爬虫基础 || 1.1 urllib 基础介绍

疫情爆发的第20天，在家办公，比较闲。

曾经作为一名爬虫工程师，已经一年多没写过爬虫了，这几天翻了翻资料和崔老师的《网络爬虫开发》，对爬虫做一次复习，顺便写下这篇学习笔记，慢慢更新，欢迎大家交流学习~~

这篇写的是爬虫基础库urllib的一下基础知识。他包含下面四个主类。

===========================================================================

1.request:它是最基本的 HTTP 请求模块，可以用来模拟发送请求。 就像在浏览器里输入网挝 然后回车一样，只需要给库方法传入 URL 以及额外的参数，就可以模拟实现这个过程了。

2.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。

3.parse： 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。

4.robotparser：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。

===========================================================================

接下来开始介绍request

1.1.1 发送请求 urlopen()

import urllib.request

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

他用于网页源码的抓取，打印结果为‘https://python.org'网页源码，这里太多了就不做展示了。

当我们打印response 的类型（print(type(response))）时。得到如下结果
<class 'http.client.HTTPResponse'>

所以，它是一个 HTTPResposne 类型的对象，主要包含 read（）、readinto（）、getheader(name）、getheaders（）、fileno（）等方法，以及 msg、version、status、 reason 、 debuglevel、 closed 等属性。

print(response.status)
print(response.getheaders()) # 相应头信息
print(response.getheader('Server'))

可自行查看运行结果，以上三个分别是请求状态，请求头和服务器。

参数介绍

1.1.1.1  data参数

data 参数是可选的。 如果要添加该参数，并且如果它是字节流编码格式的内容，即 bytes 类型， 则需要通过 bytes（）方法转化。 另外，如果传递了这个参数，则它的请求方式就不再是 GET方式，而 是 POST 方式。

import urllib.parse
import urllib.request

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

b'{\n  "args": {}, \n  "data": "", \n  "files": {}, \n  "form": {\n    "word": "hello"\n  }, \n  "headers": {\n    "Accept-Encoding": "identity", \n    "Content-Length": "10", \n    "Content-Type": "application/x-www-form-urlencoded", \n    "Host": "httpbin.org", \n    "User-Agent": "Python-urllib/3.6"\n  }, \n  "json": null, \n  "origin": "112.49.156.179, 112.49.156.179", \n  "url": "https://httpbin.org/post"\n}\n'

结果如上。

这里我们传递了一个参数word，值是 hello。它需要被转码成bytes（字节流）类型。 其中转字节流采用了bytes（）方法，该方法的第一个参数需要是 str （字符串）类型，需要用urllib.parse模 块里的urlencode（）方法来将参数字典转化为字符串；第二个参数指定编码格式，这里指定为 utf8。

1.1.1.2 timeout参数

timeout参数用于设置超市时间，单位为秒，意思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。

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

b'{\n  "args": {}, \n  "headers": {\n    "Accept-Encoding": "identity", \n    "Host": "httpbin.org", \n    "User-Agent": "Python-urllib/3.6"\n  }, \n  "origin": "112.49.156.179, 112.49.156.179", \n  "url": "https://httpbin.org/get"\n}\n'

这里我们设置超时时间是 l 秒。 程序 l 秒过后，服务器依然没有响应，于是抛出了 URLError 异常。 民异常属于 urllib. error 模块，错误原因是超时。 因此，可以通过设置这个超时时间来控制一个网页如果长时间未响应，就跳过它的抓取。

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):
        print(' TIME OUT' )

这里我们请求了测试链接，设置超时时间是0.1秒，然后捕获了URLError异常，接着判断异常是socket.timeout 类型（意思就是超时异常），从而得出它确实是因为超时而报错，打印输出了TIME OUT。 0.1秒内基本不可能得到服务器响应，因此输出了 TIME OUT 的提示。通过设置timeout这个参数来实现超时处理，有时还是很有用的。

1.1.3 其他参数

除了 data 参数和 timeout 参数外，还有 context 参数，它必须是 ssl.SSLContext 类型，用来指定 SSL设置。 此外， cafile 和 capath 这两个参数分别指定 CA证书和它的路径，这个在请求 HTTPS 链接时会 有用。 cadefault 参数现在已经弃用了，其默认值为 False。 前面讲解了 urlopen（）方法的用法，通过这个最基本的方法，我们可以完成简单的请求和网页抓 取。 若需更加详细的信息，可以参见官方文档 ： https://docs.python.org/library/urllib.requwat.html。

这里请求的站点是 httpbin.org，它可以提供 HTTP请求测试。本次我们请求的URL为 http://httpbin.org/post， 这个链接可以用来测试 POST请求，它可以输出请求的一些信息，其中包含我们传递的 data 参数。

==============================================================

参考资料：《python3 网络爬虫开发实践》-崔庆才