python爬蟲經常使用庫之urllib詳解

這是平常學python的第10篇原創文章
html

如下爲我的在學習過程當中作的筆記總結之爬蟲經常使用庫urllibpython

urlib庫爲python3的HTTP內置請求庫git

urilib的四個模塊：github

urllib.request:用於獲取網頁的響應內容瀏覽器
urllib.error:異常處理模塊，用於處理異常的模塊微信
urllib.parse:用於解析urlcookie
urllib.robotparse:用於解析robots.txt，主要用於看哪些網站不能進行爬取，不過少用app

urllib.request

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

url:爲請求網址post
data:請求時須要發送的參數
timeout:超時設置，在該時間範圍內返回請求內容就不會報錯

示例代碼：

 1from urllib import request
 2
 3# 請求獲取網頁返回內容
 4response = request.urlopen('https://movie.douban.com/')
 5# 獲取網頁返回內容
 6print(response.read().decode('utf-8'))
 7# 獲取狀態碼
 8print(response.status)
 9# 獲取請求頭
10print(response.getheaders())

1# 對請求頭進行遍歷
2for k, v in response.getheaders():
3 print(k, '=', v)

可使用上面的代碼對一些網站進行請求了，可是當須要一些反爬網站時，這就不行了，這時咱們須要適當地增長請求頭進行請求，這時就須要使用複雜一點的代碼了，這時咱們須要用到Request對象

代碼示例：

1# 請求頭
2headers = {'User-Agent':'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/49.0.2623.221 Safari/537.36 SE 2.X MetaSr 1.0'}
3requests = request.Request('https://movie.douban.com/', headers=headers) # 加入本身的請求頭更加接近瀏覽器
4# 進行請求,把Request對象傳入urlopen參數中
5response = request.urlopen(requests)
6print(response.read().decode('utf-8'))

這個我添加了請求頭進行請求，使我發送的請求更加接近瀏覽器的行爲。能夠對應一些反爬網站了

若是網站須要進行登錄，這時須要用到post方法，用上面的也是能夠的。代碼以下：

 1from urllib import request, parse
 2# 使用post方法來進行模擬登錄豆瓣
 3data = {'source': 'None',
 4 'redir': 'https://www.douban.com/',
 5 'form_email': 'user',
 6 'form_password': 'passwd',
 7 'remember': 'on',
 8 'login': '登陸'}
 9# 將data的字典類型轉換爲get請求方式
10data = bytes(parse.urlencode(data), encoding='utf-8')
11requests = request.Request('https://accounts.douban.com/login', headers=headers, data=data, method='POST')
12response = request.urlopen(requests)
13print(response.read().decode('utf-8'))

這裏我用到了data的參數把登錄須要的參數傳進去，還加了個請求方法Method

parse.urlencode()後面有講

這裏還有另一種添加請求頭的方法

Request.add_header(): 參數有兩個，分別爲請求頭對應的鍵和值，這種方法一次只能添加一個請求頭，添加多個須要用到循環或者直接用前面的方法添加多個請求頭

在登錄了網站以後，咱們須要用到cookie來保存登錄信息，這時就須要獲取cookie了。urllib獲取cookie比較麻煩。

代碼示例以下：

 1from http import cookiejar
 2# 獲取cookie
 3cookie = cookiejar.CookieJar()
 4# 獲取助手把cookie傳進去
 5handler = request.HTTPCookieProcessor(cookie)
 6# 獲取opener進行請求網站
 7opener = request.build_opener(handler)
 8# 請求網頁
 9response = opener.open('https://movie.douban.com/')
10# 打印cookie
11for c in cookie:
12 print(c.name, '=', c.value)

單純地打印沒什麼用，咱們須要把他存入文件來保存，下次使用時再次加載cookie來登錄

保存cookie爲文件：

1from http import cookiejar
2# 將cookie保存在文件中
3filename = 'cookie.txt'
4cookie = cookiejar.MozillaCookieJar(filename) # 表示使用Mozilla的cookie方式存儲和讀取
5handler = request.HTTPCookieProcessor(cookie)
6opener = request.build_opener(handler)
7opener.open('https://movie.douban.com/')
8# 保存文件
9cookie.save(ignore_discard=True, ignore_expires=True)

另外一種保存方法：

1from http import cookiejar
2cookie = cookiejar.LWPCookieJar(filename) # 表示 Set-Cookie3 文件格式存儲和讀取
3handler = request.HTTPCookieProcessor(cookie)
4opener = request.build_opener(handler)
5opener.open('https://movie.douban.com/')
6# 保存文件
7cookie.save(ignore_discard=True, ignore_expires=True)

這兩種保存格式都是不同的，須要保存的內容同樣。

保存能夠了，這時就須要用到加載了，固然也能夠。代碼以下：

1from http import cookiejar
2# 從cookie文件加載到網頁上實現記住登錄
3cookie = cookiejar.LWPCookieJar()
4# 加載文件
5cookie.load(filename, ignore_discard=True, ignore_expires=True)
6handler = request.HTTPCookieProcessor(cookie)
7opener = request.build_opener(handler)
8opener.open('https://movie.douban.com/')

