8.Urllib库基本使用

上一篇：7.爬虫基本原理
下一篇：9.Requests库基本使用

Urllib讲解：

Python内置的请求库
1 .urllib.requests：请求模块
2 .urlib.error：异常处理模块
3 .urllib.parse：url解析模块
4 .urllib.robotparser ：robots.txt解析模块

在Python2和Pyhton3下Urllib库是有区别的

'''pyhton2''''
import urllib2
response = urllib2.urlopen("http://www.baidu.com")

'''Pyhtno3'''
import urllib.request
response = urllib.request.urlopen("http://www.baidu.com")

一、urlopen

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

• 前三个参数

1. url:read()获取response的内容，格式为base，所以用decode()转码为字符串

import urllib.request
response = urllib.request.urlopen('http://www.baidu.com')
print(response.read().decode('utf-8'))  

2. data:述的例子是通过请求百度的get请求获得百度，下面使用urllib的post请求

import urllib.parse
import urllib.request

data = bytes(urllib.parse.urlencode({'word': 'hello'}), encoding='utf8')
print(data)
response = urllib.request.urlopen('http://httpbin.org/post', data=data)
print(response.read())

这里就用到urllib.parse，通过bytes(urllib.parse.urlencode())可以将post数据进行转换放到urllib.request.urlopen的data参数中。这样就完成了一次post请求。
所以如果我们添加data参数的时候就是以post请求方式请求，如果没有data参数就是get请求方式。

import urllib.request

response = urllib.request.urlopen('http://httpbin.org/get', timeout=1)
print(response.read())

运行之后我们看到可以正常的返回结果，接着我们将timeout时间设置为0.1,则会抛出异常
所以我们需要对异常进行抓取，代码更改为

import socket
import urllib.request
import urllib.error

try:
    response = urllib.request.urlopen('http://httpbin.org/get', timeout=0.1)
except urllib.error.URLError as e:
    if isinstance(e.reason, socket.timeout):
        print('TIME OUT')

响应

import urllib.request

response = urllib.request.urlopen('https://www.python.org')
print(type(response))                   #响应类型
print(response.status)                  #状态码
print(response.getheaders())            #头部信息
print(response.getheader("server"))     #nginx
print(response.read().decode('utf-8'))  #响应体的内容

当然上述的urlopen只能用于一些简单的请求，因为它无法添加一些header信息，如果后面写爬虫我们可以知道，很多情况下我们是需要添加头部信息去访问目标站的，这个时候就用到了urllib.request

二、Request

response = urllib.request.urlopen('https://www.python.org')
变为：
req = urllib.request.Request(url)
response = urllib.request.urlopen(req)
可以添加报头信息

设置Headers
有很多网站为了防止程序爬虫爬网站造成网站瘫痪，会需要携带一些headers头部信息才能访问，最长见的有user-agent参数

• 补充urllib.request.Request的用法
  我们可以利用urlopen()方法可以实现最基本请求的发起，但这几个简单的参数并不足以构建一个完整的请求，如果请求中需要加入headers（请求头）等信息，我们就可以利用 更强大的Request类来构建一个请求。也许这就是一下两个方式的区别吧：

import urllib.request
'''最基本的urlopen方法请求'''
respponse = urllib.request.urlopen(url)

import urllib.request
'''用Request类构建了一个完整的请求，增加了headers等一些信息'''
req = urllib.request.Request(url)
response = urllib.request.urlopen(req)

import urllib.request
import urllib.parse

url = 'http://httpbin.org/post'
headers = {'User-Agent':'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/50.0.2661.102 Safari/537.36'}
headers['Host'] = 'httpbin.org'
dict = {'name':'Germey'}

data = urllib.parse.urlencode(dict).encode('utf-8')
'''data参数如果要传必须传bytes（字节流）类型的，如果是一个字典，先用urllib.parse.urlencode()编码。'''
request = urllib.request.Request(url = url,data = data,headers = headers,method = 'POST')

response = urllib.request.urlopen(request)
html = response.read().decode('utf-8')

print(html)

x

写一个简单的例子：

import urllib.request

req= urllib.request.Request('https://python.org')
response = urllib.request.urlopen(req)
print(response.read().decode('utf-8'))

