爬虫之urllib库

一.urllib库简介

简介

Urllib是Python内置的HTTP请求库。其主要作用就是可以通过代码模拟浏览器发送请求。它包含四个模块：

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，用的比较少

相比Python2与3变化：

其常被用到的子模块在Python3中的为urllib.request和urllib.parse，在Python2中是urllib和urllib2。

Python2: import urllib2 response=urllib2.urlopen(‘http://www.baidu.com’)
Python3: import urllib.request response=urllib.request.urlopen(‘http://www.baidu.com’)

二.使用简介：

parse

用于url解析转换

dic = {'wd': '赵丽颖'}
ps = parse.urlencode(dic)
print(ps)  # wd=%E8%B5%B5%E4%B8%BD%E9%A2%
print(parse.parse_qs(ps))  # {'wd': ['赵丽颖']}

urlopen

这个函数很简单，就是请求一个url的内容。其实这就是爬虫的第一步：网页请求，获取内容。

    urllib.request.urlopen(url,
                           data=None,
                           [timeout] *,
                           cafile=None,
                           capath=None,
                           cadefault=False,
                           context=None)
    # urlopen前三个分别是(网站，网站的数据，超时设置,主要前两个其他不常用)

可以看到，这个函数可以有非常多的参数，前三个用的最多，我们来逐一看看。

1.url参数

import urllib.request
response =urllib.request.urlopen('http://www.baidu.com') #把请求的结果传给response
print(response.read().decode('utf-8'))  #转换成字符串
print(response.read(10).decode('utf-8'))  #只读取10个
print(response.readline().decode('utf-8'))  #只读取一行

在交互模式下执行以上命令就可以打印出百度首页的源代码了。
这是一种GET类型的请求，只传入了一个参数（url）。
下面演示一种POST类型的请求：

2.data参数
示例代码：

import urllib.parse
import urllib.request

data=bytes(urllib.parse.urlencode({'word':'hello'}),encoding='utf8')
#需要传入一个data参数，需要的是bytes类型，这里用了urlencode方法传入一个字典，并指定编码
response=urllib.request.urlopen('http://httpbin.org/post',data=data)
#给urlopen函数传入两个参数，一个是url，一个是data
print(response.read())

（http://httpbin.org/ 是一个HTTP测试页面）
可以看到打印出了一些Json字符串：

我们可以从打印结果看到，我们成功的把’word’:'hello’这个字典通过urlopen函数以POST形式把它传递过去了。这样我们就完成了一个POST的请求。
总结：加了data参数就是以POST形式发送请求，否则就是GET方式了。

3.timeout
再来看看第三个参数：超时时间。如果超过了这个时间没有得到响应的话，就会抛出异常。
示例代码：

import urllib.request
response=urllib.request.urlopen('http://httpbin.org/get',timeout=1)#设置超时时间
print(response.read())

再看另一种情况，我们把超时时间设置为0.1：

import socket
import urllib.request
import urllib.error

try:
response=urllib.request.urlopen('http://httpbin.org/get',timeout=0.1)
#必须在0.1秒内得到响应，否则就会抛出异常
except urllib.error.URLError as e:
if isinstance(e.reason,socket.timeout):#类型判断，如果是超时错误，那么打印
print('TIME OUT')

响应（response）

获取响应类型：type()
示例：

import urllib.request
response =urllib.request.urlopen('https://www.python.org')
print(type(response))#打印响应的类型

通过调用这个方法我们可以看到响应的类型。

状态码、响应头
一个响应里面包含了两个比较有用的信息：状态码和响应头。

以上面提到的http://httpbin.org/ 为例，我们可以在审查中，找到状态码和响应头（上图红框所示）。
这两个信息是判断响应是否成功的非常重要的标志。
在这里我们可以用status参数获取响应的状态码，用getheaders()方法获取响应头。
示例：

import urllib.request

response =urllib.request.urlopen('https://www.python.org')
print(response.status)#状态码
print(response.getheaders())#响应头
print(response.getheader('Server'))#可以取得响应头中特定的信息

另外，关于read（)方法，它获取的是响应体中的内容（bytes形式）

import urllib.request
response =urllib.request.urlopen('https://www.python.org')
print(response.read().decode('utf-8'))#将字节流解码为utf-8

