Python爬虫教程1.1 — urllib基础用法教程

综述

本系列文档用于对Python爬虫技术的学习进行记录总结。
Python 版本是3.7.4

urllib库介绍

它是 Python 内置的HTTP请求库，也就是说我们不需要额外安装即可使用，它包含四个模块(主要对前三个模块进行学习)：

• request : 它是最基本的 HTTP 请求模块，我们可以用它来模拟发送一请求，就像在浏览器里输入网址然后敲击回车一样，只需要给库方法传入 URL 还有额外的参数，就可以模拟实现这个过程了。
• 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保证程序不会意外终止。
• parse : 用于解析URL，提供了许多URL处理方法，比如拆分、解析、合并等等的方法，以及对参数的拼接等待。
• robotparser : 主要是用来识别网站的robots.txt协议文件，然后判断网站的那些数据可以爬，哪些数据不可以爬的，其实用的比较少。

urllib.request 介绍

urlopen()

1. 参数说明(仅写了四个最常用的参数)

   • url : 爬取目标的URL；
   • data : 请求参数，如果设置该参数，则请求默认为post请求；没有默认为get请求；
   • timeout : 用于设置超时时间，单位为秒；
   • context : 必须是一个ssl.SSLContext类型,用来指定SSL设置,忽略未认证的CA证书;

2. 具体用法

   • GET 请求方式

       # 导入urllib库
       import urllib.request
       
       # 向指定的url发送请求，并返回服务器响应的类文件对象
       url = "http://www.baidu.com"
       response = urllib.request.urlopen(url=url)
       print(type(response))
       
       # 类文件对象支持文件对象的操作方法，如read()方法读取文件全部内容，返回字符串
       html = response.read()
       # html = response.readline() # 读取一行
       # html = response.readlines() # 读取多行，返回列表
       # 打印响应结果（byte类型）
       print(html)
       # 打印响应结果（utf-8类型）
       # 二进制和字符串之间的相互转码使用 encode() 和 decode() 函数
       # encode() 和 decode() 可带参数，不写默认utf-8，其他不再特别说明
       print(html.decode())
       # 打印状态码
       # print(response.get_code())
       print(response.status)
       # 获取响应头
       print(response.getheaders())
       # 获取响应头Server信息
       print(response.getheader('Server'))
       # 获取响应结果原因
       print(response.reason)

   • POST 请求方式

       # 导入urllib库
       import urllib.parse
       import urllib.request
       
       # 向指定的url发送请求，并返回
       post_url = 'https://fanyi.baidu.com/sug'
       # 传入参数
       form_data = {
           'kw': 'honey'
       }
       # 格式化参数
       form_data = urllib.parse.urlencode(form_data).encode()
       
       response = urllib.request.urlopen(url=post_url, data=form_data)
       # 打印服务器响应的类文件对象
       print(type(response))
       
       # 类文件对象支持文件对象的操作方法，如read()方法读取文件全部内容，返回字符串
       html = response.read()
       # 打印响应结果（byte类型）
       print(html)
       # 打印响应结果（utf-8类型）
       print(html.decode())
       # 打印状态码
       print(response.status)
       # print(response.getcode())
       # 获取响应头
       print(response.getheaders())
       # 获取响应头Server信息
       print(response.getheader('Server'))
       # 获取响应结果原因
       print(response.reason)

urlretrleve()

1. 参数说明

   • url : 下载链接地址；
   • filename : 指定保存本地路径(如果参数未指定，urllib会生成一个临时文件保存数据)；
   • reporthook : 是一个回调函数，当连接上服务器、以及相应的数据块传输完毕时会触发该回调，我们可以利用这个回调函数来显示当前的下载进度；
   • data : 指post导服务器的数据，该方法返回一个包含两个元素的(filename, headers) 元组，filename 表示保存到本地的路径，header表示服务器的响应头;

2. 具体用法

       # 引入所需要的库
       import os
       import urllib.request
       
       
       # 定义回调函数
       def call_back(a, b, c):
           """
           图片下载回调
           :param a: 已经下载的数据块
           :param b: 数据块的大小
           :param c: 远程文件的大小
           :return: 
           """
           per = 100.0 * a * b / c
           if per > 100:
               per = 100
           print('%.2f%%' % per)
       
