爬虫第一篇基本库的使用——urllib
在Python2中有urllib2和urllib3两个库来实现请求的发送,在Pyhon3中则统一为urllib。
urilib包含以下4个模块
request:最基本的请求模块,可以用来实现请求的发送 error:异常处理模块,用于处理异常,使我们的程序不会意外终止 parse:工具模块,提供了URL多种处理方法,拆分,解析与合并 robotparser:用来识别网站的robots.txt文件,判断我们可以爬取哪些网站,哪些不可以
一 request模块使用方法
1.urlopen()
基本HTTP请求构造方法
#模拟浏览器发送请求访问Python官网
import urllib
response = urllib.request.urlopen("http://www.python.org")
print(response.read().decode("utf-8"))
返回结果是一个HTTPResponse类型的对象,主要包含read(),readinto(),getheader(name),getheaders(),fileno()和getcode()方法
主要参数:
url:要请求的地址
data:post请求传送的表单数据
timeout:请求的超时时间
from urllib import parse,request
try:
data = bytes(parse.urlencode({'hello': 'word'}), encoding="utf-8")
response = request.urlopen("http://httpbin.org/post",data=data,timeout=1)
except error.URLError as e:
if isinstance(e.reason,socket.timeout):
print("TIME OUT")
超时时间设置为1秒时输出
{"args":{},"data":"","files":{},"form":{"hello":"word"},"headers":{"Accept-Encoding":"identity","Connection":"close","Content-Length":"","Content-Type":"application/x-www-form-urlencoded","Host":"httpbin.org","User-Agent":"Python-urllib/3.6"},"json":null,"origin":"183.203.223.38","url":"http://httpbin.org/post"}
超时时间设置为0.01秒时捕获异常输出TIME OUT
2.Request
当我们不满足与简单的http请求时,需要使用Request类来创建复杂的http请求
主要参数:
url:要请求的URL
data:要传送的表单数据,需要使用urlencode编码
headers:请求头
origin_req_host:请求方host名称或IP地址
unverifiable:表示这个请求是无法验证的,默认是False,意思就是说用户没有足够的权限来接收这个请求的结果
method:指定请求的方法
from urllib import request,parse data = bytes(parse.urlencode({"name":"sunqi"}),encoding='utf-8')
head = {"User-Agent":"Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/67.0.3396.99 Safari/537.36",
"Host":"httpbin.org"}
req = request.Request('http://httpbin.org/post',data=data,headers=head,origin_req_host="",method="POST")
res = request.urlopen(req)
print(res.read().decode('utf-8'))
{"args":{},"data":"","files":{},"form":{"name":"sunqi"},"headers":{"Accept-Encoding":"identity","Connection":"close","Content-Length":"","Content-Type":"application/x-www-form-urlencoded","Host":"httpbin.org","User-Agent":"Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/67.0.3396.99 Safari/537.36"},"json":null,"origin":"183.203.223.38","url":"http://httpbin.org/post"}
3.高级用法各种handler
HTTPDefaultErrorHandler:用于处理http响应错误,错误都会跑出HTTPError异常
HTTPRedirectHandler:用于处理重定向
HTTPCookieProcessor:用于处理Cookies
ProxyHandler:用于设置代理,默认代理为空
HTTPBasicAuthHandler:用于管理认证,如果一个链接打开时需要认证,那么可以用它来解决认证问题
HTTPPasswordMgr:用于管理密码。它维护了用户名和密码的表
OpenerDirector:可以实现open方法,返回值类型和urlopen方法一样,利用handler来构建opener
HTTPPasswordMgrWithDefaultRealm()
类将创建一个密码管理对象,用来保存 HTTP 请求相关的用户名和密码,主要应用两个场景:
- 验证代理授权的用户名和密码 (
ProxyBasicAuthHandler()
) - 验证Web客户端的的用户名和密码 (
HTTPBasicAuthHandler()
)
- 验证代理授权的用户名和密码 (
(1)爬取需要认证的网站时需要用到认证handler
from urllib.request import HTTPBasicAuthHandler,HTTPPasswordMgrWithDefaultRealm,build_opener
from urllib.error import URLError username = ""
password = ""