请求（request）

如果我们要在请求中加入别的信息怎么办呢？用上面的urlopen函数是无法满足的。
例如我们要在请求中加上Headers参数，但是urlopen函数中是没有提供这个参数的。
如果我们想要发送一些更为复杂的请求的话，比如加上Headers，怎么办呢？
那么我可以创建一个request对象——使用Request（它也是属于urllib.request模块的）。
来看示例：

import urllib.request
request=urllib.request.Request('https://python.org')#把url构造成一个request对象
response=urllib.request.urlopen(request)#再把request对象传给urlopen
print(response.read().decode('utf-8'))

这样也可以成功实现请求。
有了这样的方法，我们就能更方便地指定请求的方式，还可以加一些额外的数据。
那么现在尝试构造一个POST请求，并且把headers加进来。

from urllib import request,parse
#构造一个POST请求
url='http://httpbin.org/post'
headers={
    'Users-Agent':'..............',
    'Host':'httpbin.org'
}
dic={
    'name':'iron'
}
data=bytes(parse.urlencode(dic),encoding='utf8')#fontdata数据
req=request.Request(url=url,data=data,headers=headers,method='POST')#构建一个Request（）的一个结构
response = request.urlopen(req)
print(response.read().decode('utf-8'))

我们把以上代码写成一个py文件并运行：

可以看到，我们构造的Request包含了之前所提到的信息，请求的时候我们是把Request当成一个整体传递给了urlopen，就可以实现这样的请求了。
好处是整个Request的结构是非常清晰的。
此外还有另外一种实现方式，就是用add_header（）方法,也可以实现相同的效果：

from urllib import request, parse

# 构造一个POST请求
url = 'http://httpbin.org/post'

dic = {
    'name': 'iron'
}
data = bytes(parse.urlencode(dict), encoding='utf8')  # fontdata数据
req = request.Request(url=url, data=data, method='POST')  # 构建一个Request（）的一个结构
req.add_header('User-Angent', '................')
req.add_header('Host', 'httpbin.org')
response = request.urlopen(req)
print(response.read().decode('utf-8'))

add_header() 方法作为添加header的另一种方式，可以用来比较复杂的情况，比如要添加许多键值对，那么可以用一个for循环来不断调用这个方法，这也是比较方便的。

urlretrieve

直接打开url并写到本地

request.urlretrieve('http://www.baidu.com', 'baidu.html')

例如直接下载图片或者视频

url = input('你想下载的视频或图片链接：')

request.urlretrieve(url, 'binfile')

Headler

Headler相当于一个辅助工具，来帮助我们处理一些额外的工作，比如FTP、Cache等等操作，我们都需要借助Headler来实现。比如在代理设置的时候，就需要用到一个ProxyHandler。更多的用法，请参阅官方文档。

1.代理
用来对ip地址进行伪装成不同地域的，防止ip在爬虫运行时被封掉。
示例：

from urllib import request
proxy_handler = request.ProxyHandler( #构建ProxyHandler，传入代理的网址
{'http':'http://127.0.0.1:9743',
'https':'https://127.0.0.1:9743'
}) #实践表明这个端口已经被封了，这里无法演示了

opener = request.build_opener(proxy_handler)#再构建一个带有Handler的opener

response = opener.open('http://www.baidu.com')
print(response.read())

2.Cookie
Cookie是在客户端保存的用来记录用户身份的文本文件。
在爬虫时，主要是用来维护登录状态，这样就可以爬取一些需要登录认证的网页了。

实例演示：

from urllib import request

from http import cookiejar
cookie =cookiejar.CookieJar()#将cookie声明为一个CookieJar对象

handler = request.HTTPCookieProcessor(cookie)

opener = request.build_opener(handler)

response  =opener.open('http://www.baidu.com')#通过opener传入，并打开网页

for item in cookie:#通过遍历把已经赋值的cookie打印出来
    print(item.name+'='+item.value)#通过item拿到每一个cookie并打印

