python的rllib库你了解吗

urllib库作用

urllib 库 是python内置的 http 请求库。urllib 模块提供的上层接口，使访问 www 和 ftp 上的数据就像访问本地文件一样。我们爬取网页的时候，经常需要用到这个库。

urllib 库下的几种模块的基本使用

一、urllib.request模块

1.功能

urllib.request 模块提供了最基本的构造 http （或其他协议如 ftp）请求的方法，利用它可以模拟浏览器的一个请求发起过程。利用不同的协议去获取 url 信息。它的某些接口能够处理基础认证 （ basic authenticaton） 、redirections （http 重定向)、 cookies (浏览器 cookies）等情况。而这些接口是由 handlers 和 openers 对象提供的。

2.常用方法

2.1 urlopen()方法

语法格式：

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

参数说明：url:需要打开的网址； data: post 提交的数据, 默认为 none ，当 data 不为 none 时, urlopen() 提交方式为 post； timeout：设置网站访问超时时间

用例：

import urllib.request# 等价于from urllib import request
response = urllib.request.urlopen('https://www.baidu.com')
print("查看 response 响应信息类型: ",type(response))
page = response.read()
print(page.decode('utf-8'))

说明: 直接使用 urllib.request 模块中的 urlopen方法获取页面，其中 page 数据类型为 bytes 类型，经过 decode 解码 转换成 string 类型。通过输出结果可以 urlopen 返回对象是httpresposne 类型对象。

urlopen 返回一个类文件对象，并提供了如下方法：

read() , readline() , readlines() , fileno() , close() ：这些方法的使用方式与文件对象完全一样;

info()：返回一个httplib.httpmessage对象，表示远程服务器返回的头信息；可以通过quick reference to http headers查看 http header 列表。

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

geturl()：返回获取页面的真实 url。在 urlopen（或 opener 对象）可能带一个重定向时，此方法很有帮助。获取的页面 url 不一定跟真实请求的 url 相同。

示例：

import urllib.request
response = urllib.request.urlopen('https://python.org/')
print("查看 response 的返回类型：",type(response))
print("查看反应地址信息: ",response)
print("查看头部信息1(http header)：\n",response.info())
print("查看头部信息2(http header)：\n",response.getheaders())
print("输出头部属性信息：",response.getheader("server"))
print("查看响应状态信息1(http status)：\n",response.status)
print("查看响应状态信息2(http status)：\n",response.getcode())
print("查看响应 url 地址：\n",response.geturl())
page = response.read()
print("输出网页源码:",page.decode('utf-8'))

2.2 request()方法

使用request（）来包装请求，再通过urlopen（）获取页面。

语法格式：

urllib.request.request(url, data=none, headers={}, origin_req_host=none, unverifiable=false, method=none)

示例：

import urllib.request
url = "https://www.lagou.com/zhaopin/python/?labelwords=label"
headers = {
'user-agent':'mozilla/5.0 (windows nt 10.0; win64; x64) applewebkit/537.36 (khtml, like gecko) chrome/63.0.3239.108 safari/537.36',
'referer': 'https://www.lagou.com/zhaopin/python/?labelwords=label',
'connection': 'keep-alive'
}
req = request.request(url, headers=headers)
page = request.urlopen(req).read()
page = page.decode('utf-8')
print(page)

参数说明：

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。这个数据可以从 网页开发工具上的请求反应信息中获取(浏览器上一般按 f12 打开开发工具）。作用是用于伪装浏览器。

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

connection：表示连接状态，记录 session 的状态。

origin_req_host：请求方的 host 名称或者 ip 地址。

unverifiable：指请求无法验证，默认为 false。用户并没有足够的权限来选择接收这个请求结果，例如请求一个 html 文档中的图片，但没有自动抓取图像的权限，这时 unverifiable 为 true。

method：指定请求使用的方法，例如 get、post、put 等。

参考：

总结

本篇文章就到这里了，希望能够给你带来帮助，也希望您能够多多关注的更多内容！