url = "http://localhost:5000/"
p = HTTPPasswordMgrWithDefaultRealm()#密码管理类的对象
p.add_password(None,url,username,password)#对象添加密码
auth_handler = HTTPBasicAuthHandler(p)#密码认证实例化认证handler
opener = build_opener(auth_handler) try:
result = opener.open(url)
print(result.status())
html = result.read().decode('utf-8')
print(html) except URLError as e:
print(e.reason)
(2)涉及到Cookies相关处理
获取cookies
import http.cookiejar,urllib.request # 打印输出cookie
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)
存储cookies到文件
ignore_discard:即使cookies将被丢弃也将它保存下来
ignore_expires:如果在该文件中cookies已经存在,则覆盖原文件写入
filename = "cookies_LWP.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)
filename = "cookies_Mozilla.txt" cookie = http.cookiejar.MozillaCookieJar(filename)#Mozilla格式的文件
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)
从文件读取Cookies
cookie = http.cookiejar.LWPCookieJar()
cookie.load("cookies_LWP.txt",ignore_expires=True,ignore_discard=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'))
二 error模块使用用法
1.URLError
来自error模块,是error模块的基类,由request模块产生的异常都可以用它来捕获处理
#URLError
try :
request.urlopen("http://cuiqingcai.com/index.htm")
except error.URLError as e:
print(e.reason)#Not Found
2.HTTPError
URLError的子类,专用于处理HTTP请求的错误
code:返回的HTTP状态码
reason:造成错误的原因
headers:返回的请求头
#HTTPerror URLError的子类
try:
request.urlopen("http://cuiqingcai.com/index.htm")
except error.HTTPError as e:
print(e.code)#状态码
print(e.reason)#错误原因
print(e.headers)#请求头
404
Not Found
Server: nginx/1.10.3 (Ubuntu)
Date: Thu, 19 Jul 2018 01:18:42 GMT
Content-Type: text/html; charset=UTF-8
Transfer-Encoding: chunked
Connection: close
Vary: Cookie
Expires: Wed, 11 Jan 1984 05:00:00 GMT
Cache-Control: no-cache, must-revalidate, max-age=0
Link: <https://cuiqingcai.com/wp-json/>; rel="https://api.w.org/"
运行结果
3.reason返回的不一定是一个字符串,可能是一个类对象
#返回的不是字符串的reason
try:
response = request.urlopen("http://www.baidu.com",timeout=0.01)
except error.HTTPError as e:
print(e.reason,e.headers,e.code)
except error.URLError as e:
print(e.reason)
print(type(e.reason))#e.reason返回的不一定是字符串
if isinstance(e.reason,socket.timeout):
print("TIME OUT")
三 parse模块使用方法
parse提供的方法主要是解析,拆分,合并链接
urlparse():URL识别与分段,将链接拆分为6个部分:协议,域名,路径,参数,查询条件,锚点
unlunparse():URL构造,参数长度必须为6个(上边的六个)
urlsplit():URL拆分,不单独拆分参数部分,将参数部分与路径部分合并到一起
urlunsplit():URL构造,参数长度必须为5(上比的五个)
urljoin():URL拼接,基础链接作为第一个参数,新的链接作为第二个参数
urlencode():将查询条件组成的参数字典序列化为get请求的参数
parse_qs():经get请求URL的参数反序列化为参数字典
parse_qsl():将get请求的参数转化为参数元组组成的列表
quote():将内容编码为URL编码的格式,比如中文
unquote():将URL编码格式转换为内容
from urllib.parse import urlparse # urlprase 解析链接
result = urlparse("http://www.baidu.com/index.html;user?id=5#comment",allow_fragments=True)
print(type(result))
print(result)
'''
<class 'urllib.parse.ParseResult'>
ParseResult(scheme='http', netloc='www.baidu.com', path='/index.html', params='user', query='id=5', fragment='comment')
协议,域名,路径,参数,查询条件,锚点
标准连接格式
