爬虫框架urllib 之(三) --- 模块使用

Mac本需导入ssl

1 import ssl
2 ssl._create_default_https_context = ssl._create_unverified_context

urllib.request模块方法

从urllib中导入请求模块编写url

1 from urllib import request      # 导入request模块
2 # 或者 import urllib.request
3 url = "http://www.baidu.com/"   # 编写 url

1. urlopen( ) 方法

用于打开一个远程的url连接,并且向这个连接发出请求,获取响应结果。返回的结果是一个http响应对象,这个响应对象中记录了本次http访问的响应头和响应体

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

url参数使用

 1 response = request.urlopen(url=url)
 2 
 3 print(response)    # 获取响应，结果为：<http.client.HTTPResponse object at 0x10be801d0>
 4 # 获取响应头
 5 print(response.headers)   # 获取响应头
 6 print(response.url)       # 获取响应url 
 7 print(response.status)    # 获取响应状态码
 8 # 获取响应体
 9 print(response.read())                  # 获取响应体 二进制字符串  
10 print(response.read().decode("utf-8"))  # 对响应体进行解码
11 # 按行读取
12 print(response.readline())      # 读取一行
13 print(response.readline())      # 读取下一行
14 print( response.readlines())    # 读取多行。得到一个列表 每个元素是一行

data参数使用

上述例子是通过 get请求获得百度，下面使用urllib的 post请求。

添加data参数的时候就是以post请求方式请求，若没有data参数就是get请求方式

1 import urllib.request
2 import urllib.parse  # urllib.parse模块,后面有介绍
3 #或者 from urllib import request, parse

4 data = bytes(urllib.parse.urlencode({'word': 'hello'}), encoding='utf8')
5 # 用urllib.parse模块，通过bytes(urllib.parse.urlencode())可以将post数据进行转换并放到urllib.request.urlopen的data参数中。这样就完成了一次post请求。
6 
7 response = urllib.request.urlopen('http://httpbin.org/post', data=data)
8 print(response.read())

timeout参数使用

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。所以使用 timeout参数设置超时时间

1 import urllib.request
2 
3 response = urllib.request.urlopen('http://httpbin.org/get', timeout=1)
4 print(response.read())   # 正常结束，控制台显示：socket.time : timed out
5 
6 response = urllib.request.urlopen('http://httpbin.org/get', timeout=0.1)
7 print(response.read())   # 超时，控制台显示：urllib.error.URLErrot : <urlopen error timed out>

2. urlretrieve(url =”xxx“, filename = ”xxx“) 方法

打开url这个连接并且发起请求，获得响应并把响应结果保存到filename文件中

1 res3 = request.urlretrieve(url=url,filename="./baidu.html") 
2 print(res3)     # 获取url 保存到baidu.html文件中 并打印

3. Request(url=url, data=data, method='POST') 方法

web开发中，同一个url往往可以对应若干套不同的数据（或者界面,如手机、电脑），后台可以根据发起请求的前端的用户代理的不同，而决定应该给前端做出什么样的响应，如果检测到没有用户代理可以拒绝访问。

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参数所以需要伪装请求头，去访问目标站。

urllib.ruquest.Request 参数介绍：

urllib.ruquest.Request(url=url,headers=headers,data=data,method='POST')

headers 参数使用

给请求添加头部信息，定制自己请求网站时的头部信息，使得请求伪装成浏览器等终端

1 req = request.Request(url=url,headers={'UserAgent':'Mozilla/5.0 (Windows NT 10.0; Win64;x64)AppleWebKit/537.36 (KHTML, likeGecko)Chrome/71.0.3578.80Safari/537.36'})
2 
3 res = request.urlopen(req)  # 用加入了请求头的请求对象发起请求
4 print(res.status)           # 打印状态码

添加请求头的post请求方式

 1 from urllib import request, parse
 2 
 3 url = 'http://httpbin.org/post'
 4 headers = {
 5     'User-Agent': 'Mozilla/4.0 (compatible; MSIE 5.5; Windows NT)',
 6     'Host': 'httpbin.org'}
 7 dict = { 'name': 'taotao'}
 8 
 9 data = bytes(parse.urlencode(dict), encoding='utf8')
10 req = request.Request(url=url, data=data, headers=headers, method='POST')
11 response = request.urlopen(req)
12 print(response.read().decode('utf-8')

