爬虫(三)：urllib模块

1. urllib模块

1.1 urllib简介

urllib 是 python3 中自带的 http 请求库，无需复杂的安装过程即可正常使用，十分适合爬虫入门

urllib 中包含四个模块，分别是：

request：请求处理模块

parse：url 处理模块

error：异常处理模块

robotparser：robots.txt 解析模块

1.2 urllib使用

1.2.1 request 模块

request模块是urllib中最重要的一个模块，一般用于发送请求和接收响应

（1）urlopen 方法

urllib.request.urlopen()

urlopen 方法无疑是 request 模块中最常用的方法之一，常见的参数说明如下：

url：必填，字符串，指定目标网站的 url

data：指定表单数据

　　该参数默认为 none，此时urllib使用get方法发送请求

　　当给参数赋值后，urllib使用post方法发送请求，并在该参数中携带表单信息（bytes 类型）

timeout：可选参数，用来指定等待时间，若超过指定时间还没获得响应，则抛出一个异常

　　该方法始终返回一个httpresponse对象，httpresponse对象常见的属性和方法如下：

geturl()：返回 url

getcode()：返回状态码

getheaders()：返回全部响应头信息

getheader(header)：返回指定响应头信息

read()：返回响应体（bytes 类型），通常需要使用decode('utf-8')将其转化为str类型

import urllib.request

def load_data():
    url = "http://www.baidu.com/"
    #get的请求
    #http请求
    #response:http相应的对象
    response = urllib.request.urlopen(url)
    # print(response)
    #读取内容 bytes类型
    data = response.read()
    # print(data)
    #将文件获取的内容转换成字符串
    str_data = data.decode("utf-8")
    # print(str_data)
    #将数据写入文件
    with open("baidu.html","w",encoding="utf-8")as f:
        f.write(str_data)
    #将字符串类型转换成bytes
    str_name = "baidu"
    bytes_name =str_name.encode("utf-8")
    # print(bytes_name)

    #python爬取的类型:str bytes
    #如果爬取回来的是bytes类型:但是你写入的时候需要字符串 decode("utf-8")
    #如果爬取过来的是str类型:但你要写入的是bytes类型 encode(""utf-8")
load_data()

大家可以将我注释的输出内容去掉注释，看看到底输出了什么内容。

（2） request对象

我们还可以给urllib.request.urlopen()方法传入一个 request 对象作为参数

为什么还需要使用request对象呢？因为在上面的参数中我们无法指定请求头部，而它对于爬虫而言又十分重要很多网站可能会首先检查请求头部中的user-agent字段来判断该请求是否由网络爬虫程序发起但是通过修改请求头部中的user_agent字段，我们可以将爬虫程序伪装成浏览器，轻松绕过这一层检查这里提供一个查找常用的user-agent的网站：

urllib.request.request()

参数说明如下：

url：指定目标网站的 url

data：发送post请求时提交的表单数据，默认为none

headers：发送请求时附加的请求头部，默认为 {}

origin_req_host：请求方的host名称或者 ip 地址，默认为none

unverifiable：请求方的请求无法验证，默认为false

method：指定请求方法，默认为none

import urllib.request

def load_data():
    url = "http://www.baidu.com/"
    headers = {
        'user-agent': 'mozilla/5.0 (windows nt 10.0; wow64) applewebkit/537.36 (khtml, like gecko) chrome/67.0.3396.99 safari/537.36'
    }
    req = urllib.request.request(url, headers=headers, method='get')
    response = urllib.request.urlopen(req)

    html = response.read().decode("utf-8")
    print(html)

load_data()

这个结果大家要使用抓包工具来查看。

（3）使用cookie

什么是 cookie？

cookie是指某些网站为了辨别用户身份、进行session跟踪而储存在用户本地终端上的数据。

获取cookie：

import urllib.request
import http.cookiejar
cookie = http.cookiejar.cookiejar()
cookie_handler = urllib.request.httpcookieprocessor(cookie)
opener = urllib.request.build_opener(cookie_handler)
response = opener.open('http://www.baidu.com/')
for item in cookie:
    print(item.name + '=' + item.value)

使用cookie：

import urllib.request
import http.cookiejar

# 将 cookie 保存到文件
cookie = http.cookiejar.mozillacookiejar('cookie.txt')
cookie_handler = urllib.request.httpcookieprocessor(cookie)
opener = urllib.request.build_opener(cookie_handler)
response = opener.open('http://www.baidu.com/')
cookie.save(ignore_discard=true,ignore_expires=true)

# 从文件读取 cookie 并添加到请求中
cookie2 = http.cookiejar.mozillacookiejar()
cookie2 = cookie2.load('cookie.txt',ignore_discard=true,ignore_expires=true)
cookie_handler = urllib.request.httpcookieprocessor(cookie2)
opener = urllib.request.build_opener(cookie_handler)
response = opener.open('http://www.baidu.com/')
# 此时已经得到带有 cookie 请求返回的响应

1.2.2 parse模块

parse 模块一般可以用于处理 url

（1）quote 方法

当你在url中使用中文时，你会发现程序会出现莫名其妙的错误。

import urllib.request
url = 'https://www.baidu.com/s?wd=爬虫'
response = urllib.request.urlopen(url)

这个时候就靠quote方法了，它使用转义字符替换特殊字符，从而将上面的url处理成合法的url。

import urllib.request
import urllib.parse

url = 'https://www.baidu.com/s?wd=' + urllib.parse.quote('爬虫')
response = urllib.request.urlopen(url)
data = response.read()
str_data = data.decode("utf-8")
print(str_data)

 

 

（2）urlencode 方法

urlencode方法就是将dict类型数据转化为符合url标准的str类型数据。

import urllib.parse
params = {
    'from':'auto',
    'to':'auto'
}
data = urllib.parse.urlencode(params)
print(data)

（3）urlparse 方法

urlparse方法用于解析url，返回一个parseresult对象.

该对象可以认为是一个六元组，对应 url 的一般结构：


scheme/netloc/path/parameters/query/fragment

实例：

import urllib.parse
url = 'http://www.example.com:80/python.html?page=1&kw=urllib'
url_after = urllib.parse.urlparse(url)
print(url_after)

想要获得一个参数的值，只需要 url_after.参数 即可。 

1.2.3 error模块

error模块一般用于进行异常处理，其中包含两个重要的类：urlerror和httperror。

注意，httperror是urlerror的子类，所以捕获异常时一般要先处理httperror，常用的格式如下：

import urllib.request
import urllib.error
import socket
try:
    response = urllib.request.urlopen('http://www.baidu.com/', timeout=0.1)
except urllib.error.httperror as e:
    print("error code: ", e.code)
    print("error reason: ", e.reason)
except urllib.error.urlerror as e:
    if isinstance(e.reason, socket.timeout):
        print('time out')
else:
    print('request successfully')