python 爬虫之 urllib库

文章更新于：2020-03-02
注：代码来自老师授课用样例。

一、初识 urllib 库

在 python2.x 版本，urllib 与urllib2 是两个库，在 python3.x 版本，二者合一为 urllib。

二、实践 urllib 库

1、爬取页面并输出

'''
初识urllib库，如何使用urllib库爬取一个网页
  1、导入urllib.request模块
  2、使用urllib.request.urlopen()方法打开并爬取一个网页
  3、使用response.read()读取网页内容，并以utf-8格式进行转码
'''

import urllib.request         # 导入urllib.request库
response = urllib.request.urlopen("http://httpbin.org")   #爬取'http://httpbin.org'网页
print(response.read().decode('utf-8'))        # 打印以'utf-8'转码后的爬取结果

'''
urlopen方法，该方法有三个常用参数
urllib.request.urlopen（url，data，timeout）
  url表示需要打开的网址；
  data表示访问网址时需要传送的数据，一般在使用POST请求时使用；
  timeout是设置网站的访问超时时间。
'''

代码执行结果如下：

2、post数据提交

'''
使用urllib库中的POST方法获取网页
'''

import urllib.parse       # urllib.parse 为url解析模块
import urllib.request
# urlencode的参数是字典，他可以将key-value这样的键值对转换成需要的格式
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().decode('utf-8'))    

代码执行结果如下：

3、将爬取结果保存为文件

# 将爬取的网页保存为本地文件

import urllib.request
response = urllib.request.urlopen("http://httpbin.org")
data = response.read()
filehandle = open('D:/1.html',"wb")   # 通过open()函数以wb（二进制写入）的方式打开文件
filehandle.write(data)
filehandle.close

'''
代码中首先通过open()函数以wb（二进制写入）的方式打开文件，
打开后再将其赋值给变量filehandle，
然后再用write()方法将爬取的data数据写入打开的文件中，
写入完成后使用close()方法关闭该文件，使其不能再进行读写操作，程序到此结束。
'''

'''
# 还可以使用urllib.request中的urlretrieve()方法直接将对应信息写入本地文件，具体代码如下
import urllib.request
filename = urllib.request.urlretrieve("http://httpbin.org",
    filename = "D:/1.html")
'''

代码执行结果：

文件打开如图：

4、打印爬取结果的信息

# 获取网页信息、状态码、地址

import urllib.request
file = urllib.request.urlopen("http://httpbin.org")
print(file.info())      # 网页信息
print(file.getcode())	# 返回状态码   返回200表示响应正确
print(file.geturl())	# 返回URL

代码执行结果如图：

5、为爬虫设置超时时间

# 设置超时时间
# 在爬取网页时正确设置timeout的值，可以避免超时异常。格式为：urllib.request.urlopen("url",timeout=default)


import urllib.request
for i in range(1,10):
	try:
		file = urllib.request.urlopen("http://www.zhihu.com",
              timeout=0.3)    				# 打开网页超时设置为3秒
		data = file.read()
		print(len(data)) 		 		# 打印爬取内容的长度
	except Exception as e:       		# 捕捉异常
		print("异常了……"+str(e))

代码执行结果如下：

6、带参数爬取

'''
在浏览器输入网址www.codingke.com，可以打开扣丁学堂首页
然后在打开的页面检索关键词php，可以发现URL发生了变化，变成http://www.codingke.com/search/course?keywords=php。
这里keywords=php刚好是需要查询的信息，因此字段keywords对应的值就是用户检索的关键词。
由此可见，在扣丁学堂查询一个关键词时，会使用GET请求，其中关键字段是keywords，查询格式就是http://www.codingke.com/search/course?keywords=关键词。
若要实现用爬虫自动地在扣丁学堂上查询关键词是php的结果，并保存到本地文件，示例代码如下
'''

import urllib.request
keywd='php'
url='http://www.codingke.com/search/course?keywords='+keywd
req=urllib.request.Request(url)
data=urllib.request.urlopen(req).read()
fhandle=open("D:/php.html",'wb')
fhandle.write(data)
fhandle.close()

代码执行结果：
文件打开如图：

7、带中文参数查询

'''
当要检索的关键词是中文时，
需要使用urllib.request.quote()对关键词部分进行编码，编码后重新构造完整URL
'''


import urllib.request
url = 'http://www.codingke.com/search/course?keywords='
keywd = '开发'								 # 使用中文查询
key_code = urllib.request.quote(keywd) 		 # 对关键字编码
url_all = url+key_code 						 # 字符串拼接
req = urllib.request.Request(url_all)
data = urllib.request.urlopen(req).read()
fhandle = open('D:/dev.html','wb')
fhandle.write(data)
fhandle.close()

代码执行结果：
文件打开如图：

8、使用代理

'''
# 设置代理服务
当使用同一个IP地址，频繁爬取网页时，网站服务器极有可能屏蔽这个IP地址。
在西刺网站中有很多免费代理服务器地址，其网址为http://www.xicidaili.com/
接下来通过一个示例示范使用代理IP进行爬取网页，比如地址为222.95.240.191，端口号为3000的代理IP
'''

import urllib
# 创建代理函数
def use_proxy(proxy_addr,url):
    import urllib.request
# 代理服务器信息
    proxy = urllib.request.ProxyHandler({'http':proxy_addr})
    #创建opener对象
    opener = urllib.request.build_opener(proxy,urllib.request.HTTPHandler)
    urllib.request.install_opener(opener)
    data = urllib.request.urlopen(url).read().decode('utf-8')
    return data
proxy_addr = '222.95.240.191:3000'
data = use_proxy(proxy_addr,"http://www.1000phone.com")
print('网页数据长度是：',len(data))


