python爬虫之urllib,伪装,超时设置,异常处理

Urllib

1. Urllib.request.urlopen().read().decode()
   返回一个二进制的对象，对这个对象进行read()操作，可以得到一个包含网页的二进制字符串，然后用decode()解码成html源码
2. urlretrieve()
   将一个网页爬取到本地
3. urlclearup()
   清除 urlretrieve()所产生的缓存
4. info()
   返回一个httpMessage对象，表示远程服务器的头信息
5. getcode()
   获取当前网页的状态码 200代表成功，404网页未找到
6. geturl()
   获取当前爬取页面的网址

示例:

from urllib import request
# urlretrieve()  -- 将一个网页爬取到本地
request.urlretrieve("http://www.baidu.com",filename="demo.html")

# urlclearup()  -- 清除urlretrieve()所产生的缓存
request.urlcleanup()

# info() -- 返回一个httpMessage对象,表示远程服务器的头信息
data = request.urlopen("http://www.taobao.com")
print(data.info())

# getcode() -- 获取当前网页的状态码data.geturl()
print(data.getcode())

# 获取当前爬取页面的网址
print(data.geturl())

运行结果：

Server: Tengine
Date: Wed, 09 May 2018 09:55:16 GMT
Content-Type: text/html; charset=utf-8
Transfer-Encoding: chunked
Connection: close
Vary: Accept-Encoding
X-Snapshot-Age: 1
Content-MD5: tkjcPUrHBAIt2N/YXcuwZg==
Vary: Ali-Detector-Type, X-CIP-PT
Cache-Control: max-age=0, s-maxage=89
ETag: W/"29b8-16340528168"
Via: cache22.l2cm9[0,304-0,H], cache17.l2cm9[0,0], cache1.cn372[0,200-0,H], cache2.cn372[1,0]
Age: 70
X-Cache: HIT TCP_MEM_HIT dirn:-2:-2 mlen:-1
X-Swift-SaveTime: Wed, 09 May 2018 09:54:59 GMT
X-Swift-CacheTime: 36
Timing-Allow-Origin: *
EagleId: 3c1cf2e515258597167937091e
Set-Cookie: thw=cn; Path=/; Domain=.taobao.com; Expires=Thu, 09-May-19 09:55:16 GMT;
Strict-Transport-Security: max-age=31536000


200
https://www.taobao.com/

超时设置(timeout)

由于在实际的爬取过程中，部分网站可能访问过慢，影响性能，这时我们可设置超时访问.

示例： 如果在指定时间内正常访问，即输出获取数据的长度，如果超出指定时间，则抛出异常.

for i in range(0,10):
    try:
        data = urllib.request.urlopen("http://www.baidu.com",timeout=0.05).read()
        print(len(data))
    except Exception as e:
        print("出现异常:"+str(e))

运行结果:

114980
114888
114809
114839
114824
114611
出现异常:<urlopen error timed out>
出现异常:<urlopen error timed out>
出现异常:<urlopen error timed out>
115003

伪装

在爬取过程中，可能部分网站限制浏览器访问所以为了顺利达到我们的目的，我们对自己进行伪装.
这里我们介绍一下浏览器的伪装技术.

普通爬取：

from urllib import request
file = request.urlopen("http://www.baidu.com").read().decode()

通过浏览器伪装爬取数据：

方式一：

from urllib import request  
url = "http://www.baidu.com"  
headers = ("User-Agent"," Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/66.0.3359.139 Safari/537.36")  #这里模拟浏览器  
opener = request.build_opener()  
opener.addheaders = [headers]
data = opener.open(url).read()
print(data)

方式二:

from urllib import request  
url = "http://www.baidu.com"  
headers = ("User-Agent"," Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/66.0.3359.139 Safari/537.36")  #这里模拟浏览器  
opener = request.build_opener()  
opener.addheaders = [headers]
request.install_opener(opener)
data = request.urlopen(url).read().decode("utf-8")
print(data)

方式三:

from urllib import request  
url = "http://www.baidu.com"  
headers = {}"User-Agent":" Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/66.0.3359.139 Safari/537.36"}  #这里模拟浏览器,通过字典
req = request.Request(url=rul,headers=headers)
data = request.urlopen(req).read().decode("utf-8")
print(data)

异常处理

爬虫在运行过程中,可能会出现各种各样的问题，如果没有异常处理的话,爬出异常会直接崩溃停止运行，下次再运行的时候,爬虫又要重头开始，所以我们要开发的是一个具有顽强生命力的爬虫，必须要进行异常的处理.

常见异常示例:

301 重定向
403 禁止访问
404 没有找到页面
500 服务器内部出现问题
200 成功

python中有两个异常处理的类:URLError与HttpError

HttpError 是 URLError子类
    HttpError 有异常状态码和异常原因
    URLError  只有异常原因,没有异常状态码
    所以,在异常处理的时候,不能使用URLError来代替
    如果想要代替,必须要进行判断,判断是否有状态码属性

    会产生URLError的情况:
        1.连接不上服务器
        2.远程的url不存在
        3.本地网络
        4.HttpError(是子类,也会出发会产生URLError

格式如下：

from urllib import error,request
try: # 可能会出现异常的代码

    data = request.urlopen("http://www.aliyu.com").read()
    print(data)

except error.URLError as e:  # 进行异常的处理

    if hasattr(e,"code"): # 判断是否有状态码

        print(e.code)  # 状态码

    if hasattr(e,"reason"): # 判断是否有异常原因

        print(e.reason) # 异常原因