python爬虫urllib 筛选数据 求和_Python爬虫常用库之urllib详解

作者：sergiojune

个人公众号：日常学python

以下为个人在学习过程中做的笔记总结之爬虫常用库urllib

urlib库为python3的HTTP内置请求库

urilib的四个模块：urllib.request:用于获取网页的响应内容

urllib.error:异常处理模块，用于处理异常的模块

urllib.parse:用于解析url

urllib.robotparse:用于解析robots.txt，主要用于看哪些网站不能进行爬取，不过少用

1、urllib.request

urllib.request.urlopen(url,data=None,[timeout,]*,cafile=None,cadefault=False,context=None)url:为请求网址

data:请求时需要发送的参数

timeout:超时设置，在该时间范围内返回请求内容就不会报错

示例代码：1from urllib import request23# 请求获取网页返回内容4response = request.urlopen('https://movie.douban.com/')5# 获取网页返回内容6print(response.read().decode('utf-8'))7# 获取状态码8print(response.status)9# 获取请求头10print(response.getheaders())1# 对请求头进行遍历2for k, v in response.getheaders():3 print(k, '=', v)

可以使用上面的代码对一些网站进行请求了，但是当需要一些反爬网站时，这就不行了，这时我们需要适当地增加请求头进行请求，这时就需要使用复杂一点的代码了，这时我们需要用到Request对象

代码示例：1# 请求头2headers = {'User-Agent':'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/49.0.2623.221 Safari/537.36 SE 2.X MetaSr 1.0'}3requests = request.Request('https://movie.douban.com/', headers=headers) # 加入自己的请求头更加接近浏览器4# 进行请求,把Request对象传入urlopen参数中5response = request.urlopen(requests)6print(response.read().decode('utf-8'))

这个我添加了请求头进行请求，使我发送的请求更加接近浏览器的行为。可以对应一些反爬网站了

如果网站需要进行登陆，这时需要用到post方法，用上面的也是可以的。代码如下：1from urllib import request, parse2# 使用post方法来进行模拟登陆豆瓣3data = {'source': 'None',4 'redir': 'https://www.douban.com/',5 'form_email': 'user',6 'form_password': 'passwd',7 'remember': 'on',8 'login': '登录'}9# 将data的字典类型转换为get请求方式10data = bytes(parse.urlencode(data), encoding='utf-8')11requests = request.Request('https://accounts.douban.com/login', headers=headers, data=data, method='POST')12response = request.urlopen(requests)13print(response.read().decode('utf-8'))

这里我用到了data的参数把登陆需要的参数传进去，还加了个请求方法Method

parse.urlencode()后面有讲

这里还有另外一种添加请求头的方法

Request.add_header(): 参数有两个，分别为请求头对应的键和值，这种方法一次只能添加一个请求头，添加多个需要用到循环或者直接用前面的方法添加多个请求头

在登陆了网站之后，我们需要用到cookie来保存登陆信息，这时就需要获取cookie了。urllib获取cookie比较麻烦。

代码示例如下：1from http import cookiejar2# 获取cookie3cookie = cookiejar.CookieJar()4# 获取助手把cookie传进去5handler = request.HTTPCookieProcessor(cookie)6# 获取opener进行请求网站7opener = request.build_opener(handler)8# 请求网页9response = opener.open('https://movie.douban.com/')10# 打印cookie11for c in cookie:12 print(c.name, '=', c.value)

单纯地打印没什么用，我们需要把他存入文件来保存，下次使用时再次加载cookie来登陆

保存cookie为文件：1from http import cookiejar2# 将cookie保存在文件中3filename = 'cookie.txt'4cookie = cookiejar.MozillaCookieJar(filename) # 表示使用Mozilla的cookie方式存储和读取5handler = request.HTTPCookieProcessor(cookie)6opener = request.build_opener(handler)7opener.open('https://movie.douban.com/')8# 保存文件9cookie.save(ignore_discard=True, ignore_expires=True)

另一种保存方法：1from http import cookiejar2cookie = cookiejar.LWPCookieJar(filename) # 表示 Set-Cookie3 文件格式存储和读取3handler = request.HTTPCookieProcessor(cookie)4opener = request.build_opener(handler)5opener.open('https://movie.douban.com/')6# 保存文件7cookie.save(ignore_discard=True, ignore_expires=True)

这两种保存格式都是不一样的，需要保存的内容一样。

保存可以了，这时就需要用到加载了，当然也可以。代码如下：1from http import cookiejar2# 从cookie文件加载到网页上实现记住登陆3cookie = cookiejar.LWPCookieJar()4# 加载文件5cookie.load(filename, ignore_discard=True, ignore_expires=True)6handler = request.HTTPCookieProcessor(cookie)7opener = request.build_opener(handler)8opener.open('https://movie.douban.com/')

