爬虫的简单步骤及urllib模块

一. 爬虫的步骤
（1）浏览器向DNS服务器请求解析该URL中的域名所对应的IP地址
（2）解析出IP地址后，根据IP地址和默认端口，和服务器建立TCP连接
（3）浏览器发出读取文件的http请求，该请求报文作为TCP三次握手的第三个报文的数据发送给服务器
（4）服务器对浏览器请求做出响应，并把对应的html文件发送给浏览器
（5）释放TCP连接
（6）浏览器将该HMTL渲染并显示内容

二. urllib库简介
（1）urllib库是python的标准库，提供了一系列用于操作url的功能，是模拟浏览器发送请求的库
（2）Urllib中的模块：
1.Urllib.request:用于打开和读取url
2.urllib.error:包含了request模块中各种错误的模块
3.urllib.parse：用于解析url
4.urllib.robotparse:解析网站robots.txt文件

三. urllib.request模块
1简介：urllib库中HTTP请求模块
2.常用方法：
1）urlopen（）：向服务器发送请求的方法，返回服务器的响应信息（response）
2）response对象方法：
（1）read（）：读取二进制格式网页内容
（2）geturl（）：获取url
（3）getheaders：获取响应头内容
（4）getcode（）：获取响应状态码

四. urllib实现数据采集的步骤
1.导入urllib.request模块
import urllib.request
2.使用urlopen（）方法向服务器发送请求
response = urllib.request.urliopen（url）
3.获取响应数据
html = response .read().decode(网站编码)

五. urllib.parse模块
1.简介：urllib库中对url进行解析的模块
补充说明：url只能由特定的字符组成，字母/数字/下划线，如果出现其它字符，如$/空格/中文等则需对其进行编码
urllib.parse模块 : https://blog.csdn.net/qq_36148847/article/details/79153738
2. urlparse(url) ：对url进行解析
3.url编码函数——quote与unquote：
1）quote（）：对url进行转码，将中文转化为%xxx的格式。
unquote（）：将url中%xxx格式转换为中文
2）urlencode（字典类型）：实现url字符串拼接并对非法字符转码

六. urllib.error模块
1.简介：urllib.error可以接收有urllib.request产生的异常。
2.对应的类：
URLError/HTTPError
URLError是OSError的一个子类，
HTTPError是URLError的一个子类
3.引起URLError常见问题：
1）网络故障导致网络不通
2）服务器连接失败
3）找不到指定服务器，如：url错误
4.模拟URLError举例：
1）url错误——HTTP Error 403: Forbidden
2）断网测试——urlopen error [Error 11001] getaddrinfo failed
注意：当URLError与HTTPError同时捕获异常时，必须将HTTPError写在上面，如果URLError放在前面，出现HTTP异常会先响应URLError，这样HTTPError就捕获不到错误信息了

七. urllib库发送get请求
get请求：在url中显示关键词及对应的数据时，urllib向服务器发送请求使用get方式获取数据。
请求步骤：
1.对url进行解析并按照?进行分割
2.定义字典，将url中？后的属性名和属性值按照字典键值对格式存储在字典中
3.通过urllib中parse模块的urlencode()方法对字典数据进行解析
4.将url与解析后的数据进行拼接生产新的url
5.使用新url向服务器发送请求。

八. urllib库发送post请求
post请求：url中没有显式给出请求参数和参数值，需要使用抓包工具查看请求参数或在network中查看参数详情
请求步骤：
1.在network中的XHR中查看请求方式为post的headers中的Form Data参数。
2.将上面的参数以字典格式存储
3.使用urllib.parse解析库对字典中的数据进行解析
4.向服务器发送请求，将3中解析结果作为urlopen（）中data参数的参数值传入。
5.读取网页数据