添加请求头的第二种post方式, 好处是自己可以定义一个请求头字典，然后循环进行添加

 1 from urllib import request, parse
 2 
 3 url = 'http://httpbin.org/post'
 4 dict = {'name': 'Germey'}
 5 
 6 data = bytes(parse.urlencode(dict), encoding='utf8')
 7 req = request.Request(url=url, data=data, method='POST')
 8 req.add_header('User-Agent', 'Mozilla/4.0 (compatible; MSIE 5.5; Windows NT)')
 9 response = request.urlopen(req)
10 print(response.read().decode('utf-8'))

urllib.parse模块方法

1. urlparse( ) 方法拆分url

URL解析函数侧重于将URL字符串拆分为其组件，或者将URL组件组合为URL字符串

拆分的时候协议类型部分就会是scheme=“ ”指定的部分。如果url里面已经带了协议，scheme指定的协议不会生效

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

urlparse("www.baidu.com/index.html;user?id=5#comment",scheme="https")

1 from urllib.parse import urlparse
2 
3 # 对传入的url地址进行拆分; 可以用 scheme=“ ” 指定协议类型：
4 result = urlparse("http://www.baidu.com/index.html;user?id=5#comment")
5 print(result)

结果：

2. urlunparse( ) 方法拼接url

功能和urlparse的功能相反，它是用于拼接

1 from urllib.parse import urlunparse
2 
3 data = ['http','www.baidu.com','index.html','user','a=123','commit']
4 print(urlunparse(data))

3. urljoin( ) 方法拼接url

拼接的时候后面的优先级高于前面的url

 1 from urllib.parse import urljoin
 2 
 3 print(urljoin('http://www.baidu.com', 'FAQ.html'))
 4 # 结果 ：http://www.baidu.com/FAQ.html
 5 print(urljoin('http://www.baidu.com', 'https://pythonsite.com/FAQ.html'))
 6 # 结果 ：https://pythonsite.com/FAQ.html
 7 print(urljoin('http://www.baidu.com/about.html', 'https://pythonsite.com/FAQ.html'))
 8 # 结果 ：https://pythonsite.com/FAQ.html
 9 print(urljoin('http://www.baidu.com', '?category=2#comment'))
10 # 结果 ：http://www.baidu.com?category=2#comment
11 print(urljoin('www.baidu.com#comment', '?category=2'))
12 # 结果 ：www.baidu.com?category=2

4. urlencode( ) 方法

这个方法可以将字典转换为url参数

对url进行编码，因为urllib这个框架中的url中不能出现汉字，只能出现ascii码字符

 1 from urllib import parse
 2 url = "https://www.baidu.com/s?"
 3 
 4 # 把参数写成字典的形式
 5 dic= {"ie":"utf-8","wd":"奔驰"}
 6 # 用parse的urlencode方法编码
 7 parames = parse.urlencode(dic)
 8 # 将编码以后的参数拼接到url中
 9 url += parames
10 print(request.urlopen(url=url))

urllib.error模块方法

有时候通过程序访问页面的时候，有的页面可能会出现类似404，500等错误
这时就需要我们捕捉异常，在urllb异常中有两个异常错误：URLError 和 HTTPError。 HTTPError 是 URLError 的子类

1. error.URLError 异常

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

1 from urllib import request,error
2 
3 try:
4     response = request.urlopen("http://pythonsite.com/1111.html")
5 except error.URLError as e:
6     print(e.reason)

2. error.HTTPError 异常

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

 1 from urllib import request,error
 2 try:
 3     response = request.urlopen("http://pythonsite.com/1111.html")
 4 except error.HTTPError as e:
 5     print(e.code)
 6     print(e.reason)
 7     print(e.headers)
 8 except error.URLError as e:
 9     print(e.reason)
10 else:
11     print("reqeust successfully")