Python入门教程36：urllib网页请求模块的用法

urllib是Python中的一个模块，它提供了一些函数和类，用于发送HTTP请求、处理URL编码、解析URL等操作。无需安装即可使用，包含了4个模块：

#我的Python教程
#官方微信公众号：wdPython

request：它是最基本的http请求模块，用来模拟发送请求。

error：异常处理模块，如果出现错误可以捕获这些异常。

parse：一个工具模块，提供了许多URL处理方法，如：拆分、解析、合并等。

robotparser：主要用来识别网站的robots.txt文件，然后判断哪些网站可以爬。

1. request模块

1.1 urllib.request.urlopen：用于打开和读取URL网址，并返回一个响应对象。

import urllib.request

response=urllib.request.urlopen('https://www.baidu.com')  #请求站点获得一个HTTPResponse对象
print(response.read().decode('utf-8'))   #返回网页内容
#print(response.getheader('server')) #返回响应头中的server值
#print(response.getheaders()) #以列表元组对的形式返回响应头信息
#print(response.fileno()) #返回文件描述符
#print(response.version)  #返回版本信息
print(response.status)  #成功返回状态码200，404代表网页未找到
#print(response.debuglevel) #返回调试等级
#print(response.closed)  #返回对象是否关闭布尔值
#print(response.geturl()) #返回检索的URL
#print(response.info()) #返回网页的头信息
#print(response.getcode()) #返回响应的HTTP状态码
#print(response.msg)  #访问成功则返回ok
#print(response.reason) #返回状态信息

1.2 urllib.request.Request：你可以使用它来定制请求的 URL、请求方法（GET、POST 等）、请求头、请求数据等。

url：请求的URL，必传参数，其他都是可选参数。

data：上传的数据，必须传bytes字节流类型的数据，如果它是字典，可以先用urllib.parse模块里的urlencode()编码。

headers：它是一个字典，传递的是请求头数据，可以通过它构造请求头，也可以通过调用请求实例的方法add_header()来添加。

method：是一个字符串，用来指示请求使用的方法，如：GET,POST,PUT等。

以下是一个Request对象使用的例子：

from urllib.request import Request, urlopen  
  
url = 'http://www.example.com/'  
headers = {'User-Agent': 'Mozilla/5.0'}  
data = None  # POST 数据，如果是 GET 请求则为 None  
req = Request(url, data=data, headers=headers)  
  
response = urlopen(req)  
html_data = response.read()  
print(html_data)

1.3 urllib.request.urlretrieve：将网页文件（ 图片，音频等等），保存在本地电脑。urlretrieve(音频网址, f’保存到电脑上的路径.m4a’)

1.4 urllib.request.urlcleanup：用于清理由 urlretrieve 函数下载的临时文件。当使用 urlretrieve 函数下载文件时，它会将文件保存在一个临时位置，然后在文件下载完成后，可以使用 urlcleanup 函数来清理这些临时文件。

2.error模块：urllib的error模块定义了由request模块产生的异常，如果出现问题，request模块便会抛出error模块中定义的异常。

2.1 URLError类来自urllib库的error模块，它继承自OSError类，是error异常模块的基类，由request模块产生的异常都可以通过捕获这个类来处理。它只有一个属性reason，即返回错误的原因。

from urllib import request,error
try:
  #该url是不存在的，所以会产生异常
  response = request.urlopen('https://xiaohongniu918918.com/')

except error.URLError as e:
  #由于访问的网页不存在，所以会打印Not Found
  print(e.reason)
  
else:
  html = response.read()

3.urllib.parse 中常用的函数和类：

3.1 urllib.parse.urlparse(): 解析 URL，返回一个 ParseResult 对象，这个对象包含以下属性：

scheme：URL 的协议部分（例如 ‘http’ 或 ‘https’）。

netloc：网络位置，通常是主机名和端口号（如果有的话）。

path：URL 路径。

params：参数，在 URL 路径中的分号分隔的键值对。

query：查询字符串，在 URL 中的问号之后的部分。

fragment：URL 的片段（也称为锚点），在 URL 中的井号之后的部分。

from urllib.parse import urlparse  
  
url = urlparse('http://www.example.com/path?param=value#anchor')
print(url.scheme)  # 输出：'http'  
print(url.netloc)  # 输出：'www.example.com'  
print(url.path)    # 输出：'/path'  
print(url.params)  # 输出：''，因为没有参数  
print(url.query)   # 输出：'param=value'  
print(url.fragment)# 输出：'anchor'