3.Cookie的保存
我们还可以把cookie保存成文本文件，若cookie没有失效，我们可以从文本文件中再次读取cookie，在请求时把cookie附加进去，这样就可以继续保持登录状态了。
示例代码：

from urllib import request
from http import cookiejar

filename="cookie.txt"
cookie=cookiejar.MozillaCookieJar(filename)
#把cookie声明为cookiejar的一个子类对象————MozillaCookieJar，它带有一个save方法，可以把cookie保存为文本文件
handler=request.HTTPCookieProcessor(cookie)
opener=request.build_opener(handler)
response=opener.open('http://www.baidu.com')
cookie.save(ignore_discard=True,ignore_expires=True)#调用save方法

执行代码后，我们就可以在运行目录下找到已经保存好的cookie文本文件了：

还有另外一种格式：
在上面那段代码的基础上，换一个子类对象就可以了：

cookie=cookiejar.LWPCookieJar(filename)

可以看到，这次生了一个不同格式的cookie文本文件：

4.Cookie的读取

我们可以选择相对应的格式来完成读取。以上面的LWP格式为例：

from urllib import request
from http import cookiejar

cookie=cookiejar.LWPCookieJar() #z注意选择相应的格式，这里是LWP
cookie.load('cookie.txt',ignore_discard=True,ignore_expires=True)#load方法是读取的关键
handler=request.HTTPCookieProcessor(cookie)
opener=request.build_opener(handler)
response=opener.open('http://www.baidu.com')
print(response.read().decode('utf-8'))

以上的代码就可以完成读取了。这样，我们就可以在对网页进行请求时，自动把之前的cookie附着进去，以保持一个登录的状态了。

异常处理

这是属于urllib的另一大模块。

rom urllib import request,error

#我们试着访问一个不存在的网址
try:
    response = request.urlopen('http://www.cuiqingcai.com/index.html')
except error.URLError as e:
    print(e.reason)#通过审查可以查到我们捕捉的异常是否与之相符

可以看到，返回了错误信息。这样的异常处理可以保证爬虫在工作时不会轻易中断。
那么，urllib可以捕捉哪些异常呢？详见官方文档。
其实一般碰到有两个：HTTP和URL。我们一般只需要捕捉这两个异常就可以了。

from urllib import request,error

#我们试着访问一个不存在的网址
try:
    response = request.urlopen('http://www.cuiqingcai.com/index.html')
except error.HTTPError as e:#最好先捕捉HTTP异常，因为这个异常是URL异常的子类
    print(e.reason,e.code,e.headers,sep='\n')
except error.URLError as e:
    print(e.reason)
else:
    print('Request Successfully！')

打印出错误的相关信息。
此外，e.reason也是一个类，它可以得到异常的类型。
我们试着看看：

from urllib import request,error
import socket

try:
    response = request.urlopen('http://www.baidu.com',timeout = 0.01)#超时异常
except error.URLError as e:
    print(type(e.reason))
    if isinstance(e.reason,socket.timeout):#判断error类型
        print('TIME OUT')

异常类型被打印出来了，确实是超时异常。

URL解析

这是一个工具性质的模块，即拿即用就行。

1.urlparse
这个方法将将url进行分割，分割成好几个部分，再依次将其复制。

urllib.parse.urlparse(urlstring,scheme='',allow_fragments = True)
#分割成（url，协议类型，和#后面的东西）

来看具体的例子：

from urllib.parse import urlparse

result = urlparse('https://www.baidu.com/s?wd=urllib&ie=UTF-8')
print(type(result),result)  #<class 'urllib.parse.ParseResult'>

#无协议类型指定，自行添加的情况
result1 = urlparse('www.baidu.com/s?wd=urllib&ie=UTF-8',scheme = 'https')
print(result1)

#有指定协议类型，默认添加的情况？
result2 = urlparse('http://www.baidu.com/s?wd=urllib&ie=UTF-8',scheme = 'https')
print(result2)

#allow_fragments参数使用
result3 = urlparse('http://www.baidu.com/s?#comment',allow_fragments = False)

result4 = urlparse('http://www.baidu.com/s?wd=urllib&ie=UTF-8#comment',allow_fragments = False)
print(result3,result4)
#allow_fragments=False表示#后面的东西不能填，原本在fragment位置的参数就会往上一个位置拼接，可以对比result1和result2的区别

从这个例子我们也可以知道，一个url可以分成6个字段。

2.urlunparse（urlparse的反函数）
这个函数用来拼接url。
看看这个例子：

from urllib.parse import urlunparse
#注意即使是空符号也要写进去，不然会出错

data = ['http',  'www.baidu.com', 'index.html','user','a=6' 'comment']
print(urlunparse(data))

