Python爬虫（2）- Urllib库

Python版本：Python 3.X
Urllib库官方文档：https://docs.python.org/3/library/urllib.html

Urllib库

Urllib库是Python内置的HTTP请求库，包括urllib.request请求模块，urllib.error异常处理模块，urllib.parse url解析模块，urllib.robotparser robots.txt解析模块。

urlopen

import urllib.request

response = urllib.request.urlopen('https://www.baidu.com')

print(response.read().decode('utf-8'))

urlopen一般常用的有三个参数，他们是url、data和timeout。response.read()可以获取到网页的内容。上述例子是通过get请求获得百度页面，下面使用post请求：

import urllib.parse
import urllib.request

data = bytes(urllib.parse.urlencode({'word':'hello'}), encoding='utf-8')
print(data)
response = urllib.request.urlopen('http://httpbin.org/post', data=data)
print(response.read())

这里就用到了urllib.parse，通过bytes(urllib.parse.urlencode())可以将post数据进行转换放到data参数中。这样就完成了一次post请求。所以说，如果添加data参数就是以post请求方式请求，如果没有data就是get请求方式。

某些网络不好的时候或者服务器端异常会出现请求慢的情况，或者请求异常，所以这个时候我们需要给请求设置一个超时时间，而不是一直让程序等待。

import urllib.request as request
import socket
import urllib.error as error

try:
  response = request.urlopen('http://www.baidu.com', timeout=1)
  print(response.read())
except error.URLError as e
  if isinstance(e.reason, socket.timeout):
    print('TIME OUT')

响应

import urllib.request
response = urllib.request.urlopen('http://www.baidu.com')
print(type(response))
# return 

我们可以通过response.status, response.getheaders(), response.getheader('server')获取状态码以及头部信息，response.read()获取的是响应体的内容。

上述的urlopen只能用于一些简单的请求，因为他无法添加一些header信息，很多时候网站会检测请求是否来自一个浏览器还是爬虫（爬虫可能造成网站瘫痪），我们需要给爬虫程序添加头部信息去模仿一个浏览器访问目标网站，这个时候就用到了urllib.request。

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': 'jamesqiu'
}
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'))

第二种方式，可以定义一个请求头字典，循环进行添加：

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'))

使用Handler

代理，ProxyHandler

网站会检测某一段时间某个IP的访问次数，如果过多就会禁止继续访问，所以这个时候需要通过设置代理来爬取数据。

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中保存我们常见的登录信息，有时候爬取网站需要携带cookie信息访问这里，这里用到了http.cookijar，用于获取cookie以及存储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)

同时cookie可以写入到文件中保存，有两种方式http.cookiejar.MozillaCookieJar和http.cookiejar.LWPCookieJar()，当然你自己用哪种方式都可以。

# 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)

同样的如果想要通过获取文件中的cookie获取的话可以通过load方式，当然用哪种方式写入的，就用哪种方式读取。

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'))

异常处理

在很多时候我们通过程序访问页面的时候，有的页面可能会出现错误，类似404，500等错误这个时候就需要我们捕捉异常。例如，

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

上述代码访问的是一个不存在的页面，通过捕捉异常，我们可以打印异常错误。这里我们需要知道的是在urllb异常这里有两个个异常错误：URLError和HTTPError，HTTPError是URLError的子类。URLError里只有一个属性：reason，即抓异常的时候只能打印错误信息，类似上面的例子。HTTPError里有三个属性：code,reason,headers，即抓异常的时候可以获得code,reson,headers三个信息，例子如下：

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")

同时，e.reason其实也可以在做深入的判断，例子如下：

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)

from urllib.parse import urlparse
result = urlparse("http://www.baidu.com")
print(result)

ParseResult(scheme='http', netloc='www.baidu.com', path='', params='', query='', fragment='')

urlunparse

其实功能和urlparse的功能相反，它是用于拼接：

from urllib.parse import urlunparse
data = list(result)  # data = ['http', 'www.baidu.com', '', '', '', '']
print(urlunparse(data))

http://www.baidu.com

urljoin

这个的功能其实是做拼接的，例子如下：

>>> from urllib.parse import urljoin
>>> print(urljoin('http://www.baidu.com', 'FAQ.html'))
http://www.baidu.com/FAQ.html
>>> print(urljoin('http://www.baidu.com', 'https://pythonsite.com/FAQ.html'))
https://pythonsite.com/FAQ.html
>>> print(urljoin('http://www.baidu.com/about.html', 'https://pythonsite.com/FAQ.html'))
https://pythonsite.com/FAQ.html
>>> print(urljoin('http://www.baidu.com/about.html', 'https://pythonsite.com/FAQ.html?question=2'))
https://pythonsite.com/FAQ.html?question=2
>>> print(urljoin('http://www.baidu.com?wd=abc', 'https://pythonsite.com/index.php'))
https://pythonsite.com/index.php
>>> print(urljoin('http://www.baidu.com', '?category=2#comment'))
http://www.baidu.com?category=2#comment
>>> print(urljoin('www.baidu.com', '?category=2#comment'))
www.baidu.com?category=2#comment
>>> print(urljoin('www.baidu.com#comment', '?category=2'))
www.baidu.com?category=2

从拼接的结果我们可以看出，拼接的时候后面的优先级高于前面的url。

urlencode

这个方法可以将字典转换为url参数，例子如下：

from urllib.parse import urlencode
params = {"name":"jamesqiu", "age":19,}
base_url = "http://www.baidu.com?"
url = base_url+urlencode(params)
print(url)

http://www.baidu.com?name=jamesqiu&age=19