义一个请求头字典，然后循环进行添加

**高级用法各种handler  
代理,ProxyHandler**  
通过`rulllib.request.ProxyHandler()`可以设置代理,网站它会检测某一段时间某个IP 的访问次数，如果访问次数过多，它会禁止你的访问,所以这个时候需要通过设置代理来爬取数据

import urllib.request
    
    proxy_handler = urllib.request.ProxyHandler({
        'http': 'http://127.0.0.1:9743',
        'https': 'https://127.0.0.1:9743'
    })
    opener = urllib.request.build_opener(proxy_handler)
    response = opener.open('http://httpbin.org/get')
    print(response.read())

**cookie,HTTPCookiProcessor**

cookie中保存着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

import http.cookiejar, urllib.request
    cookie = http.cookiejar.CookieJar()  //拿到cookie对象
    handler = urllib.request.HTTPCookieProcessor(cookie)
    opener = urllib.request.build_opener(handler)
    response = opener.open('http://www.baidu.com') //通过open（）方法访问该服务器以后，浏览器里面的cookie肯定存储了数据
    for item in cookie:   //把浏览器cookie里的数据打印出来
        print(item.name+"="+item.value)

同时cookie可以写入到文件中保存，有两种方式`http.cookiejar.MozillaCookieJar`和`http.cookiejar.LWPCookieJar()`，当然你自己用哪种方式都可以

具体代码例子如下：  
http.cookiejar.MozillaCookieJar()方式

import http.cookiejar, urllib.request
    filename = "cookie.txt"
    cookie = http.cookiejar.MozillaCookieJar(filename)  //先把cookie跟指定的文件绑定在一起
    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)

http.cookiejar.LWPCookieJar()方式

import http.cookiejar, urllib.request
    filename = 'cookie.txt'
    cookie = http.cookiejar.LWPCookieJar(filename)  //先把cookie跟指定的文件绑定在一起
    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)

同样的如果想要通过获取文件中的cookie的话可以通过load方式，当然用哪种方式写入的，就用哪种方式读取。

import http.cookiejar, urllib.request
    cookie = http.cookiejar.LWPCookieJar()
    cookie.load('cookie.txt', ignore_discard=True, ignore_expires=True)  //把文件中的cookie加载出来赋给我们这里的cookie对象
    handler = urllib.request.HTTPCookieProcessor(cookie)  
    opener = urllib.request.build_opener(handler)
    response = opener.open('http://www.baidu.com')  //然后浏览器访问该网址的时候，顺带把cookie也带过去
    print(response.read().decode('utf-8'))

**异常处理**  
在很多时候我们通过程序访问页面的时候，有的页面可能会出现错误，类似404，500等错误  
这个时候就需要我们捕捉异常，下面先写一个简单的例子

from urllib import request,error
    
    try:
        response = request.urlopen("http://pythonsite.com/1111.html")
    except error.URLError as e:
        print(e.reason)

上述代码访问的是一个不存在的页面，通过捕捉异常，我们可以打印异常错误

**顺便提一下：urlilb异常有两种异常错误：**  
URLError,HTTPError，其中HTTPError是URLError的子类

URLError里只有一个属性：reason,即抓异常的时候只能打印错误信息，类似上面的例子

HTTPError里有三个属性：code,reason,headers，即抓异常的时候可以获得code,reson，headers三个信息，例子如下：

from urllib import request,error
    try:
        response = request.urlopen("http://pythonsite.com/1111.html")
    except error.HTTPError as e:
        print(e.reason)
        print(e.code)
        print(e.headers)
    except error.URLError as e:
        print(e.reason)
    
    else:
        print("reqeust successfully")

同时，e.reason其实也可以在做深入的判断，例子如下：

import socket
    
    from urllib import error,request
    
    try:
        response = request.urlopen("http://www.pythonsite.com/",timeout=0.001)
    except error.URLError as e:
        print(type(e.reason))
        if isinstance(e.reason,socket.timeout): //判断该异常类型是不是socket.timeout类型
            print("time out")