3.urljoin

这个函数用来拼合url。
通过例子感受以下：
以后面的参数为基准，会覆盖掉前面的字段。如果后面的url，存在空字段而前面的url有这个字段，就会用前面的作为补充。

from urllib.parse import urljoin
print(urljoin('http://www.baidu.com','FQA.html'))
#http://www.baidu.com/FQA.html

print(urljoin('http://www.baidu.com','http://www.caiqingcai.com/FQA.html'))
#http://www.caiqingcai.com/FQA.html

print(urljoin('https://www.baidu.com/about.html','http://www.caiqingcai.com/FQA.html'))
#http://www.caiqingcai.com/FQA.html

print(urljoin('http://www.baidu.com/about.html','https://www.caiqingcai.com/FQA.html'))
#https://www.caiqingcai.com/FQA.html

4.urlencode
这个函数用来将字典对象转化为get请求参数。

from urllib.parse import urlencode

params = {
'name':'zhuzhu',
'age':''
}

base_url = 'http://www.baidu.com？'

url = base_url+urlencode(params)#将params对象编码转换

print(url)

robotparser

用来解析robot.txt。用的比较少，这里不再赘述。

三.由易到难的爬虫程序：

1.爬取百度首页面所有数据值

 1 #!/usr/bin/env python
 2 # -*- coding:utf-8 -*-
 3 #导包
 4 import urllib.request
 5 import urllib.parse
 6 if __name__ == "__main__":
 7     #指定爬取的网页url
 8     url = 'http://www.baidu.com/'
 9     #通过urlopen函数向指定的url发起请求，返回响应对象
10     reponse = urllib.request.urlopen(url=url)
11     #通过调用响应对象中的read函数，返回响应回客户端的数据值（爬取到的数据）
12     data = reponse.read()#返回的数据为byte类型，并非字符串
13     print(data)#打印显示爬取到的数据值。

#补充说明
urlopen函数原型：urllib.request.urlopen(url, data=None, timeout=<object object at 0x10af327d0>, *, cafile=None, capath=None, cadefault=False, context=None)

在上述案例中我们只使用了该函数中的第一个参数url。在日常开发中，我们能用的只有url和data这两个参数。

url参数：指定向哪个url发起请求
data参数：可以将post请求中携带的参数封装成字典的形式传递给该参数（暂时不需要理解，后期会讲）

urlopen函数返回的响应对象，相关函数调用介绍：
response.headers()：获取响应头信息
response.getcode()：获取响应状态码
response.geturl()：获取请求的url
response.read()：获取响应中的数据值（字节类型）

2.将爬取到百度新闻首页的数据值写入文件进行存储

#!/usr/bin/env python
# -*- coding:utf-8 -*-
import urllib.request
import urllib.parse
if __name__ == "__main__":
    url = 'http://news.baidu.com/'
    reponse = urllib.request.urlopen(url=url)
    #decode()作用是将响应中字节（byte）类型的数据值转成字符串类型
    data = reponse.read().decode()
    #使用IO操作将data表示的数据值以'w'权限的方式写入到news.html文件中
    with open('./news.html','w') as fp:
        fp.write(data)
    print('写入文件完毕')

3.爬取网络上某张图片数据，且存储到本地

#!/usr/bin/env python
# -*- coding:utf-8 -*-
import urllib.request
import urllib.parse
#如下两行代码表示忽略https证书，因为下面请求的url为https协议的请求，如果请求不是https则该两行代码可不用。
import ssl
ssl._create_default_https_context = ssl._create_unverified_context

if __name__ == "__main__":
    #url是https协议的
    url = 'https://timgsa.baidu.com/timg?image&quality=80&size=b9999_10000&sec=1536918978042&di=172c5a4583ca1d17a1a49dba2914cfb9&imgtype=0&src=http%3A%2F%2Fimgsrc.baidu.com%2Fimgad%2Fpic%2Fitem%2F0dd7912397dda144f04b5d9cb9b7d0a20cf48659.jpg'
    reponse = urllib.request.urlopen(url=url)
    data = reponse.read()#因为爬取的是图片数据值(二进制数据)，则无需使用decode进行类型转换。
    with open('./money.jpg','wb') as fp:
        fp.write(data)
    print('写入文件完毕')

