python 爬虫之 urllib 实践

文章更新于：2020-03-19

注：本文参考官方文档进行 urllib 的讲解。

文章目录

一、urllib 模块介绍

1、urllib.request.py模块

(1)`urlopen`函数
(2) `Request`函数
(3) `ProxyHandler(proxies=None)`函数

2、urllib.error.py模块
3、urllib.parse.py模块
4、urllib.robotparser.py模块

二、模块的使用

1、获取网页内容1
2、获取网页内容2
3、使用基本的 HTTP 认证
4、添加 headers
5、使用参数
6、使用代理
7、响应码
8、处理异常

三、总结

1、urllib.request.urlopen()
2、添加表单数据
3、获取响应信息
4、保存数据
5、处理异常

四、Enjoy！

一、urllib 模块介绍

urllib 主要有以下四大模块用于处理URL。

1、urllib.request.py模块

注1：Request Objects有以下属性：full_url、type、host、origin_req_host、selector、data、unverifiable、method

注2：Request Objects有以下方法：·get_method()、add_header(key,val)、add_unredirected_header(key,header)、has_header(header)、remove_header(header)、get_full_url()、set_proxy(host,type)、get_header(header_name,default=None)、header_items()

注3：以上属性或方法，可以在定义一个Request对象后调用。

(1)`urlopen`函数

urllib.request.urlopen(url, data=None, timeout=socket._GLOBAL_DEFAULT_TIMEOUT,

           		 *, cafile=None, capath=None, cadefault=False, context=None)

注1：用于打开一个url，可以是一个网址字符串，也可以是一个Request对象。

注2：它返回的http.client.HTTPResponse或urllib.response.addinfourl对象具有以下方法：

注3：geturl()方法：通常用于查看返回资源的URL，确定是否被重定向。

注4：info()方法：返回页面的元信息，比如headers。

注5：getcode（）方法：返回http的响应码。

(2) `Request`函数

urllib.request.Request(url, data=None, headers={}, origin_req_host=None,

									 unverifiable=False, method=None)¶

注1：url应该是一个有效的网址字符串。

注2：data是要发送给服务器的数据对象。

注3：如果是post方法，data应该是application/x-www-form-urlencoded格式。

注4：headers应该是一个字典。

(3) `ProxyHandler(proxies=None)`函数

注1：用于设置代理。

注2：端口号:port可选。

2、urllib.error.py模块

此模块下有URLError、HTTPError和ContentTooShortError(msg,content)。

3、urllib.parse.py模块

这个模块是用来处理URL的，可以分解拼接URL。

通常来说，一个URL可以分为6部分，比如说：scheme://netloc/path;parameters?query#fragment

每部分都是一个字符串，有些可以为空，但这6块都是不可再分的最小单位。

6个参数的解释如下：

4、urllib.robotparser.py模块

二、模块的使用

1、获取网页内容1

>>> import urllib.request

>>> with urllib.request.urlopen('http://www.python.org/') as f:

...     print(f.read(300))

...

b'<!DOCTYPE html PUBLIC "-//W3C//DTD XHTML 1.0 Transitional//EN"

"http://www.w3.org/TR/xhtml1/DTD/xhtml1-transitional.dtd">\n\n\n<html

xmlns="http://www.w3.org/1999/xhtml" xml:lang="en" lang="en">\n\n<head>\n

<meta http-equiv="content-type" content="text/html; charset=utf-8" />\n

<title>Python Programming '

注1：如果是输出中文，这里的f.read(300)要改为f.read(300).decode('utf-8')才可以。

注2：因为urlopen返回的是字节对象，它无法自动转换编码，所以中文的话，手动来一下即可正常显示。

import urllib.request

url = "http://www.baidu.com/"

response = urllib.request.urlopen(url)

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

注1：response 只能read一次（只print也算），再次read为空。

注2：如果只输出response,而不read()，那么输出的结果是这样的：

2、获取网页内容2

注：当然你还可以使用下面这种方法。

>>> import urllib.request

>>> f = urllib.request.urlopen('http://www.python.org/')

>>> print(f.read(100).decode('utf-8'))

<!DOCTYPE html PUBLIC "-//W3C//DTD XHTML 1.0 Transitional//EN"

"http://www.w3.org/TR/xhtml1/DTD/xhtm

3、使用基本的 HTTP 认证

import urllib.request

# Create an OpenerDirector with support for Basic HTTP Authentication...

auth_handler = urllib.request.HTTPBasicAuthHandler()

auth_handler.add_password(realm='PDQ Application',

                          uri='https://mahler:8092/site-updates.py',

                          user='klem',

                          passwd='kadidd!ehopper')

opener = urllib.request.build_opener(auth_handler)

# ...and install it globally so it can be used with urlopen.

urllib.request.install_opener(opener)

urllib.request.urlopen('http://www.example.com/login.html')

4、添加 headers

import urllib.request

req = urllib.request.Request('http://www.example.com/')

req.add_header('Referer', 'http://www.python.org/')

# Customize the default User-Agent header value:

req.add_header('User-Agent', 'urllib-example/0.1 (Contact: . . .)')

r = urllib.request.urlopen(req)

5、使用参数

>>> import urllib.request

>>> import urllib.parse

>>> data = urllib.parse.urlencode({'spam': 1, 'eggs': 2, 'bacon': 0})

>>> data = data.encode('ascii')

>>> with urllib.request.urlopen("http://requestb.in/xrbl82xr", data) as f:

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

...

6、使用代理

>>> import urllib.request

>>> proxies = {'http': 'http://proxy.example.com:8080/'}

>>> opener = urllib.request.FancyURLopener(proxies)

>>> with opener.open("http://www.python.org") as f:

...     f.read().decode('utf-8')

...