       
       # 定义下下载的地址
       url = 'http://www.baidu.com'
       # 构造文件保存路径
       path = os.path.abspath('.')
       file_path = os.path.join(path, 'baidu.html')
       # 进行下载
       urllib.request.urlretrieve(url, file_path, call_back)
   

urllib.parse 介绍

urlencode()

1. 参数说明

   • query : url参数，可以是字符串，也可以是字典；
   • encoding : 编码方式；

2. 具体用法

       # 引入所需要的库
       import urllib.parse
       # 参数数据
       data = {
           'name': '张三',
           'age': 26
       }
       # 进行编码
       ret = urllib.parse.urlencode(data)
       print(ret)

parse_s()

1. 参数说明

   • qs : url参数，编码后的字符串；
   • encoding : 字符方式；

2. 具体用法

       # 引入所需要的库
       import urllib.parse
       # 参数数据
       data = {
           'name': '张三',
           'age': 26
       }
       # 进行编码
       ret1 = urllib.parse.urlencode(data)
       print(ret1)
       # 进行解码
       ret2 = urllib.parse.parse_qs(ret1)
       print(ret2)

urlparse()

1. 参数说明

   • url : url地址字符串；

2. 具体用法

       # 引入所需要的库
       import urllib.parse
       # 声明url
       url = "https://www.baidu.com/s?wd=urlparse&rsv_spt=1&rsv_iqid=0x921f00fe005646ef&issp=1&f=8"
       # 进行url解析
       ret = urllib.parse.urlparse(url)
       print(ret)
       print('scheme:', ret.scheme)  # 协议
       print('netloc:', ret.netloc)  # 域名服务器
       print('path:', ret.path)  # 相对路径
       print('params:', ret.params)  # 路径端参数
       print('fragment:', ret.fragment)  # 片段
       print('query:', ret.query)  # 查询
       
       # urlunparse() 与 urlparse() 对应相反函数
       # 使用urlparse的格式组合成一个url，可以直接将urlparse的返回传递组合
       ret1 = urllib.parse.urlunparse(ret)
       print(ret1)

urlsplit()

1. 参数说明

   • url : url地址字符串；

2. 具体用法

       # 引入所需要的库
       import urllib.parse
       # 声明url
       url = "https://www.baidu.com/s?wd=urlparse&rsv_spt=1&rsv_iqid=0x921f00fe005646ef&issp=1&f=8"
       # 进行url解析
       ret = urllib.parse.urlsplit(url)
       print(ret)
       print('scheme:', ret.scheme)  # 协议
       print('netloc:', ret.netloc)  # 域名服务器
       print('path:', ret.path)  # 相对路径
       print('fragment:', ret.fragment)  # 片段
       print('query:', ret.query)  # 查询
       
       # urlunsplit() 与 urlsplit() 对应相反函数
       # 使用urlsplit的格式组合成一个url，可以直接将urlsplit的返回传递组合
       ret1 = urllib.parse.urlunsplit(ret)
       print(ret1)
       
       # 此函数和urlparse函数的区别在于此函数没有params

urljoin()

1. 参数说明

   • qs : url参数，编码后的字符串；
   • encoding : 字符方式；

2. 具体用法

       # 引入所需要的库
       import urllib.parse
       
       # 声明url
       url = "https://www.baidu.com/"
       # 参数数据
       data = {
           'name': '张三',
           'age': 26
       }
       # 格式化参数
       data = urllib.parse.urlencode(data)
       # 进行url拼接
       ret = urllib.parse.urljoin(url, data)
       print(ret)

urllib.error 介绍

我们在爬虫的时候发请求的时候难免出现错误，如访问不到服务器或者访问被禁止等等，error分为URLError和HTTPError两类：

1. URLError

   • 没有网
   • 服务器链接失败
   • 找不大指定服务器

2. HTTPError

   • 是URLError的子类

3. 两者区别和联系

   • URLError封装的错误信息一般是由网络引起的，包括url错误
   • HTTPError封装的错误信息一般是服务器返回了错误状态码
   • URLError是OSERROR的子类，HTTPError是URLError的子类
   • 【注意】两个同时捕获的时候需要将子类放在上面，父类放在下面

4. 用法

       # 引入所需要的库
       import urllib.error
       import urllib.request
       
       # 一个访问异常的url
       url = 'https://www.mz.com/156427/100'
       # 捕获异常
       try:
           ret = urllib.request.urlopen(url)
           print(ret)
       except urllib.error.HTTPError as e:
           print(e.getcode())
       except urllib.error.URLError as e:
           print(e)