　　4.url的特性：

　　url必须为ASCII编码的数据值。所以我们在爬虫代码中编写url时，如果url中存在非ASCII编码的数据值，则必须对其进行ASCII编码后，该url方可被使用。

　　案例：爬取使用百度根据指定词条搜索到的页面数据（例如爬取词条为‘周杰伦’的页面数据）

import urllib.request
import urllib.parse

if __name__ == "__main__":
    #原始url中存在非ASCII编码的值，则该url无法被使用。使用会报错需要转码
    #url = 'http://www.baidu.com/s?ie=utf-8&wd=赵丽颖'
    #处理url中存在的非ASCII数据值
    url = 'http://www.baidu.com/s?'
    #将带有非ASCII的数据封装到字典中，url中非ASCII的数据往往都是'?'后面键值形式的请求参数
    param = {
        'ie':'utf-8',
        'wd':'赵丽颖'
    }
    #使用parse子模块中的urlencode函数将封装好的字典中存在的非ASCII的数值进行ASCII编码
    param = urllib.parse.urlencode(param)
    #将编码后的数据和url进行整合拼接成一个完整可用的url
    url = url + param
    print(url)
    response = urllib.request.urlopen(url=url)
    data = response.read()
    with open('./赵丽颖.html','wb') as fp:
        fp.write(data)
    print('写入文件完毕')

5.通过自定义请求对象，用于伪装爬虫程序请求的身份。

　　　　之前在讲解http常用请求头信息时，我们讲解过User-Agent参数，简称为UA，该参数的作用是用于表明本次请求载体的身份标识。如果我们通过浏览器发起的请求，则该请求的载体为当前浏览器，则UA参数的值表明的是当前浏览器的身份标识表示的一串数据。如果我们使用爬虫程序发起的一个请求，则该请求的载体为爬虫程序，那么该请求的UA为爬虫程序的身份标识表示的一串数据。有些网站会通过辨别请求的UA来判别该请求的载体是否为爬虫程序，如果为爬虫程序，则不会给该请求返回响应，那么我们的爬虫程序则也无法通过请求爬取到该网站中的数据值，这也是反爬虫的一种初级技术手段。那么为了防止该问题的出现，则我们可以给爬虫程序的UA进行伪装，伪装成某款浏览器的身份标识。

　　　　上述案例中，我们是通过request模块中的urlopen发起的请求，该请求对象为urllib中内置的默认请求对象，我们无法对其进行UA进行更改操作。urllib还为我们提供了一种自定义请求对象的方式，我们可以通过自定义请求对象的方式，给该请求对象中的UA进行伪装（更改）操作。

import urllib.request
import urllib.parse

import ssl
ssl._create_default_https_context = ssl._create_unverified_context  # 证书相关

if __name__ == "__main__":
    #原始url中存在非ASCII编码的值，则该url无法被使用。
    #url = 'http://www.baidu.com/s?ie=utf-8&wd=赵丽颖'
    #处理url中存在的非ASCII数据值
    url = 'http://www.baidu.com/s?'
    #将带有非ASCII的数据封装到字典中，url中非ASCII的数据往往都是'?'后面键值形式的请求参数
    param = {
        'ie':'utf-8',
        'wd':'赵丽颖'
    }
    #使用parse子模块中的urlencode函数将封装好的字典中存在的非ASCII的数值进行ASCII编码
    param = urllib.parse.urlencode(param)
    #将编码后的数据和url进行整合拼接成一个完整可用的url
    url = url + param
    #将浏览器的UA数据获取，封装到一个字典中。该UA值可以通过抓包工具或者浏览器自带的开发者工具中获取某请求，从中获取UA的值
    headers={
        'User-Agent' : 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_12_0) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/68.0.3440.106 Safari/537.36'
    }
    #自定义一个请求对象
    #参数：url为请求的url。headers为UA的值。data为post请求的请求参数（后面讲）
    request = urllib.request.Request(url=url,headers=headers)

    #发送我们自定义的请求（该请求的UA已经进行了伪装）
    response = urllib.request.urlopen(request)

    data=response.read()

    with open('./赵丽颖.html','wb') as fp:
        fp.write(data)
    print('写入数据完毕')