给请求添加头部信息，从而定制自己请求网站是时的头部信息

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': 'lsy'
}
#data
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'))

添加请求头的第二种方式

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'))

这种添加方式有个好处是自己可以定义一个请求头字典，然后循环进行添加

代理--ProxyHandler

通过rulllib.request.ProxyHandler()可以设置代理,网站它会检测某一段时间某个IP 的访问次数，如果访问次数过多，它会禁止你的访问,所以这个时候需要通过设置代理来爬取数据

urlopen=>build_opener
从
response = urllib.reqeust.urlopen("http://www.baidu.com")
变为
opener = urllib.request.build_opener(proxy_handler)
response = opener.open('http://www.baidu.com')
加深记忆....

import urllib.request

proxy_handler = urllib.request.ProxyHandler({
    'http': 'http://119.28.194.66:8888',
    'https': 'https://119.28.194.66:8888',
})
opener = urllib.request.build_opener(proxy_handler)
response = opener.open('http://www.baidu.com')
print(response.read())

• build_opener ()返回的对象具有open()方法，与urlopen()函数的功能相同。

Cookie,HTTPCookiProcessor

维持登录状态
cookie中保存中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,这里用到了http.cookijar，用于获取cookie以及存储cookie

import http.cookiejar,urllib.request

# cookieJar()类来构建一个cookieJar()对象，用来保存cookie的值
cookie = http.cookiejar.CookieJar()，
# 通过HTTPCookeieProcessor处理器类构造一个处理器对象，用来处理cookie
# 参数就是构建的CookieJar的对象，至此，cookieJar()使命完成
handler = urllib.request.HTTPCookieProcessor(cookie)
# 构建一个自定义的opener
opener = urllib.request.build_opener(handler)
response = opener.open("http://www.baidu.com")
#执行open后，cookie会自动赋值
for i in cookie:
    print(i.name+"="+i.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()，两者都有一个save方法，保存的格式不同而已。

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，下面先写一个简单的例子

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,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")
#先获取子类异常
except error.HTTPError as e:
    print(e.reason)
    print(e.code)
    print(e.headers)
#再获取父类异常
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：传入URL，然后对url分割

from urllib.parse import urlparse

result = urlparse("http://www.baidu.com/index.html;user?id=5#comment")
print(result)

可以通过scheme="https"指定协议类型

rom urllib.parse import urlparse

result = urlparse("www.baidu.com/index.html;user?id=5#comment",scheme="https")
print(result)

但是如果url已经指定了协议，scheme指定就无效了

urlunpars
与urlparse的功能相反，它是用于拼接，例子如下：

from urllib.parse import urlunparse

data = ['http','www.baidu.com','index.html','user','a=123','commit']
print(urlunparse(data))

urljoin
拼接url

from urllib.parse import urljoin

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

结果为

http://www.baidu.com/FAQ.html
https://pythonsite.com/FAQ.html
https://pythonsite.com/FAQ.html
https://pythonsite.com/FAQ.html?question=2
https://pythonsite.com/index.php
http://www.baidu.com?category=2#comment
www.baidu.com?category=2#comment
www.baidu.com?category=2
[Finished in 0.2s]

可以看出，后面的可以覆盖前面的

urlencode
这个方法可以将字典转换为urlget请求参数，例子如下

from urllib.parse import urlencode

params = {
    "name":"lsy",
    "age":100,
}
base_url = "http://www.baidu.com?"

url = base_url+urlencode(params)
print(url)

输出：http://www.baidu.com?name=lsy&age=100

上一篇：7.爬虫基本原理
下一篇：9.Requests库基本使用