Python爬虫(2):urllib库
程序员文章站
2022-10-06 12:50:12
爬虫常用库urllib 注:运行环境为PyCharm urllib是Python3内置的HTTP请求库 urllib.request:请求模块 urllib.error:异常处理模块 urllib.parse:url解析模块 urllib.robotparse:robot.txt解析模块 1、url ......
爬虫常用库urllib
注:运行环境为pycharm
urllib是python3内置的http请求库
urllib.request:请求模块
urllib.error:异常处理模块
urllib.parse:url解析模块
urllib.robotparse:robot.txt解析模块
1、urllib.request.urlopen(url, data=none, [timeout]*, cafile=none, cadefault=false,content=none)
url:请求网址
data:请求时需要发送的数据
timeout:超时设置
from urllib import request # 请求获取网页返回内容 response = request.urlopen('https://www.toutiao.com/') # 获取网页返回内容 print(response.read().decode('utf-8')) # 获取状态码 print(response.status) # 获取请求头 print(response.getheaders()) # 对请求头进行遍历 for k, v in response.getheaders(): print(k, '=', v)
当爬去一些反爬网站时,需要适当地增加请求头进行请求要用到request对象。
2、error.urlerror:url的一些问题,这个异常只有一个reason属性
error.httperror:error.urlerror的子类,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(),在捕捉异常时通常先使用这个
3、urllib.parse.urlparse(url,scheme=‘’,allow_fragments=true)
解析url
from urllib import request, parse # 解析url print(parse.urlparse('https://movie.douban.com/')) print(parse.urlparse('https://movie.douban.com/', scheme='http')) print(parse.urlparse('movie.douban.com/', scheme='http')) 结果: parseresult(scheme='https', netloc='movie.douban.com', path='/', params='', query='', fragment='') parseresult(scheme='https', netloc='movie.douban.com', path='/', params='', query='', fragment='') parseresult(scheme='http', netloc='', path='movie.douban.com/', params='', query='', fragment='')
反解析url
from urllib import parse # 将列表元素拼接成url url = ['http', 'www', 'baidu', 'com', '1554384640', 'f2b8183cd1e469a'] # 这里至少需要6个元素 print(parse.urlunparse(url)) 结果: http://www/baidu;com?1554384640#f2b8183cd1e469a
参考资料:
1、python爬虫常用库之urllib详解|日常学python:https://mp.weixin.qq.com/s?src=11×tamp=1554382467&ver=1526&signature=fjepqc9qswpe2fwjtxmnruth3gx5vz0jpbqyzbeqqmhhfbj462b*jk0wpxyujxp6dup63tu8g0hqpv9sdwllrgvr0frraerqe4fy-6oqe5zzxuxrniw508nhnqdnq*be&new=1
上一篇: 浅谈网站降权最常见的五点原因分析
下一篇: 元类metaclass