Python爬虫，get方法的封装

大家经常使用Python3的urllib库进行get请求，得到数据，来封装爬虫的行为。下面封装了一个方法供大家参考使用：

这里比较规范的使用了工程化的思想，考虑了日志的编写；爬虫发送get请求时，则考虑了UA等http request head部分的设置；并且支持代理服务器的信息处理；返回的状态码不是200时的处理；并且考虑了超时问题，及网页的编码问题

import sys
import logging
import urllib
import random
import time
import socket

timeout = 15    
socket.setdefaulttimeout(timeout)#这里对整个socket层设置超时时间。后续文件中如果再使用到socket，不必再设置 

# 创建日志的实例
logger = logging.getLogger("basicSpider")

# 定制Logger的输出格式
formatter = logging.Formatter("%(asctime)s %(levelname)s %(message)s")

# 创建日志:文件日志，终端日志
file_handler = logging.FileHandler('basicSpider.log')
file_handler.setFormatter(formatter)

consle_handler = logging.StreamHandler(sys.stdout)
consle_handler.setFormatter(formatter)

# 设置默认的日志级别
logger.setLevel(logging.INFO)

# 把文件日志和终端日志添加到日志处理器中
logger.addHandler(file_handler)
logger.addHandler(consle_handler)

PROXY_RANGE_MIN = 1
PROXY_RANGE_MAX = 10
PROXY_RANGE = 10
NUM = 10

def downloadHtml(url, headers=[],
                 proxy={}, num_retries=NUM,
                 timeout=NUM, decodeInfo="utf-8"):
    """
    爬虫的get请求，考虑了UA等http request head部分的设置；
    支持代理服务器的信息处理；
    返回的状态码不是200，这时怎么处理；
    考虑超时问题，及网页的编码问题
    """
    html = None
    
    if num_retries <= 0:
        return html
        
    # 一般来说，使用UA池和Proxy池相结合的方式来访问某个页面，会
    #更加的不容易被反爬。
    
    # 动态的调整代理服务器的使用策略
    if random.randint(PROXY_RANGE_MIN,PROXY_RANGE_MAX) > PROXY_RANGE: 
        logger.info("No Proxy")
        proxy = None 
    
    proxy_handler = urllib.request.ProxyHandler(proxy)
    # 替换handler，以实现可以处理Proxy
    opener = urllib.request.build_opener(proxy_handler)
    # 把opener装载进urllib库中，准备使用
    opener.addheaders = headers
    urllib.request.install_opener(opener)
    
    try:
        response = urllib.request.urlopen(url)
        html = response.read().decode(decodeInfo)
    except UnicodeDecodeError:
        logger.error("UnicodeDecodeError")
    except urllib.error.URLError or \
           urllib.error.HTTPError as e:
               logger.error("urllib error %s"%e.__str__)
               if hasattr(e,'code') and 400 <= e.code < 500:
                   logger.error("Client Error %d"%e.code) # 客户端问题，通过分析日志来跟踪
               elif hasattr(e,'code') and 500 <= e.code < 600:
                   html = downloadHtml(url,
                                       headers,
                                       proxy,
                                       timeout,
                                       decodeInfo,
                                       num_retries-1)
                   time.sleep(PROXY_RANGE)# 休息的时间可以自己定义一个策略
    except Exception as e:
       logger.error("Download error reson is %s"%e.reson)
       urllib.request.close()#记得要关闭             
    return html
    
if __name__ == "__main__":
    url = "http://www.sina.com.cn"
    headers = [("User-Agent","Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/66.0.3359.181 Safari/537.36")]     # 注意：这里的UA和Proxy可以根据自己的需求来改变，也可以对它们使用池来随机取值
    proxy = {"http":"182.129.243.84:9000"}
    
    print(downloadHtml(url, headers, proxy))

logger.removeHandler(file_handler)
logger.removeHandler(consle_handler) 
--------------------- 
作者：quickzhao3223 
来源：CSDN 
原文：https://blog.csdn.net/quickzhao3223/article/details/80504120 
版权声明：本文为博主原创文章，转载请附上博文链接！