这样就可以实现不用密码进行登陆了。

cookie小总结：在操作cookie时，都是分五步，如下：进行导包，至关重要的一步，不导包直接出错。

获取cookie处理对象，使用cookiejar包

创建cookie处理器，使用request.HTTPCookieJarProcessor()

利用cookie处理器构建opener，使用request.build_opener()

进行请求网站，用opener.open(),这个不能用request.urlopen()

如果有时你在同一ip连续多次发送请求，会有被封ip的可能，这时我们还需要用到代理ip进行爬取，代码如下：1proxy = request.ProxyHandler({2 'https': 'https://106.60.34.111:80'3})4opener = request.build_opener(proxy)5opener.open('https://movie.douban.com/', timeout=1)

可以看到越复杂的请求都需要用到request.build_opener(),这个方法有点重要，请记住哈

2、urllib.error

将上面的使用代理ip的请求进行异常处理，如下：

1from urllib import request, error2try:3 proxy = request.ProxyHandler({4 'https': 'https://106.60.34.111:80'5 })6 opener = request.build_opener(proxy)7 opener.open('https://movie.douban.com/', timeout=1)8except error.HTTPError as e:9 print(e.reason(), e.code(), e.headers())10except error.URLError as e:11 print(e.reason)

因为有时这个ip或许也被封了，有可能会抛出异常，所以我们为了让程序运行下去进而进行捕捉程序error.URLError: 这个是url的一些问题，这个异常只有一个reason属性

error.HTTPError:这个是error.URLError的子类，所以在与上面的混合使用时需要将这个异常放到前面，这个异常是一些请求错误，有三个方法，.reason(), .code(), .headers(),所以在捕捉异常时通常先使用这个

3、urllib.parse

解析url:urllib.parse.urlparse(url, scheme='', allow_fragments=True)

简单的使用：1from urllib import request, parse2# 解析url3print(parse.urlparse('https://movie.douban.com/'))4print(parse.urlparse('https://movie.douban.com/', scheme='http'))5print(parse.urlparse('movie.douban.com/', scheme='http'))6# 下面是结果7ParseResult(scheme='https', netloc='movie.douban.com', path='/', params='', query='', fragment='')8ParseResult(scheme='https', netloc='movie.douban.com', path='/', params='', query='', fragment='')9ParseResult(scheme='http', netloc='', path='movie.douban.com/', params='', query='', fragment='')

可以看出加了scheme参数和没加的返回结果是有区别的。而当scheme协议加了，而前面的url也包含协议，一般会忽略后面的scheme参数

既然后解析url，那当然也有反解析url，就是把元素串连成一个url1from urllib import parse2# 将列表元素拼接成url3url = ['http', 'www', 'baidu', 'com', 'dfdf', 'eddffa'] # 这里至少需要6个元素(我乱写的，请忽视)4print(parse.urlunparse(url))5# 下面是结果6http://www/baidu;com?dfdf#eddffa

urlparse()接收一个列表的参数，而且列表的长度是有要求的，是必须六个参数以上，要不会抛出异常1Traceback (most recent call last):2 File "E:/anaconda/python_project/python3_spider/urllib_test.py", line 107, in 3 print(parse.urlunparse(url))4 File "E:\anaconda\lib\urllib\parse.py", line 454, in urlunparse5 _coerce_args(*components))6ValueError: not enough values to unpack (expected 7, got 6)

urllib.parse.urljoin():这个是将第二个参数的url缺少的部分用第一个参数的url补齐1# 连接两个参数的url, 将第二个参数中缺的部分用第一个参数的补齐2print(parse.urljoin('https://movie.douban.com/', 'index'))3print(parse.urljoin('https://movie.douban.com/', 'https://accounts.douban.com/login'))4# 下面是结果5https://movie.douban.com/index6https://accounts.douban.com/login

urllib.parse.urlencode():这个方法是将字典类型的参数转为请求为get方式的字符串1data = {'name': 'sergiojuue', 'sex': 'boy'}2data = parse.urlencode(data)3print('https://accounts.douban.com/login'+data)4# 下面是结果5https://accounts.douban.com/loginname=sergiojuue&sex=boy

4、结语

还有个urllib.robotparse库少用，就不说了，留给以后需要再去查文档吧。

上面的只是我在学习过程中的总结，如果有什么错误的话，欢迎在留言区指出，还有就是需要查看更多用法的请查看文档https://docs.python.org/3/library/urllib.html

需要代码的可以去我的github上面fork，给个star也行！