python爬虫笔记之urllib库的简单使用

发送请求

1.urlopen()
请求百度首页：

import urllib.request

response = urllib.request.urlopen('http://www.baidu.com')
print(response.read().decode('utf-8'))
print(type(response))

<class ‘http.client.HTTPResponse’>

response是一个HTTPResponse类型的对象，主要包含read(),readinto(),getheader()（获取响应头的信息）等方法，以及msg，version,status,reason等属性。
利用urlopen()，可以完成基本的简单网页的GET请求抓取。
urlopen()函数的API：
urllib.request.urlopen(url, data=None, [timeout,]*, cafile=None, capath=None, cadefault=Flase, context=None)

• data参数
  传递参数，并且是字节流编码格式的内容，即bytes类型，使用bytes()方法转换。若设置了此参数，那么请求方式是POST。
  使用http://httpbin.org/post来测试POST请求：

import urllib.request
import urllib.parse

data = bytes(urllib.parse.urlencode({'word': 'hello'}), encoding='utf-8')
#先使用urlencode()方法将参数字典转化为字符串
response = urllib.request.urlopen('http://httpbin.org/post', data=data)
print(response.read())

结果中含有上传的参数{“word”: “hello”}出现在form字段中，这表明是模拟了表单提交的方式，以POST方式传输数据。

• timeout参数
  timeout参数用于设置超时时间，单位为秒，意思就是如果请求超出了设置的这个时间，还没有得到响应，就会抛出异常。若不指定参数，就会使用全局默认时间。
  设置超时时间来控制一个网页如果长时间未响应，就跳过它的抓取，利用try except语句实现：

import socket
import urllib.request
import urllib.error

try:
    response = urllib.request.urlopen('http://httpbin.org/get', timeout=0.1)
except urllib.error.URLError as e:
    if isinstance(e.reason, socket.timeout):
        print("TIME OUT")

请求超时，捕获异常，打印输出TIME OUT

• 其他参数
  context用来指定SSL设置
  cafile,capath分别用来指定CA证书和它的路径
  cadefault已弃用，默认False
  2.Request
  urllib.request.Request(url, data=None, headers={}, origin_req_host=None, unverifiable=False, method=None)

• url必传参数

• data必须是bytes类型，若是字典先用urllib.parse模块里的urlencode()编码

• headers请求头，是一个字典，可以通过headers参数直接构造，也可以调用add_header()方法添加

• origin_req_host是请求方的host名称货IP地址

• unverifiable默认False，意思是用户没有足够权限来选择接收这个请求的结果

• method只是请求使用的方法，GET，POST，PUT等
  示例：

from urllib import request, parse

url = 'http://httpbin.org/post'
headers = {
    'User-Agent': 'Mozilla/4.0(compatible;MSIE 5_5; Windows NT)',
    'Host': 'httpbin.org'
}
dict = {
    'name': 'okok'
}
data = bytes(parse.urlencode(dict), encoding='utf-8')
req = request.Request(url=url, data=data, headers=headers, method='POST')
response = request.urlopen(req)
print(response.read().decode('utf-8'))

结果

{
  "args": {}, 
  "data": "", 
  "files": {}, 
  "form": {
    "name": "okok"
  }, 
  "headers": {
    "Accept-Encoding": "identity", 
    "Content-Length": "9", 
    "Content-Type": "application/x-www-form-urlencoded", 
    "Host": "httpbin.org", 
    "User-Agent": "Mozilla/4.0(compatible;MSIE 5_5; Windows NT)", 
    "X-Amzn-Trace-Id": "Root=1-5f3b75ac-a3c471f0d4ad918e263bc125"
  }, 
  "json": null, 
  "origin": "180.109.39.75", 
  "url": "http://httpbin.org/post"
}

3.高级用法
Handler，可以用来处理登录验证，处理Cookies， 处理代理设置。利用它们几乎可以做到Http请求中的所有事情。

• HTTPDefaultErrorHandler：处理HTTP响应错误。
• HTTPRedirectHandler：处理重定向。
• HTTPCookiesProcess：处理Cookies。
• ProxyHandler：用于设置代理。
• HTTPPasswordMgr：用于管理密码。
• HTTPBasicAuthHandler：用于管理认证。
  …
• 验证

有些网站打开弹出登录界面，验证成功后才能查看页面。使用HTTPBasicAuthHandler，代码如下：

from urllib.request import HTTPPasswordMgrWithDefaultRealm,HTTPBasicAuthHandler,build_opener
from urllib.error import URLError

url = 'http://localhost:5000'
username = '123'
password = '123'

p = HTTPPasswordMgrWithDefaultRealm()
p.add_password(None, url, username, password)
auth_handler = HTTPBasicAuthHandler(p)
opener = build_opener(auth_handler)

try:
    reslut = opener.open(url)
    html = reslut.read().decode('utf-8')
    print(html)
except URLError as e:
    print(e.reason)

• 代理

from urllib.error import URLError
from urllib.request import ProxyHandler, build_opener

proxy_handler = ProxyHandler(
    {
        'http': 'http://127.0.0.1:9743',
        'https': 'https://127.0.0.1:9743'
    }
)
opener = build_opener(proxy_handler)
try:
    response = opener.open('https://www.baidu.com')
    print(response)
except URLError as e:
    print(e.reason)

• Cookies

import http.cookiejar, urllib.request

cookie = http.cookiejar.CookieJar()
handler = urllib.request.HTTPCookieProcessor(cookie)
opener = urllib.request.build_opener(handler)
response = opener.open('http://www.baidu.com')
for item in cookie:
    print(item.name+"="+item.value)

常用方法

• urlencode()

from urllib.parse import urlencode

params = {
    'name': 'germey',
    'age': 22
}
base_url = 'http://www.baidu.com'
url = base_url + urlencode(params)
print(url)

结果http://www.baidu.comname=germey&age=22

• quote()
  将内容转化为URL编码格式

from urllib.parse import quote

key = '壁纸'
url = 'http://www.baidu.com/s?wd=' + quote(key)
print(url)

结果http://www.baidu.com/s?wd=%E5%A3%81%E7%BA%B8

• unquote()
  进行URL解码

from urllib.parse import unquote

url = 'http://www.baidu.com/s?wd=%E5%A3%81%E7%BA%B8'
print(unquote(url))

结果http://www.baidu.com/s?wd=壁纸