schema://netloc/path;params?query#fragment
urlparse(url="",scheme="",allow_fragments=True or False)
设置协议时,如果url没有协议开头,则只用默认协议,如果有协议开头就使用url自身协议
未设置设置allow_fragment选项时锚点与query一组
没有query时,锚点被解析到path中
''' from urllib.parse import urlunparse
# urlunprase 构造链接
data = ("http","www.baidu.com","index.html","user","","")
data = {"schema":'http',"netloc":'www.baidu.com',"path":'index.html',"params":'',"query":'',"fragment":''}
url = urlunparse(data)
print(url)
'''
构造链接,数据结构长度必须为6,列表和元组都可以
''' #urlsplit 链接分割
from urllib.parse import urlsplit
result = urlsplit("http://www.baidu.com/index.html;user?id=5#comment")
print(result)#不单独区分param参数,与path合并 #urlunsplit 构造链接
from urllib.parse import urlunsplit
data = ("http","www.baidu.com","index.html","user","")#要求长度必须为5
url = urlunsplit(data)
print(url) from urllib.parse import urljoin #urljoin 两个链接组合成一个新链接,前者为base_url,后者为给定的url
#base_url 提供协议,域名与路径,当要构造的url没有时会自动补充,否则不补充
print(urljoin("http://www,baidu.com","eg.html"))
#无协议,无域名自动填充 http://www,baidu.com/eg.html
print(urljoin("http://www.baidu.com","//www.sun.com/eg.html"))
#无协议自动填充协议 http://www.sun.com/eg.html
print(urljoin("http://www.baidu.com",'http://www.sun.com/index.html'))
#都有不填充
print(urljoin("http://www.baidu.com/index.html","http:"))
#http://www.baidu.com/index.html
print(urljoin("http://www.baidu.com/index.html?wd=123","http://www.sun.com/index.html"))
#http://www.sun.com/index.html
print(urljoin("http://www.baidu.com/index.html?wd=123#comment","http://www.sun.com/index.php?wd=456#com"))
#http://www.sun.com/index.php?wd=456#com base_url自带的params,query,fragment不起作用 #urlencode 构造get请求
from urllib.parse import urlencode
params = {"name":"sunqi","password":""}
url = "http://www.baidu.com?"+urlencode(params)
print(url)
#http://www.baidu.com?name=sunqi&password=123456 将字典转化为get提交的参数 from urllib.parse import parse_qs,parse_qsl
#反序列化参数为字典和元组
result = urlparse("http://www.baidu.com?name=sunqi&password=123456")
print(result[4])
dic = parse_qs(result[4])#转换为字典{'name': ['sunqi'], 'password': ['123456']}
tu = parse_qsl(result[4])#转换为元组[('name', 'sunqi'), ('password', '123456')]
print(dic)
print(tu) from urllib.parse import quote,unquote
#将字符串转换为URL编码与解码
keyword = "壁纸"
url = "http://www.baidu.com/s?wd="+quote(keyword)
print(url)#http://www.baidu.com/s?wd=%E5%A3%81%E7%BA%B8
print(unquote(url))#http://www.baidu.com/s?wd=壁纸
四 分析robots协议
Robots协议: 也称作爬虫协议,机器人协议,全名叫做网络爬虫排除标准(Robots Exclusion Protocol),用来告诉爬虫和搜索引擎哪些页面可以抓取,哪些不可以。
通常是一个叫做robots.txt的文本文件。如果存在,爬虫就会按照制定的规则爬取页面,如果不存在,搜索爬虫就会访问所有可以直接访问的页面。
样例:
User-agent:*
Disallow:/
Allow:/public/
所有爬虫只能爬取/public/目录下的内容.User-agent对爬虫限制,为*的话对任意爬虫都有效。Disallow指定了不允许爬取的页面,Allow指定了允许爬取的页面
RobotFileParser()类,可以根据一个网站的robots.txt文件来判断一个爬虫是否有权限来爬取这个网页,常用方法:
set_urk():用来设置robots.txt 文件的位置链接
read():用来读取robots.txt 文件并用来分析
parse():解析robots.txt文件,传入的是文件的某些行的内容
can_fetch():传入两个参数,第一个是User-agent,第二个是抓取的URL,用来判断的和是否可以抓取指定的URL,返回布尔值
