python爬蟲urllib庫詳解

什麼是Urllib

Urllib是python內置的HTTP請求庫，中文文檔以下：https://docs.python.org/3/library/urllib.html
包括如下模塊
urllib.request 請求模塊
urllib.error 異常處理模塊
urllib.parse url解析模塊
urllib.robotparser robots.txt解析模塊

urlopen

關於urllib.request.urlopen參數的介紹：
urllib.request.urlopen(url, data=None, [timeout, ]*, cafile=None, capath=None, cadefault=False, context=None)

url參數的使用

先寫一個簡單的例子：

import urllib.request

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

urlopen通常經常使用的有三個參數，它的參數以下：
urllib.requeset.urlopen(url,data,timeout)
response.read()能夠獲取到網頁的內容，若是沒有read()，將返回以下內容

data參數的使用

上述的例子是經過請求百度的get請求得到百度，下面使用urllib的post請求
這裏經過http://httpbin.org/post網站演示（該網站能夠做爲練習使用urllib的一個站點使用，能夠
模擬各類請求操做）。

import urllib.parse
import urllib.request

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

這裏就用到urllib.parse，經過bytes(urllib.parse.urlencode())能夠將post數據進行轉換放到urllib.request.urlopen的data參數中。這樣就完成了一次post請求。
因此若是咱們添加data參數的時候就是以post請求方式請求，若是沒有data參數就是get請求方式

timeout參數的使用
在某些網絡狀況很差或者服務器端異常的狀況會出現請求慢的狀況，或者請求異常，因此這個時候咱們須要給
請求設置一個超時時間，而不是讓程序一直在等待結果。例子以下：

import urllib.request

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

運行以後咱們看到能夠正常的返回結果，接着咱們將timeout時間設置爲0.1
運行程序會提示以下錯誤

因此咱們須要對異常進行抓取，代碼更改成

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')

響應

響應類型、狀態碼、響應頭

import urllib.request

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

能夠看到結果爲：<class 'http.client.httpresponse'="">
咱們能夠經過response.status、response.getheaders().response.getheader("server")，獲取狀態碼以及頭部信息
response.read()得到的是響應體的內容

固然上述的urlopen只能用於一些簡單的請求，由於它沒法添加一些header信息，若是後面寫爬蟲咱們能夠知道，不少狀況下咱們是須要添加頭部信息去訪問目標站的，這個時候就用到了urllib.request

request

設置Headers
有不少網站爲了防止程序爬蟲爬網站形成網站癱瘓，會須要攜帶一些headers頭部信息才能訪問，最長見的有user-agent參數

寫一個簡單的例子：

import urllib.request

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

給請求添加頭部信息，從而定製本身請求網站是時的頭部信息

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')
req = request.Request(url=url, data=data, headers=headers, method='POST')
response = request.urlopen(req)
print(response.read().decode('utf-8'))

添加請求頭的第二種方式

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'))

這種添加方式有個好處是本身能夠定義一個請求頭字典，而後循環進行添加

高級用法各類handler

代理,ProxyHandler

經過rulllib.request.ProxyHandler()能夠設置代理,網站它會檢測某一段時間某個IP 的訪問次數，若是訪問次數過多，它會禁止你的訪問,因此這個時候須要經過設置代理來爬取數據

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中保存中咱們常見的登陸信息，有時候爬取網站須要攜帶cookie信息訪問,這裏用到了http.cookijar，用於獲取cookie以及存儲cookie

import http.cookiejar, urllib.request
cookie = http.cookiejar.CookieJar()
handler = urllib.request.HTTPCookieProcessor(cookie)
opener = urllib.request.build_opener(handler)
response = opener.open('http://www.baidu.com')
for item in cookie:
    print(item.name+"="+item.value)

同時cookie能夠寫入到文件中保存，有兩種方式http.cookiejar.MozillaCookieJar和http.cookiejar.LWPCookieJar()，固然你本身用哪一種方式均可以

具體代碼例子以下：
http.cookiejar.MozillaCookieJar()方式

import http.cookiejar, urllib.request
filename = "cookie.txt"
cookie = http.cookiejar.MozillaCookieJar(filename)
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)
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)

一樣的若是想要經過獲取文件中的cookie獲取的話能夠經過load方式，固然用哪一種方式寫入的，就用哪一種方式讀取。

import http.cookiejar, urllib.request
cookie = http.cookiejar.LWPCookieJar()
cookie.load('cookie.txt', ignore_discard=True, ignore_expires=True)
handler = urllib.request.HTTPCookieProcessor(cookie)
opener = urllib.request.build_opener(handler)
response = opener.open('http://www.baidu.com')
print(response.read().decode('utf-8'))

異常處理

在不少時候咱們經過程序訪問頁面的時候，有的頁面可能會出現錯誤，相似404，500等錯誤
這個時候就須要咱們捕捉異常，下面先寫一個簡單的例子

from urllib import request,error

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

上述代碼訪問的是一個不存在的頁面，經過捕捉異常，咱們能夠打印異常錯誤

這裏咱們須要知道的是在urllb異常這裏有兩個個異常錯誤：
URLError,HTTPError，HTTPError是URLError的子類

URLError裏只有一個屬性：reason,即抓異常的時候只能打印錯誤信息，相似上面的例子

HTTPError裏有三個屬性：code,reason,headers，即抓異常的時候能夠得到code,reson，headers三個信息，例子以下：

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")

同時，e.reason其實也能夠在作深刻的判斷，例子以下：

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):
        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.

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)

結果爲：

這裏就是能夠對你傳入的url地址進行拆分
同時咱們是能夠指定協議類型：
result = urlparse("www.baidu.com/index.html;user?id=5#comment",scheme="https")
這樣拆分的時候協議類型部分就會是你指定的部分，固然若是你的url裏面已經帶了協議，你再經過scheme指定的協議就不會生效

urlunpars

其實功能和urlparse的功能相反，它是用於拼接，例子以下：

from urllib.parse import urlunparse

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

結果以下

urljoin

這個的功能實際上是作拼接的，例子以下：

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'))

結果爲：

從拼接的結果咱們能夠看出，拼接的時候後面的優先級高於前面的url

urlencode
這個方法能夠將字典轉換爲url參數，例子以下

from urllib.parse import urlencode

params = {
    "name":"zhaofan",
    "age":23,
}
base_url = "http://www.baidu.com?"

url = base_url+urlencode(params)
print(url)

結果爲：

博客參考於：http://www.javashuo.com/article/p-fhkxbmuj-c.html