python-爬蟲之urllib模塊

urllib是python的一個獲取url(Uniform Resource Locators,統一資源定址器)了，咱們能夠利用它來抓取遠程的數據進行保存哦

1.基本方法

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

-         url:  須要打開的網址

-         data：Post提交的數據

-         timeout：設置網站的訪問超時時間

直接用urllib.request模塊的urlopen（）獲取頁面，page的數據格式爲bytes類型，須要decode（）解碼，轉換成str類型。

from urllib import request
response = request.urlopen(r'http://python.org/') # <http.client.HTTPResponse object at 0x00000000048BC908> HTTPResponse類型
page = response.read()
page = page.decode('utf-8')

urlopen返回對象提供方法：

-         read() , readline() ,readlines() , fileno() , close() ：對HTTPResponse類型數據進行操做

-         info()：返回HTTPMessage對象，表示遠程服務器返回的頭信息

-         getcode()：返回Http狀態碼。若是是http請求，200請求成功完成;404網址未找到

-         geturl()：返回請求的url

2.使用Request

urllib.request.Request(url, data=None, headers={}, method=None)

使用request（）來包裝請求，再經過urlopen（）獲取頁面。

url = r'http://www.lagou.com/zhaopin/Python/?labelWords=label'
headers = {
    'User-Agent': r'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) '
                  r'Chrome/45.0.2454.85 Safari/537.36 115Browser/6.0.3',
    'Referer': r'http://www.lagou.com/zhaopin/Python/?labelWords=label',
    'Connection': 'keep-alive'
}
req = request.Request(url, headers=headers)
page = request.urlopen(req).read()
page = page.decode('utf-8')

用來包裝頭部的數據：

-         User-Agent ：這個頭部能夠攜帶以下幾條信息：瀏覽器名和版本號、操做系統名和版本號、默認語言

-         Referer：能夠用來防止盜鏈，有一些網站圖片顯示來源http://***.com，就是檢查Referer來鑑定的

-         Connection：表示鏈接狀態，記錄Session的狀態。

3.Post數據

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

urlopen（）的data參數默認爲None，當data參數不爲空的時候，urlopen（）提交方式爲Post。

from urllib import request, parse
url = r'http://www.lagou.com/jobs/positionAjax.json?'
headers = {
    'User-Agent': r'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) '
                  r'Chrome/45.0.2454.85 Safari/537.36 115Browser/6.0.3',
    'Referer': r'http://www.lagou.com/zhaopin/Python/?labelWords=label',
    'Connection': 'keep-alive'
}
data = {
    'first': 'true',
    'pn': 1,
    'kd': 'Python'
}
data = parse.urlencode(data).encode('utf-8')
req = request.Request(url, headers=headers, data=data)
page = request.urlopen(req).read()
page = page.decode('utf-8')

urllib.parse.urlencode(query, doseq=False, safe='', encoding=None, errors=None)

urlencode（）主要做用就是將url附上要提交的數據。 

data = {
    'first': 'true',
    'pn': 1,
    'kd': 'Python'
}
data = parse.urlencode(data).encode('utf-8')

通過urlencode（）轉換後的data數據爲?first=true?pn=1?kd=Python，最後提交的url爲

http://www.lagou.com/jobs/positionAjax.json?first=true?pn=1?kd=Python

Post的數據必須是bytes或者iterable of bytes，不能是str，所以須要進行encode（）編碼

page = request.urlopen(req, data=data).read()

固然，也能夠把data的數據封裝在urlopen（）參數中

4.異常處理

def get_page(url):
    headers = {
        'User-Agent': r'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) '
                    r'Chrome/45.0.2454.85 Safari/537.36 115Browser/6.0.3',
        'Referer': r'http://www.lagou.com/zhaopin/Python/?labelWords=label',
        'Connection': 'keep-alive'
    }
    data = {
        'first': 'true',
        'pn': 1,
        'kd': 'Python'
    }
    data = parse.urlencode(data).encode('utf-8')
    req = request.Request(url, headers=headers)
    try:
        page = request.urlopen(req, data=data).read()
        page = page.decode('utf-8')
    except error.HTTPError as e:
        print(e.code())
        print(e.read().decode('utf-8'))
    return page

五、使用代理 

urllib.request.ProxyHandler(proxies=None)

當須要抓取的網站設置了訪問限制，這時就須要用到代理來抓取數據。

data = {
        'first': 'true',
        'pn': 1,
        'kd': 'Python'
    }
proxy = request.ProxyHandler({'http': '5.22.195.215:80'})  # 設置proxy
opener = request.build_opener(proxy)  # 掛載opener
request.install_opener(opener)  # 安裝opener
data = parse.urlencode(data).encode('utf-8')
page = opener.open(url, data).read()
page = page.decode('utf-8')
return page

五、實踐

# -*- coding: utf-8 -*-

import urllib.request
import re
import os
targetDir = r"D:\python\test\spider\img\douban"  #文件保存路徑
def destFile(path):
    if not os.path.isdir(targetDir):
        os.mkdir(targetDir)
    pos = path.rindex('/')
    t = os.path.join(targetDir, path[pos+1:])
    return t
if __name__ == "__main__":  #程序運行入口
    weburl = "http://www.douban.com/"
    webheaders =  {
        'Connection': 'Keep-Alive',
        'Accept': 'text/html, application/xhtml+xml, */*',
        'Accept-Language': 'en-US,en;q=0.8,zh-Hans-CN;q=0.5,zh-Hans;q=0.3',
        'User-Agent': 'Mozilla/5.0 (Windows NT 6.3; WOW64; Trident/7.0; rv:11.0) like Gecko',
        #'Accept-Encoding': 'gzip, deflate',
        'Host': 'www.douban.com',
        'DNT': '1'
    }
    req = urllib.request.Request(url=weburl, headers=webheaders)  #構造請求報頭
    webpage = urllib.request.urlopen(req)  #發送請求報頭
    contentBytes = webpage.read()
    contentBytes = contentBytes.decode('UTF-8')
    for link, t in set(re.findall(r'(https:[^\s]*?(jpg|png|gif))', str(contentBytes))):  #正則表達式查找全部的圖片
        print(link)
        try:
            urllib.request.urlretrieve(link, destFile(link)) #下載圖片
        except:
            print('失敗') #異常拋出

執行過程以下：

打開電腦上對應的文件夾，而後來看看圖片，這裏只是一部分哦！！。