欢迎您访问程序员文章站本站旨在为大家提供分享程序员计算机编程知识!
您现在的位置是: 首页

Python爬虫(2)- Urllib库

程序员文章站 2022-05-03 20:03:51
...

Python版本:Python 3.X
Urllib库官方文档:https://docs.python.org/3/library/urllib.html

Urllib库

Urllib库是Python内置的HTTP请求库,包括urllib.request请求模块,urllib.error异常处理模块,urllib.parse url解析模块,urllib.robotparser robots.txt解析模块。

urlopen

import urllib.request

response = urllib.request.urlopen('https://www.baidu.com')

print(response.read().decode('utf-8'))

urlopen一般常用的有三个参数,他们是url、data和timeout。response.read()可以获取到网页的内容。上述例子是通过get请求获得百度页面,下面使用post请求:

import urllib.parse
import urllib.request

data = bytes(urllib.parse.urlencode({'word':'hello'}), encoding='utf-8')
print(data)
response = urllib.request.urlopen('http://httpbin.org/post', data=data)
print(response.read())

这里就用到了urllib.parse,通过bytes(urllib.parse.urlencode())可以将post数据进行转换放到data参数中。这样就完成了一次post请求。所以说,如果添加data参数就是以post请求方式请求,如果没有data就是get请求方式。

某些网络不好的时候或者服务器端异常会出现请求慢的情况,或者请求异常,所以这个时候我们需要给请求设置一个超时时间,而不是一直让程序等待。

import urllib.request as request
import socket
import urllib.error as error

try:
  response = request.urlopen('http://www.baidu.com', timeout=1)
  print(response.read())
except error.URLError as e
  if isinstance(e.reason, socket.timeout):
    print('TIME OUT')

响应

import urllib.request
response = urllib.request.urlopen('http://www.baidu.com')
print(type(response))
# return <class 'http.client.HTTPRequest'>

我们可以通过response.status, response.getheaders(), response.getheader('server')获取状态码以及头部信息,response.read()获取的是响应体的内容。

上述的urlopen只能用于一些简单的请求,因为他无法添加一些header信息,很多时候网站会检测请求是否来自一个浏览器还是爬虫(爬虫可能造成网站瘫痪),我们需要给爬虫程序添加头部信息去模仿一个浏览器访问目标网站,这个时候就用到了urllib.request。

from urllib import request, parse

url = 'http://httpbin.org/post'
headers = {
    'User-Agent': 'Mozilla/4.0 (compatible; MSIE 5.5; Windows NT)',
    'Host': 'httpbin.org'
}
dict = {
    'name': 'jamesqiu'
}
data = bytes(parse.urlencode(dict), encoding='utf8')
req = request.Request(url=url, data=data, headers=headers, method='POST')
response = request.urlopen(req)
print(response.read().decode('utf-8'))

第二种方式,可以定义一个请求头字典,循环进行添加:

from urllib import request, parse

url = 'http://httpbin.org/post'
dict = {
    'name': 'Germey'
}
data = bytes(parse.urlencode(dict), encoding='utf8')
req = request.Request(url=url, data=data, method='POST')
req.add_header('User-Agent', 'Mozilla/4.0 (compatible; MSIE 5.5; Windows NT)')
response = request.urlopen(req)
print(response.read().decode('utf-8'))

使用Handler

代理,ProxyHandler

网站会检测某一段时间某个IP的访问次数,如果过多就会禁止继续访问,所以这个时候需要通过设置代理来爬取数据。

import urllib.request

proxy_handler = urllib.request.ProxyHandler({
    'http': 'http://127.0.0.1:9743',
    'https': 'https://127.0.0.1:9743'
})
opener = urllib.request.build_opener(proxy_handler)
response = opener.open('http://httpbin.org/get')
print(response.read())

cookie, HTTPCookiProcessor

cookie中保存我们常见的登录信息,有时候爬取网站需要携带cookie信息访问这里,这里用到了http.cookijar,用于获取cookie以及存储cookie。

import http.cookiejar, urllib.request
cookie = http.cookiejar.CookieJar()
handler = urllib.request.HTTPCookieProcessor(cookie)
opener = urllib.request.build_opener(handler)
response = opener.open('http://www.baidu.com')
for item in cookie:
    print(item.name+"="+item.value)

同时cookie可以写入到文件中保存,有两种方式http.cookiejar.MozillaCookieJar和http.cookiejar.LWPCookieJar(),当然你自己用哪种方式都可以。