**URL解析**

urlparse  
The URL parsing functions focus on splitting a URL string into its components, or on combining URL components into a URL string.  
（翻译：就是说可以在urlparse()可以在url请求里面加上我们想要带过去的参数键值对）

urllib.parse.urlparse(urlstring, scheme=’’, allow\_fragments=True)

功能一：

from urllib.parse import urlparse
    
    result = urlparse("http://www.baidu.com/index.html;user?id=5#comment")
    print(result)

结果为：  
![在这里插入图片描述][20190725162933561.png]  
这里就是可以对你传入的url地址进行拆分  
同时我们是可以指定协议类型：  
result = urlparse(“[www.baidu.com/index.html;user?id=5\#comment",scheme="https][www.baidu.com_index.html_user_id_5_comment_scheme_https]”)  
这样拆分的时候协议类型部分就会是你指定的部分，当然如果你的url里面已经带了协议，你再通过scheme指定的协议就不会生效

**urlunpars**  
其实功能和urlparse的功能相反，它是用于拼接，例子如下：

from urllib.parse import urlunparse
    
    data = ['http','www.baidu.com','index.html','user','a=123','commit']
    print(urlunparse(data))

结果如下  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQwMjQxOTU3_size_16_color_FFFFFF_t_70 1]

**urljoin**

这个的功能其实是做拼接的，例子如下：

from urllib.parse import urljoin
    
    print(urljoin('http://www.baidu.com', 'FAQ.html'))
    print(urljoin('http://www.baidu.com', 'https://pythonsite.com/FAQ.html'))
    print(urljoin('http://www.baidu.com/about.html', 'https://pythonsite.com/FAQ.html'))
    print(urljoin('http://www.baidu.com/about.html', 'https://pythonsite.com/FAQ.html?question=2'))
    print(urljoin('http://www.baidu.com?wd=abc', 'https://pythonsite.com/index.php'))
    print(urljoin('http://www.baidu.com', '?category=2#comment'))
    print(urljoin('www.baidu.com', '?category=2#comment'))
    print(urljoin('www.baidu.com#comment', '?category=2'))

结果为：  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQwMjQxOTU3_size_16_color_FFFFFF_t_70 2]  
从拼接的结果我们可以看出，拼接的时候后面的优先级高于前面的url（**解释**：以  
`print(urljoin('http://www.baidu.com/about.html', 'https://pythonsite.com/FAQ.html')`  
)为例，结果打印出来的是`https://pythonsite.com/FAQ.html`  
）

**urlencode**  
这个方法可以将字典转换为url参数，例子如下

from urllib.parse import urlencode
    
    params = {
        "name":"zhaofan",
        "age":23,
    }
    base_url = "http://www.baidu.com?"
    
    url = base_url+urlencode(params)
    print(url)

结果为：  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQwMjQxOTU3_size_16_color_FFFFFF_t_70 3]  
本文参考地址：[https://www.cnblogs.com/zhaof/p/6910871.html][https_www.cnblogs.com_zhaof_p_6910871.html]

[20190725153150895.png]: /images/20211122/d5d148fe4f8b42e3a0d30cf91b05933e.png
[http_httpbin.org_post]: http://httpbin.org/post
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQwMjQxOTU3_size_16_color_FFFFFF_t_70]: /images/20211122/70407532ab0d4fcc87cb016cc7906eb2.png
[20190725162933561.png]: /images/20211122/0a139c453ba74ec89ef959e28fe45b2d.png
[www.baidu.com_index.html_user_id_5_comment_scheme_https]: http://www.baidu.com/index.html;user?id=5#comment%22,scheme=%22https
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQwMjQxOTU3_size_16_color_FFFFFF_t_70 1]: /images/20211122/90d02d4e36ab4823ae5b040deb7fa1ca.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQwMjQxOTU3_size_16_color_FFFFFF_t_70 2]: /images/20211122/2391eb7772814829b2a43378ff077435.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQwMjQxOTU3_size_16_color_FFFFFF_t_70 3]: /images/20211122/e1fba33abdec4079b5204d70cf081075.png
[https_www.cnblogs.com_zhaof_p_6910871.html]: https://www.cnblogs.com/zhaof/p/6910871.html