pythonurllib模块-Python3学习笔记（urllib模块的使用）

1.urllib

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

- url: 需要打开的网址

- data：Post提交的数据

- timeout：设置网站的访问超时时间

直接用urllib.request模块的urlopen（）获取页面，page的数据格式为bytes类型，需要decode（）解码，转换成str类型。

1 from urllib import request

2

3 response = request.urlopen(r'http://python.org/') # HTTPResponse类型

4 page = response.read()

5 page = page.decode('utf-8')

urlopen返回对象提供方法：

- read() , readline() ,readlines() , fileno() , close() ：对HTTPResponse类型数据进行操作

- info()：返回HTTPMessage对象，表示远程服务器返回的头信息

- getcode()：返回Http状态码。如果是http请求，200请求成功完成;404网址未找到

- geturl()：返回请求的url

2.Request

urllib.request.Request(url, data=None, headers={}, method=None)

使用request（）来包装请求，再通过urlopen（）获取页面。

1 url = r'http://www.lagou.com/zhaopin/Python/?labelWords=label'

2 headers = {

3 'User-Agent': r'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) '

4 r'Chrome/45.0.2454.85 Safari/537.36 115Browser/6.0.3',

5 'Referer': r'http://www.lagou.com/zhaopin/Python/?labelWords=label',

6 'Connection': 'keep-alive'

7 }

8 req = request.Request(url, headers=headers)

9 page = request.urlopen(req).read()

10 page = page.decode('utf-8')

用来包装头部的数据：

- User-Agent ：这个头部可以携带如下几条信息：浏览器名和版本号、操作系统名和版本号、默认语言

- Referer：可以用来防止盗链，有一些网站图片显示来源http://***.com，就是检查Referer来鉴定的

- Connection：表示连接状态，记录Session的状态。

3.Post数据

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

urlopen（）的data参数默认为None，当data参数不为空的时候，urlopen（）提交方式为Post。

1 from urllib import request, parse

2 url = r'http://www.lagou.com/jobs/positionAjax.json?'

3 headers = {

4 'User-Agent': r'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) '

5 r'Chrome/45.0.2454.85 Safari/537.36 115Browser/6.0.3',

6 'Referer': r'http://www.lagou.com/zhaopin/Python/?labelWords=label',

7 'Connection': 'keep-alive'

8 }

9 data = {

10 'first': 'true',

11 'pn': 1,

12 'kd': 'Python'

13 }

14 data = parse.urlencode(data).encode('utf-8')

15 req = request.Request(url, headers=headers, data=data)

16 page = request.urlopen(req).read()

17 page = page.decode('utf-8')

urllib.parse.urlencode(query, doseq=False, safe='', encoding=None, errors=None)

urlencode（）主要作用就是将url附上要提交的数据。

1 data = {

2 'first': 'true',

3 'pn': 1,

4 'kd': 'Python'

5 }

6 data = parse.urlencode(data).encode('utf-8')

经过urlencode（）转换后的data数据为?first=true?pn=1?kd=Python，最后提交的url为

http://www.lagou.com/jobs/positionAjax.json?first=true?pn=1?kd=Python

Post的数据必须是bytes或者iterable of bytes，不能是str，因此需要进行encode（）编码

1 page = request.urlopen(req, data=data).read()

当然，也可以把data的数据封装在urlopen（）参数中

1 def get_page(url):

2 headers = {

3 'User-Agent': r'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) '

4 r'Chrome/45.0.2454.85 Safari/537.36 115Browser/6.0.3',

5 'Referer': r'http://www.lagou.com/zhaopin/Python/?labelWords=label',

6 'Connection': 'keep-alive'

7 }

8 data = {

9 'first': 'true',

10 'pn': 1,

11 'kd': 'Python'

12 }

13 data = parse.urlencode(data).encode('utf-8')

14 req = request.Request(url, headers=headers)

15 try:

16 page = request.urlopen(req, data=data).read()

17 page = page.decode('utf-8')

18 except error.HTTPError as e:

19 print(e.code())

20 print(e.read().decode('utf-8'))

21 return page

5、使用代理

urllib.request.ProxyHandler(proxies=None)

当需要抓取的网站设置了访问限制，这时就需要用到代理来抓取数据。

1 data = {

2 'first': 'true',

3 'pn': 1,

4 'kd': 'Python'

5 }

6 proxy = request.ProxyHandler({'http': '5.22.195.215:80'}) # 设置proxy

7 opener = request.build_opener(proxy) # 挂载opener

8 request.install_opener(opener) # 安装opener

9 data = parse.urlencode(data).encode('utf-8')

10 page = opener.open(url, data).read()

11 page = page.decode('utf-8')

12 return page

归类 : python爬虫