Python urllib与requests、XML和HTMLParser

参考链接：https://www.liaoxuefeng.com/wiki/1016959663602400/1019223241745024

Python 的内建模块urllib提供了一系列用于操作url的方法

　　Get

　　urllib的request可以非常方便的抓取URL的内容，通过GET发送一个请求到指定页面，然后返回HTTP响应

　　还可以模仿浏览器发送一个GET请求，需要request对象，通过向request对象中添加HTTP请求头，就可以把请求伪装为一个浏览器

　　Post

　　需要把参数以bytes类型传入

　　Handler

　　如果还需要更复杂的控制，加入需要通过一个代理去登陆网站，需要使用proxyhandler模块

 

　　urllib提供的功能就是通过程序完成各种各样的HTTP请求，如果需要模仿浏览器完成特定功能，需要将请求伪装为浏览器请求，伪装的方法是先监控浏览器发出的请求，然后再根据浏览器的请求头来伪装，User-Agent头就是用来识别浏览器的

 

requests

　　requests是用于操作URl的第三方模块，相比Python提供的内建模块urllib，此模块使用起来更方便

　　参考链接：https://www.liaoxuefeng.com/wiki/1016959663602400/1183249464292448

　　使用GET访问一个页面

　   使用params参数传入一个dict类型的参数做为访问url的参数

　　使用headers参数，传入一个dict类型的参数作为请求头

　　requests默认使用application/x-www-form-urlencoded对POST数据编码。如果要传递JSON数据，可以直接传给json参数

params = {'key': 'value'}
r = requests.post(url, json=params) # 内部自动序列化为JSON

　　如果需要上传文件，可以直接将一个file对象传给files参数

>>> upload_files = {'file': open('report.xls', 'rb')}
>>> r = requests.post(url, files=upload_files)

　　在读取文件时，注意务必使用'rb'即二进制模式读取，这样获取的bytes长度才是文件的长度。

 

　　把post()方法替换为put()，delete()等，就可以以PUT或DELETE方式请求资源。

　　除了能轻松获取响应内容外，requests对获取HTTP响应的其他信息也非常简单。

　　例如，获取响应头

>>> r.headers
{Content-Type': 'text/html; charset=utf-8', 'Transfer-Encoding': 'chunked', 'Content-Encoding': 'gzip', ...}
>>> r.headers['Content-Type']
'text/html; charset=utf-8'

　　

　　requests对Cookie做了特殊处理，使得我们不必解析Cookie就可以轻松获取指定的Cookie

>>> r.cookies['ts']
'example_cookie_12345'

　　要在请求中传入Cookie，只需准备一个dict传入cookies参数

 

　　可以使用encoding属性查看编码

　　无论响应的内容是文本或者二进制文件，都可以使用content属性获取其bytes对象

　　如果响应的是特定的类型，比如Json，可以使用json（）方法直接获取

　　最后，要指定超时，传入以秒为单位的timeout参数：

>>> r = requests.get(url, timeout=2.5) # 2.5秒后超时

　　

XML

　　参考链接：https://www.liaoxuefeng.com/wiki/1016959663602400/1017784095418144

　　操作XML有两种方法：DOM和SAX。DOM会把整个XML读入内存，解析为树，因此占用内存大，解析慢，优点是可以任意遍历树的节点。SAX是流模式，边读边解析，占用内存小，解析快，缺点是我们需要自己处理事件。

　　正常情况下，优先考虑SAX，因为DOM实在太占内存。

　　注意使用attrs这个值

　　当SAX解析器读到一个节点时：

<a href="/">python</a>

　　

　　会产生3个事件：

1. start_element事件，在读取<a href="/">时；

2. char_data事件，在读取python时；

3. end_element事件，在读取</a>时。

　　什么是事件呢？

from xml.parsers.expat import ParserCreate
class DefaultSaxHandler(object):
    def start_element(self,name,attrs):
        print('sax:start_element:%s,attrs:%s'%(name,str(attrs)))#这里可以写 当读到这里时要发生的事件
    def end_element(self,name):
        print('sax:end_element:%s'%name)#这里可以写 当读到这里时要发生的事件
    def char_data(self,text):
        print('sax:char_data:%s'%text)#这里可以写 当读到这里时要发生的事件
xml = r'''<?xml version="1.0"?>
<ol>
    <li><a href="/python">Python</a></li>
    <li><a href="/ruby">Ruby</a></li>
</ol>
'''
handler=DefaultSaxHandler()
parser=ParserCreate()
parser.StartElementHandler=handler.start_element
parser.EndElementHandler=handler.end_element
parser.CharacterDataHandler=handler.char_data
parser.Parse(xml)
#输出
sax:start_element:ol,attrs:{}
sax:char_data:

sax:char_data:
sax:start_element:li,attrs:{}
sax:start_element:a,attrs:{'href': '/python'}
sax:char_data:Python
sax:end_element:a
sax:end_element:li
sax:char_data:

sax:char_data:
sax:start_element:li,attrs:{}
sax:start_element:a,attrs:{'href': '/ruby'}
sax:char_data:Ruby
sax:end_element:a
sax:end_element:li
sax:char_data:

sax:end_element:ol

　　需要注意的是读取一大段字符串时，CharacterDataHandler可能被多次调用，所以需要自己保存起来，在EndElementHandler里面再合并。

　　除了解析XML外，如何生成XML呢？99%的情况下需要生成的XML结构都是非常简单的，因此，最简单也是最有效的生成XML的方法是拼接字符串：

　　如果要生成复杂的XML呢？建议你不要用XML，改成JSON。

　　解析XML时，注意找出自己感兴趣的节点，响应事件时，把节点数据保存起来。解析完毕后，就可以处理数据。

　　比如可以解析XML数据获得相关城市的天气信息（略）

 

HTMLParser

　　参考链接：https://www.liaoxuefeng.com/wiki/1016959663602400/1017784593019776

　　当我们爬取了网页，下一步就是解析HTML页面，看看里面的内容，到底是图片、视频还是文本。

　　利用HTMLParser，可以把网页中的文本、图像等解析出来。

　　HTML本质上是XML的子集，但是语法没有XML要求的那么严格，所以不能通过标准的DOM或者SAX来解析HTML

　　好在Python提供了HTMLParser来非常方便地解析HTML，只需简单几行代码：

　　注意使用attrs这个值，可以用来抽取链接、识别id为某个值元素

from html.parser import HTMLParser
from html.entities import name2codepoint

class MyHTMLParser(HTMLParser):

    def handle_starttag(self, tag, attrs):
        print('<%s>' % tag)

    def handle_endtag(self, tag):
        print('</%s>' % tag)

    def handle_startendtag(self, tag, attrs):
        print('<%s/>' % tag)#如img标签<img src="",alt=""/>

    def handle_data(self, data):
        print(data)

    def handle_comment(self, data):
        print('<!--', data, '-->')

    def handle_entityref(self, name):#解析特殊字符
        print('&%s;' % name)

    def handle_charref(self, name):#解析特殊字符
        print('&#%s;' % name)

parser = MyHTMLParser()
parser.feed('''<html>
<head></head>
<body>
<!-- test html parser -->
    <p>Some <a href=\"#\">html</a> HTML tutorial...<br>END</p>
</body></html>''')
#输出
(sort) λ python fortest.py
<html>


<head>
</head>


<body>


<!--  test html parser  -->


<p>
Some
<a>
html
</a>
 HTML tutorial...
<br>
END
</p>


</body>
</html>

　　feed()方法可以多次调用，也就是不一定一次把整个HTML字符串都塞进去，可以一部分一部分塞进去。

　　可是这样怎么识别有特定id的标签呢？，注意使用attrs这个值

def find_id(self,id_name,attrs):
        for i in attrs:
            if id_name in i:
                return True
        return False

    def handle_starttag(self, tag, attrs):
        if self.find_id('test1',attrs):
            print('<%s%s>' %(tag,str(attrs)))
    pass
    
    parser.feed('''<html>
<head></head>
<body>
<!-- test html parser -->
    <p class='test' id='test1'>Some <a href=\"#\">html</a> HTML tutorial...<br>END</p>
</body></html>''')
   
#输出
pass
<p[('class', 'test'), ('id', 'test1')]>
pass

　　

　　特殊字符有两种，一种是英文表示的 ，一种是数字表示的Ӓ，这两种字符都可以通过Parser解析出来。