modified():将当前时间设置为上次抓取和分析robots.txt的时间
from urllib.robotparser import RobotFileParser
from urllib.request import urlopen robot = RobotFileParser()
result = urlopen('http://www.zhihu.com/robots.txt').read().decode('utf-8')
print(result) robot.parse(result) print(robot.can_fetch('*','http://www.zhihu.com/question/29173647/answer/437189494'))#True
print(robot.can_fetch('*','https://www.zhihu.com/signin?next=%2Fexplore'))#True
print(robot.can_fetch('*','http://www.zhihu.com/inbox/7013224000'))#True
response = urlopen('https://www.zhihu.com/inbox/7013224000').read().decode("utf-8")
filename = "zhuhi_inbox.html"
with open(filename,"w") as f:
f.write(response)
User-agent: Googlebot
Disallow: /login
Disallow: /logout
Disallow: /resetpassword
Disallow: /terms
Disallow: /search
Disallow: /notifications
Disallow: /settings
Disallow: /inbox
Disallow: /admin_inbox
Disallow: /*?guide* User-agent: Googlebot-Image
Disallow: /login
Disallow: /logout
Disallow: /resetpassword
Disallow: /terms
Disallow: /search
Disallow: /notifications
Disallow: /settings
Disallow: /inbox
Disallow: /admin_inbox
Disallow: /*?guide* User-agent: Baiduspider-news
Disallow: /login
Disallow: /logout
Disallow: /resetpassword
Disallow: /terms
Disallow: /search
Disallow: /notifications
Disallow: /settings
Disallow: /inbox
Disallow: /admin_inbox
Disallow: /*?guide* User-agent: Baiduspider
Disallow: /login
Disallow: /logout
Disallow: /resetpassword
Disallow: /terms
Disallow: /search
Disallow: /notifications
Disallow: /settings
Disallow: /inbox
Disallow: /admin_inbox
Disallow: /*?guide* User-agent: Baiduspider-image
Disallow: /login
Disallow: /logout
Disallow: /resetpassword
Disallow: /terms
Disallow: /search
Disallow: /notifications
Disallow: /settings
Disallow: /inbox
Disallow: /admin_inbox
Disallow: /*?guide* User-agent: Sosospider
Disallow: /login
Disallow: /logout
Disallow: /resetpassword
Disallow: /terms
Disallow: /search
Disallow: /notifications
Disallow: /settings
Disallow: /inbox
Disallow: /admin_inbox
Disallow: /*?guide* User-agent: bingbot
Disallow: /login
Disallow: /logout
Disallow: /resetpassword
Disallow: /terms
Disallow: /search
Disallow: /notifications
Disallow: /settings
Disallow: /inbox
Disallow: /admin_inbox
Disallow: /*?guide* User-agent: 360Spider
Disallow: /login
Disallow: /logout
Disallow: /resetpassword
Disallow: /terms
Disallow: /search
Disallow: /notifications
Disallow: /settings
Disallow: /inbox
Disallow: /admin_inbox
Disallow: /*?guide* User-agent: HaosouSpider
Disallow: /login
Disallow: /logout
Disallow: /resetpassword
Disallow: /terms
Disallow: /search
Disallow: /notifications
Disallow: /settings
Disallow: /inbox
Disallow: /admin_inbox
Disallow: /*?guide* User-agent: yisouspider
Disallow: /login
Disallow: /logout
Disallow: /resetpassword
Disallow: /terms
Disallow: /search
Disallow: /notifications
Disallow: /settings
Disallow: /inbox