這樣就能夠實現不用密碼進行登錄了。

cookie小總結：在操做cookie時，都是分五步，以下：

進行導包，相當重要的一步，不導包直接出錯。
獲取cookie處理對象，使用cookiejar包
建立cookie處理器，使用request.HTTPCookieJarProcessor()
利用cookie處理器構建opener，使用request.build_opener()
進行請求網站，用opener.open(),這個不能用request.urlopen()

若是有時你在同一ip連續屢次發送請求，會有被封ip的可能，這時咱們還須要用到代理ip進行爬取，代碼以下：

1proxy = request.ProxyHandler({
2 'https': 'https://106.60.34.111:80'
3})
4opener = request.build_opener(proxy)
5opener.open('https://movie.douban.com/', timeout=1)

能夠看到越複雜的請求都須要用到request.build_opener(),這個方法有點重要，請記住哈

urllib.error

將上面的使用代理ip的請求進行異常處理，以下：

 1from urllib import request, error
 2try:
 3 proxy = request.ProxyHandler({
 4 'https': 'https://106.60.34.111:80'
 5 })
 6 opener = request.build_opener(proxy)
 7 opener.open('https://movie.douban.com/', timeout=1)
 8except error.HTTPError as e:
 9 print(e.reason(), e.code(), e.headers())
10except error.URLError as e:
11 print(e.reason)

由於有時這個ip或許也被封了，有可能會拋出異常，因此咱們爲了讓程序運行下去進而進行捕捉程序

error.URLError: 這個是url的一些問題，這個異常只有一個reason屬性
error.HTTPError:這個是error.URLError的子類，因此在與上面的混合使用時須要將這個異常放到前面，這個異常是一些請求錯誤，有三個方法，.reason(), .code(), .headers(),因此在捕捉異常時一般先使用這個

urllib.parse

解析url:urllib.parse.urlparse(url, scheme='', allow_fragments=True)

簡單的使用：

1from urllib import request, parse
2# 解析url
3print(parse.urlparse('https://movie.douban.com/'))
4print(parse.urlparse('https://movie.douban.com/', scheme='http'))
5print(parse.urlparse('movie.douban.com/', scheme='http'))
6# 下面是結果
7ParseResult(scheme='https', netloc='movie.douban.com', path='/', params='', query='', fragment='')
8ParseResult(scheme='https', netloc='movie.douban.com', path='/', params='', query='', fragment='')
9ParseResult(scheme='http', netloc='', path='movie.douban.com/', params='', query='', fragment='')

能夠看出加了scheme參數和沒加的返回結果是有區別的。而當scheme協議加了，而前面的url也包含協議，通常會忽略後面的scheme參數

既而後解析url，那固然也有反解析url，就是把元素串連成一個url

1from urllib import parse
2# 將列表元素拼接成url
3url = ['http', 'www', 'baidu', 'com', 'dfdf', 'eddffa'] # 這裏至少須要6個元素（我亂寫的，請忽視）
4print(parse.urlunparse(url))
5# 下面是結果
6http://www/baidu;com?dfdf#eddffa

urlparse()接收一個列表的參數，並且列表的長度是有要求的，是必須六個參數以上，要不會拋出異常

1Traceback (most recent call last):
2 File "E:/anaconda/python_project/python3_spider/urllib_test.py", line 107, in <module>
3 print(parse.urlunparse(url))
4 File "E:\anaconda\lib\urllib\parse.py", line 454, in urlunparse
5 _coerce_args(*components))
6ValueError: not enough values to unpack (expected 7, got 6)

urllib.parse.urljoin():這個是將第二個參數的url缺乏的部分用第一個參數的url補齊

1# 鏈接兩個參數的url, 將第二個參數中缺的部分用第一個參數的補齊
2print(parse.urljoin('https://movie.douban.com/', 'index'))
3print(parse.urljoin('https://movie.douban.com/', 'https://accounts.douban.com/login'))
4# 下面是結果
5https://movie.douban.com/index
6https://accounts.douban.com/login

urllib.parse.urlencode():這個方法是將字典類型的參數轉爲請求爲get方式的字符串

1data = {'name': 'sergiojuue', 'sex': 'boy'}
2data = parse.urlencode(data)
3print('https://accounts.douban.com/login'+data)
4# 下面是結果
5https://accounts.douban.com/loginname=sergiojuue&sex=boy

結語

還有個urllib.robotparse庫少用，就不說了，留給之後須要再去查文檔吧。

上面的只是我在學習過程當中的總結，若是有什麼錯誤的話，歡迎在留言區指出，還有就是須要查看更多用法的請查看文檔https://docs.python.org/3/library/urllib.html

須要代碼的能夠去個人github上面fork，給個star也行！

github:https://github.com/SergioJune/gongzhonghao_code/blob/master/python3_spider/urllib_test.py

學習過程當中看的大可能是崔慶才大佬的視頻：https://edu.hellobi.com/course/157