python爬虫基础之urllib

urllib

urllib 是 Python 标准库中用于网络请求的库。该库有四个模块，分别是urllib.request，urllib.error，urllib.parse，urllib.robotparser。

• 获取网页源码：urllib.request.urlopen(url)

• 数据需要字符串类型:decode('utf-8')

• 数据需要bytes类型：encode('utf-8')

• 网址拼接参数有汉字的，对汉字进行转义：urllib.parse.quote(url,safe=string.printable)

• 拼接多个参数的：用字典来添加参数：

  params = {
      'wd': '中文',
      'key': 'hello',
      'value': 'world'
  }
  

• 对参数中包含汉字的进行转译：str_params = urllib.parse.urlencode(params)

• 添加header

  • 创建请求对象：urllib.request.Request(url)

  • 添加header：

    request.add_header("User-Agent","Mozilla/5.0 (Macintosh; Intel Mac OS X 10_13_2) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/69.0.3497.100 Safari/537.36")
    

• 选择User-Agent,模拟浏览器进行爬虫

  • 添加agent_list数组

    user_agent_list = [
        "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/535.1 (KHTML, like Gecko) Chrome/14.0.835.163 Safari/535.1",
        "Mozilla/5.0 (Windows NT 6.1; WOW64; rv:6.0) Gecko/20100101 Firefox/6.0",
        "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/534.50 (KHTML, like Gecko) Version/5.1 Safari/534.50",
        "Opera/9.80 (Windows NT 6.1; U; zh-cn) Presto/2.9.168 Version/11.50"
    
    ]
    

  • 利用random选择agent_list数组中的一个random_user_agent = random.choice(user_agent_list)

  • 请求url：request = urllib.request.Request(url)

  • 添加User-Agent信息:request.add_header("User-Agent",random_user_agent)

  • 获取网页源码：response = urllib.request.urlopen(request)

利用urllib实现代理功能

原因：系统的urllib并没有添加代理的功能所以需要我们自己定义这个功能

• 创建自己handler：handler = urllib.request.HTTPHandler()

• 创建自己的openner：openner = urllib.request.build_opener(handler)

• 用自己的openner请求数据：response = openner.open(url)

• 添加代理

  • 添加代理：

    proxy = {
        "http": "127.0.0.1:80"
    }
    

  • 创建代理handler：proxy_handler = urllib.request.ProxyHandler(proxy)

  • 创建代理openner：openner = urllib.request.build_opener(proxy_handler)

  • 利用代理openner请求数据：response = openner.open(url)