Disallow: /admin_inbox
Disallow: /*?guide* User-agent: YoudaoBot
Disallow: /login
Disallow: /logout
Disallow: /resetpassword
Disallow: /terms
Disallow: /search
Disallow: /notifications
Disallow: /settings
Disallow: /inbox
Disallow: /admin_inbox
Disallow: /*?guide* User-agent: Sogou Orion spider
Disallow: /login
Disallow: /logout
Disallow: /resetpassword
Disallow: /terms
Disallow: /search
Disallow: /notifications
Disallow: /settings
Disallow: /inbox
Disallow: /admin_inbox
Disallow: /*?guide* User-agent: Sogou News Spider
Disallow: /login
Disallow: /logout
Disallow: /resetpassword
Disallow: /terms
Disallow: /search
Disallow: /notifications
Disallow: /settings
Disallow: /inbox
Disallow: /admin_inbox
Disallow: /*?guide* User-agent: Sogou blog
Disallow: /login
Disallow: /logout
Disallow: /resetpassword
Disallow: /terms
Disallow: /search
Disallow: /notifications
Disallow: /settings
Disallow: /inbox
Disallow: /admin_inbox
Disallow: /*?guide* User-agent: Sogou spider2
Disallow: /login
Disallow: /logout
Disallow: /resetpassword
Disallow: /terms
Disallow: /search
Disallow: /notifications
Disallow: /settings
Disallow: /inbox
Disallow: /admin_inbox
Disallow: /*?guide* User-agent: Sogou inst spider
Disallow: /login
Disallow: /logout
Disallow: /resetpassword
Disallow: /terms
Disallow: /search
Disallow: /notifications
Disallow: /settings
Disallow: /inbox
Disallow: /admin_inbox
Disallow: /*?guide* User-agent: Sogou web spider
Disallow: /login
Disallow: /logout
Disallow: /resetpassword
Disallow: /terms
Disallow: /search
Disallow: /notifications
Disallow: /settings
Disallow: /inbox
Disallow: /admin_inbox
Disallow: /*?guide* User-agent: EasouSpider
Request-rate: 1/2 # load 1 page per 2 seconds
Crawl-delay: 10
Disallow: /login
Disallow: /logout
Disallow: /resetpassword
Disallow: /terms
Disallow: /search
Disallow: /notifications
Disallow: /settings
Disallow: /inbox
Disallow: /admin_inbox
Disallow: /*?guide* User-agent: MSNBot
Request-rate: 1/2 # load 1 page per 2 seconds
Crawl-delay: 10
Disallow: /login
Disallow: /logout
Disallow: /resetpassword
Disallow: /terms
Disallow: /search
Disallow: /notifications
Disallow: /settings
Disallow: /inbox
Disallow: /admin_inbox
Disallow: /*?guide* User-Agent: *
Disallow: /
知乎robots.txt 文件内容
爬虫第一篇基本库的使用——urllib的更多相关文章
- 爬虫第一篇:爬虫详解之urllib.request模块
我将urllib.request 的GET请求和POST请求两种方法做了总结 GET请求 GET请求爬取: import urllib.request import urllib.parse head ...
- nodejs爬虫第一篇---> request、cheerio实现小爬虫
目标 抓取猫眼正在热映的电影页面的数据,使用的第三方模块 request.cheerio. 说明 有时候我们需要做一些项目或者demo,我们需要一些数据,我们就可以利用爬虫,爬取一些我们想要的数据.个 ...
- 简单的抓取淘宝关键字信息、图片的Python爬虫|Python3中级玩家:淘宝天猫商品搜索爬虫自动化工具(第一篇)
Python3中级玩家:淘宝天猫商品搜索爬虫自动化工具(第一篇) 淘宝改字段,Bugfix,查看https://github.com/hunterhug/taobaoscrapy.git 由于Gith ...
- Python爬虫小白入门(四)PhatomJS+Selenium第一篇
一.前言 在上一篇博文中,我们的爬虫面临着一个问题,在爬取Unsplash网站的时候,由于网站是下拉刷新,并没有分页.所以不能够通过页码获取页面的url来分别发送网络请求.我也尝试了其他方式,比如下拉 ...