'''
例中首先创建函数use_proxy(proxy_addr, url)，该函数的功能是实现使用代理服务器爬取URL网页。
其中，第一个形参proxy_addr填写代理服务器的IP地址及端口，第二个参数url填写待爬取的网页地址。
通过urllib.request.ProxyHandler()方法来设置对应的代理服务器信息，
接着使用urllib.request.build_opener()方法创建一个自定义的opener对象，
该方法中第一个参数是代理服务器信息，第二个参数是类。
urllib.request.install_opener()创建全局默认的opener对象，
那么在使用urlopen()时也会使用本文安装的全局opener对象，
因此下面可以直接使用urllib.request.urlopen()打开对应网址爬取网页并读取，
紧接着赋值给变量data，最后将data的值返回给函数。
'''

代码执行结果如下：
执行失败，代理IP过期。

9、异常处理1

# 在程序运行中难免发生异常，对于异常的处理是编写程序时经常要考虑的问题。
'''
首先需要导入异常处理的模块——urllib.error模块
Python代码中处理异常需要使用try-except语句，
在try中执行主要代码，在except中捕获异常，并进行相应的异常处理。
    产生URLError异常的原因一般包括网络无连接、连接不到指定服务器、服务器不存在等。
在确保使用的计算机正常联网的情况下，下面通过处理一个不存在的地址（http://www.xyxyxy.cn）来演示URLError类处理URLError异常的过程。
'''

# 使用异常处理模块处理URL不存在异常   3-6
import urllib.request
import urllib.error
try:
    urllib.request.urlopen("http://www.a.b.c")		# 爬取不存在的url
except urllib.error.URLError as e:  					# 主动捕捉异常
    print(e.reason)                                     # 输出异常原因

'''
例中请求了一个不存在的url地址，
该错误会引发except程序块执行，并通过urllib.error.URLError as e捕获异常信息e，
输出了错误的原因（e.reason），错误的原因为“getaddrinfo failed”，即获取地址信息失败。
'''

代码执行结果如下：

10、异常处理2

'''
在使用URLError处理异常时，还有一种包含状态码的异常。
下面通过在千锋官网网址（http://www.1000phone.com）后拼接一个“/1”的错误网址来演示使用URLError类处理该类错误的过程，具体如例所示。
'''


# 使用异常处理模块处理URL错误的异常   3-7
import urllib.request
import urllib.error
try:
    urllib.request.urlopen("http://1000phone.com/1")  # 爬取不存在的url
except urllib.error.URLError as e:  				  # 主动捕捉异常
    # print(e)										  # 打印异常信息
    # print(dir(e)) 								  # 查看e的属性以方法
    print(e.code)                                     # 输出异常状态码
    print(e.reason)                                   # 输出异常原因

'''
例中请求了一个错误的URL地址，输出状态码“404”，异常原因是“Not Found”。
之前提到，产生异常的原因有如下几种：
    网络无连接。	连接不到指定服务器。	服务器无响应
在例中，404异常不属于上述三者，而是由于触发了HTTPError异常。
与URLError异常不同的是，HTTPError异常中一定含有状态码，而本例中之所以可以打印出状态码，是因为该异常属于HTTPError
'''

代码执行结果如下：

11、异常处理3

# 3-11 使用HTTPError类与URLError类处理异常
import urllib.error
import urllib.request
try:
    urllib.request.urlopen("http://www.1000phone.cc")
except urllib.error.HTTPError as e :		# 先用子类异常处理
    print(e.code)
    print(e.reason)
except urllib.error.URLError as e : 		# 再用父类异常处理
    print(e.reason)

12、异常处理4

# 3-12 使用URLError处理HTTPError异常
import urllib.request
import urllib.error
try:
    urllib.request.urlopen("http://www.1000phone.cc")
except urllib.error.URLError as e :
    if hasattr(e,'code'): 		# 使用hasattr判断e中是否有code属性
        print(e.code) 			# 打印状态码
    print(e.reason)

13、异常处理

'''
在使用URLError处理异常时，还有一种包含状态码的异常。
下面通过在千锋官网网址（http://www.1000phone.com）后拼接一个“/1”的错误网址来演示使用URLError类处理该类错误的过程，具体如例所示。
'''

# 使用异常处理模块处理URL错误的异常   3-7
import urllib.request
import urllib.error
try:
    urllib.request.urlopen("http://1000phone.com/1")  # 爬取不存在的url
except urllib.error.URLError as e:  				  # 主动捕捉异常
    # print(e)										  # 打印异常信息
    # print(dir(e)) 								  # 查看e的属性以方法
    print(e.code)                                     # 输出异常状态码
    print(e.reason)                                   # 输出异常原因

'''
例中请求了一个错误的URL地址，输出状态码“404”，异常原因是“Not Found”。
之前提到，产生异常的原因有如下几种：
    网络无连接。	连接不到指定服务器。	服务器无响应
在例中，404异常不属于上述三者，而是由于触发了HTTPError异常。
与URLError异常不同的是，HTTPError异常中一定含有状态码，而本例中之所以可以打印出状态码，是因为该异常属于HTTPError
'''

三、Enjoy！