7、响应码

响应码	说明
100	(‘Continue’, ‘Request received, please continue’)
101	(‘Switching Protocols’, ‘Switching to new protocol; obey Upgrade header’)
200	(‘OK’, ‘Request fulfilled, document follows’)
201	(‘Created’, ‘Document created, URL follows’)
202	(‘Accepted’, ‘Request accepted, processing continues off-line’)
203	(‘Non-Authoritative Information’, ‘Request fulfilled from cache’)
204	(‘No Content’, ‘Request fulfilled, nothing follows’)
205	(‘Reset Content’, ‘Clear input form for further input.’)
206	(‘Partial Content’, ‘Partial content follows.’)
300	(‘Multiple Choices’, ‘Object has several resources – see URI list’)
301	(‘Moved Permanently’, ‘Object moved permanently – see URI list’)
302	(‘Found’, ‘Object moved temporarily – see URI list’)
303	(‘See Other’, ‘Object moved – see Method and URL list’)
304	(‘Not Modified’, ‘Document has not changed since given time’)
305	(‘Use Proxy’, ‘You must use proxy specified in Location to access this resource.’)
307	(‘Temporary Redirect’, ‘Object moved temporarily – see URI list’)
400	(‘Bad Request’, ‘Bad request syntax or unsupported method’)
401	(‘Unauthorized’, ‘No permission – see authorization schemes’)
402	(‘Payment Required’, ‘No payment – see charging schemes’)
403	(‘Forbidden’, ‘Request forbidden – authorization will not help’)
404	(‘Not Found’, ‘Nothing matches the given URI’)
405	(‘Method Not Allowed’, ‘Specified method is invalid for this server.’)
406	(‘Not Acceptable’, ‘URI not available in preferred format.’)
407	(‘Proxy Authentication Required’, ‘You must authenticate with this proxy before proceeding.’)
408	(‘Request Timeout’, ‘Request timed out; try again later.’)
409	(‘Conflict’, ‘Request conflict.’)
410	(‘Gone’, ‘URI no longer exists and has been permanently removed.’)
411	(‘Length Required’, ‘Client must specify Content-Length.’)
412	(‘Precondition Failed’, ‘Precondition in headers is false.’)
413	(‘Request Entity Too Large’, ‘Entity is too large.’)
414	(‘Request-URI Too Long’, ‘URI is too long.’)
415	(‘Unsupported Media Type’, ‘Entity body in unsupported format.’)
416	(‘Requested Range Not Satisfiable’, ‘Cannot satisfy request range.’)
417	(‘Expectation Failed’, ‘Expect condition could not be satisfied.’)
500	(‘Internal Server Error’, ‘Server got itself in trouble’)
501	(‘Not Implemented’, ‘Server does not support this operation’)
502	(‘Bad Gateway’, ‘Invalid responses from another server/proxy.’)
503	(‘Service Unavailable’, ‘The server cannot process the request due to a high load’)
504	(‘Gateway Timeout’, ‘The gateway server did not receive a timely response’)
505	(‘HTTP Version Not Supported’, ‘Cannot fulfill request.’)

8、处理异常

from urllib.request import Request, urlopen

from urllib.error import URLError, HTTPError

req = Request(someurl)

try:

    response = urlopen(req)

except HTTPError as e:

    print('The server couldn\'t fulfill the request.')

    print('Error code: ', e.code)

except URLError as e:

    print('We failed to reach a server.')

    print('Reason: ', e.reason)

else:

    # everything is fine

    ```

###  9、异常处理2

```python

from urllib.request import Request, urlopen

from urllib.error import URLError

req = Request(someurl)

try:

    response = urlopen(req)

except URLError as e:

    if hasattr(e, 'reason'):

        print('We failed to reach a server.')

        print('Reason: ', e.reason)

    elif hasattr(e, 'code'):

        print('The server couldn\'t fulfill the request.')

        print('Error code: ', e.code)

else:

    # everything is fine

三、总结

1、urllib.request.urlopen()

import urllib.request

url = "http://www.csdn.net/"

req = urllib.request.urlopen(url)

req.add_header('Referer','http://www.csdn.net')

req.add_header('User-Agent','chrome')

response = urllib.request.urlopen(req)

print(response.read(2000).decode('utf-8')

2、添加表单数据

import urllib.parse

import urllib.request

url = "http://httpbin.org/post"

data = bytes(urllib.parse.urlencode({'hello':'world'}),encoding='utf-8')

response = urllib.request.urlopen(url,data=data)

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

3、获取响应信息

import urllib.request

url = "http://httpbin.org/"

response = urllib.request.urlopen(url)

response.info()

response.getcode()

response.geturl()

4、保存数据

如果是保存 HTML：

import urllib.request

url = "http://httpbin.org/"

response = urllib.request.urlopen(url)

data = response.read()

with open("file.html","wb")as file:

	file.write(data)

·

如果是保存图片等数据：

import urllib.request

url = "http://csdn.net/favicon.ico"

response = urllib.request.urlopen(url)

data = response.read()

with open("file.png","wb")as file:

	file.write(data)

另外一种方法,（注意路径要存在）：

import urllib.request

url = "http://csdn.net/"

urllib.request.urlretrieve(url,filename=r"d:\test\index.html")

也可以用变量接收这个语句的返回值，类型是数组，可以输出数据。

5、处理异常

>>>import urllib.request

>>> for i in range(10):

	try:

		file = urllib.request.urlopen("http://zhihu.com",timeout=0.2)

		data = file.read()

		print(len(data))

	except Exception as e:

		print("有异常:"+str(e))

四、Enjoy！