- (python3爬虫实战-第一篇)利用requests+正则抓取猫眼电影热映口碑榜
今天是个值得纪念了日子,我终于在博客园上发表自己的第一篇博文了.作为一名刚刚开始学习python网络爬虫的爱好者,后期本人会定期发布自己学习过程中的经验与心得,希望各位技术大佬批评指正.以下是我自己做 ...
- android调用第三方库——第一篇 (转载)
转自:http://blog.csdn.net/jiuyueguang/article/details/9447245 版权声明:本文为博主原创文章,未经博主允许不得转载. 0:前言: 这两天一直在研 ...
- 网络爬虫入门:你的第一个爬虫项目(requests库)
0.采用requests库 虽然urllib库应用也很广泛,而且作为Python自带的库无需安装,但是大部分的现在python爬虫都应用requests库来处理复杂的http请求.requests库语 ...
- python 3.x 爬虫基础---常用第三方库(requests,BeautifulSoup4,selenium,lxml )
python 3.x 爬虫基础 python 3.x 爬虫基础---http headers详解 python 3.x 爬虫基础---Urllib详解 python 3.x 爬虫基础---常用第三方库 ...
- Python爬虫与数据分析之爬虫技能:urlib库、xpath选择器、正则表达式
专栏目录: Python爬虫与数据分析之python教学视频.python源码分享,python Python爬虫与数据分析之基础教程:Python的语法.字典.元组.列表 Python爬虫与数据分析 ...
随机推荐
- POJ2686 Traveling by Stagecoach(状压DP)
题意: 有一个旅行家计划乘马车旅行.他所在的国家里共有m个城市,在城市之间有若干道路相连.从某个城市沿着某条道路到相邻的城市需要乘坐马车.而乘坐马车需要使用车票,每用一张车票只可以通过一条道路.每张车 ...
- css属性 盒子模型
一. css属性相关 1.宽和高 1.width可以为元素设置宽度 2. height可以为元素设置高度 3.只有块级标签才可以设置宽度和高度,内联标签并不能设置宽度和高度,及时设置了也不 ...
- shell编程上
1.1 前言 1.1.1 为什么学Shell Shell脚本语言是实现Linux/UNIX系统管理及自动化运维所必备的重要工具, Linux/UNIX系统的底层及基础应用软件的核心大都涉及Shel ...
- UVA - 213解题报告
题目链接:https://cn.vjudge.net/problem/UVA-213 Sample input TNM AEIOU 0010101100011 1010001001110110011 ...
- java——哈希表 HashTable
在一个类中重写hashCode()和equals() package Date_pacage.hash; public class Student { private int grade; priva ...
- my.副本
梦幻西游手游 天蓬下凡 副本 第三关:天蓬终于决定要告白了,主怪大唐,护卫狮驼岭,帮凶是龙宫,打过这关也很简单. 第四关:康太尉找来了天兵,怪仍然是有法有攻,但是打起来也是不难. ZC: 姚太尉是物理 ...
- 关系型数据库---MySQL---对中文字段排序
1.对中文进行排序时会发生错误,原因是使用的字符集不是中文的字符集: 解决:CONVERT函数 SELECT a.id,a.`name`,a.ch_name FROM `user` a ORDER B ...
- Boxes in a Line UVA - 12657 (双向链表)
题目链接:https://vjudge.net/problem/UVA-12657 题目大意:输入n,m 代表有n个盒子 每个盒子最开始按1~n排成一行 m个操作, 1 x y :把盒子x放到y ...
- Python3实现计算BMI指数,跟我一起来计算你的BMI吧
废话不多说,直接上程序哈: name=input('Name:') height=input('Height(m):') weight=input('Weight(kg):') BMI=float(f ...
- ruby逻辑判断符号
puts true and false #相当于 (puts true) and false Use &&/|| for boolean expressions, and/or fo ...