#你可以使用geturl() 方法来获取完整的 URL 字符串：
print(url.geturl())  # 输出：'http://www.example.com/path?param=value#anchor'

3.2 urllib.parse.urlunparse(): 将 ParseResult 对象转换回 URL 字符串。要求你提供的元组或列表中的元素顺序必须正确，否则结果可能不是你期望的 URL。

from urllib.parse import urlunparse

url_components = ('http', 'www.example.com', '/path', '', 'param=value', 'anchor')
url = urlunparse(url_components)
print(url) # http://www.example.com/path?param=value#anchor

3.3 urllib.parse.urljoin: 接受一个基础 URL 和一个或多个 URL 片段作为参数，并返回一个拼接后的完整 URL。

from urllib.parse import urljoin

base_url = 'http://www.example.com'
url_fragment = '/path/to/resource'

full_url = urljoin(base_url, url_fragment)
print(full_url) # http://www.example.com1/path/to/resource

3.4 urllib.parse.urldefrag(url): 接受一个 URL 字符串作为参数，并返回一个包含两个元素的元组：不包含片段标识符的基础 URL 和片段标识符。

from urllib.parse import urldefrag  
  
url = 'http://www.example.com/path#fragment'  
base_url, fragment = urldefrag(url)  
  
print(base_url)  # 输出：http://www.example.com/path  
print(fragment)  # 输出：fragment

3.5 urllib.parse.urlsplit接受一个 URL 字符串作为参数，并返回一个 SplitResult 对象，该对象包含 URL 的各个组成部分。

from urllib.parse import urlsplit  
  
url = 'http://www.example.com/path?param=value#anchor'  
parts = urlsplit(url)  
  
print(parts.scheme)     # 输出：'http'  
print(parts.netloc)     # 输出：'www.example.com'  
print(parts.path)       # 输出：'/path'  
print(parts.query)      # 输出：'param=value'  
print(parts.fragment)   # 输出：'anchor'

3.6 urllib.parse.urlunsplit(parts): 类似于urlunparse，接受一个包含 URL 的各个组成部分的 ParseResult 对象或元组作为参数，并返回一个完整的 URL 字符串。

from urllib.parse import urlunsplit

url_components = ('http', 'www.example.com', '/path', 'param=value', 'anchor')
url = urlunsplit(url_components)

print(url)  # 输出http://www.example.com/path?param=value#anchor

3.7 urllib.parse.parse_qs：接受一个查询字符串作为参数，并返回一个字典，其中包含查询字符串中的参数和对应的值。

from urllib.parse import parse_qs

query_string = 'key1=value1&key2=value2&key3=value3'
print(parse_qs(query_string))
# 输出：{'key1': ['value1'], 'key2': ['value2'], 'key3': ['value3']}

3.8 urllib.parse.parse_qsl: 解析 URL 查询字符串，返回一个元组的列表

from urllib.parse import parse_qsl

query_string = 'key1=value1&key2=value2&key3=value3'

print(parse_qsl(query_string))
# 输出：[('key1', 'value1'), ('key2', 'value2'), ('key3', 'value3')]

3.9 urllib.parse.quote: 将字符串进行URL编码。

from urllib.parse import quote

s = 'Wo, Python教程!'
quoted_s = quote(s)

print(quoted_s)  # 输出：'Wo%2C%20Python%E6%95%99%E7%A8%8B%21'

3.10 urllib.parse.unquote(s, encoding=‘utf-8’, errors=‘replace’): 将 URL 编码的字符串解码。

from urllib.parse import unquote

quoted_s = 'Wo%2C%20Python%E6%95%99%E7%A8%8B%21'
print(unquote(quoted_s))
# 输出：'Wo, Python教程!'

3.11 urllib.parse.quote_plus(s, safe=’ ', encoding=‘utf-8’, errors=‘replace’): 将字符串进行 URL 编码，并将空格转换为加号。

from urllib.parse import quote_plus

s = 'Wo, Python 教程!'
print(quote_plus(s))
# 输出：'Wo%2C+Python+%E6%95%99%E7%A8%8B%21'

3.12 urllib.parse.unquote_plus(s, encoding=‘utf-8’, errors=‘replace’): 将 URL 编码的字符串解码，并将加号转换为空格。

from urllib.parse import unquote_plus

quoted_s = 'Wo%2C+Python+%E6%95%99%E7%A8%8B%21'
print(unquote_plus(quoted_s))
# 输出：Wo, Python 教程!