# http.cookiejar.MozillaCookieJar()方式
import http.cookiejar, urllib.request
filename = "cookie.txt"
cookie = http.cookiejar.MozillaCookieJar(filename)
handler = urllib.request.HTTPCookieProcessor(cookie)
opener = urllib.request.build_opener(handler)
response = opener.open('http://www.baidu.com')
cookie.save(ignore_discard=True, ignore_expires=True)

# http.cookiejar.LWPCookieJar()方式
import http.cookiejar, urllib.request
filename = 'cookie.txt'
cookie = http.cookiejar.LWPCookieJar(filename)
handler = urllib.request.HTTPCookieProcessor(cookie)
opener = urllib.request.build_opener(handler)
response = opener.open('http://www.baidu.com')
cookie.save(ignore_discard=True, ignore_expires=True)

同样的如果想要通过获取文件中的cookie获取的话可以通过load方式,当然用哪种方式写入的,就用哪种方式读取。

import http.cookiejar, urllib.request
cookie = http.cookiejar.LWPCookieJar()
cookie.load('cookie.txt', ignore_discard=True, ignore_expires=True)
handler = urllib.request.HTTPCookieProcessor(cookie)
opener = urllib.request.build_opener(handler)
response = opener.open('http://www.baidu.com')
print(response.read().decode('utf-8'))

异常处理

在很多时候我们通过程序访问页面的时候,有的页面可能会出现错误,类似404,500等错误这个时候就需要我们捕捉异常。例如,

from urllib import request,error
try:
  response = request.urlopen("http://pythonsite.com/1111.html")
except error.URLError as e:    
  print(e.reason)

上述代码访问的是一个不存在的页面,通过捕捉异常,我们可以打印异常错误。这里我们需要知道的是在urllb异常这里有两个个异常错误:URLError和HTTPError,HTTPError是URLError的子类。URLError里只有一个属性:reason,即抓异常的时候只能打印错误信息,类似上面的例子。HTTPError里有三个属性:code,reason,headers,即抓异常的时候可以获得code,reson,headers三个信息,例子如下:

from urllib import request,error
try:
  response = request.urlopen("http://pythonsite.com/1111.html")
except error.HTTPError as e:
  print(e.reason)    
  print(e.code)    
  print(e.headers)
except error.URLError as e:    
  print(e.reason)
else:    
  print("reqeust successfully")

同时,e.reason其实也可以在做深入的判断,例子如下:

import socket 
from urllib import error,request
try:    
  response = request.urlopen("http://www.pythonsite.com/",timeout=0.001)
except error.URLError as e:    
  print(type(e.reason))    
if isinstance(e.reason,socket.timeout):        
  print("time out")

URL解析

urlparse

The URL parsing functions focus on splitting a URL string into its components, or on combining URL components into a URL string. urllib.parse.urlparse(urlstring)

from urllib.parse import urlparse
result = urlparse("http://www.baidu.com")
print(result)

ParseResult(scheme='http', netloc='www.baidu.com', path='', params='', query='', fragment='')

urlunparse

其实功能和urlparse的功能相反,它是用于拼接:

from urllib.parse import urlunparse
data = list(result)  # data = ['http', 'www.baidu.com', '', '', '', '']
print(urlunparse(data))

http://www.baidu.com

urljoin

这个的功能其实是做拼接的,例子如下:

>>> from urllib.parse import urljoin
>>> print(urljoin('http://www.baidu.com', 'FAQ.html'))
http://www.baidu.com/FAQ.html
>>> print(urljoin('http://www.baidu.com', 'https://pythonsite.com/FAQ.html'))
https://pythonsite.com/FAQ.html
>>> print(urljoin('http://www.baidu.com/about.html', 'https://pythonsite.com/FAQ.html'))
https://pythonsite.com/FAQ.html
>>> print(urljoin('http://www.baidu.com/about.html', 'https://pythonsite.com/FAQ.html?question=2'))
https://pythonsite.com/FAQ.html?question=2
>>> print(urljoin('http://www.baidu.com?wd=abc', 'https://pythonsite.com/index.php'))
https://pythonsite.com/index.php
>>> print(urljoin('http://www.baidu.com', '?category=2#comment'))
http://www.baidu.com?category=2#comment
>>> print(urljoin('www.baidu.com', '?category=2#comment'))
www.baidu.com?category=2#comment
>>> print(urljoin('www.baidu.com#comment', '?category=2'))
www.baidu.com?category=2

从拼接的结果我们可以看出,拼接的时候后面的优先级高于前面的url。

urlencode

这个方法可以将字典转换为url参数,例子如下:

from urllib.parse import urlencode
params = {"name":"jamesqiu", "age":19,}
base_url = "http://www.baidu.com?"
url = base_url+urlencode(params)
print(url)

http://www.baidu.com?name=jamesqiu&age=19