Python爬虫从菜鸟到高手--内置网络库urllib详解

认真写程序的强哥

已于 2024-01-22 10:27:49 修改

阅读量287

点赞数

文章标签： python 爬虫网络开发语言学习 Python编程 Python爬虫

于 2023-11-03 15:40:05 首次发布

本文链接：https://blog.csdn.net/qq_41314882/article/details/134203904

版权

urllib是Python3中内置的HTTP请求库，不需要单独安装，官方文档链接如下：
https://docs.python.org/3/library/urllib.html

从官方文档可以看出，urllib包含4个模块，如下图所示。

这4个模块的功能描述如下：

request：最基本的HTTP请求模块，可以用来发送HTTP请求，并接收服务端的响应数据。这个过程就像在浏览器地址栏输入URL，然后按Enter键一样。
error：异常处理模块，如果出现请求错误，我们可以捕获这些异常，然后根据实际情况，或者进行重试，或者直接忽略，或进行其他操作。
parse：工具模块，提供了很多处理URL的API，如拆分、解析、合并等。
robotparser：主要用来识别网站的robots.txt文件，然后判断哪些网站可以抓取，哪些网站不可以抓取。

本文会介绍这4个模块的核心用法。

1. 发送HTTP GET请求与获得响应

urllib最基本的一个应用就是向服务端发送HTTP请求，然后接收服务端返回的响应数据。这个功能只需要通过urlopen函数就可以搞定。例如，下面的代码向百度发送HTTP GET请求，然后输出服务端的响应结果。

import urllib.request
response=urllib.request.urlopen('https://baidu.com')
# 将服务端的响应数据用utf-8解码
print(response.read().decode('utf-8'))

运行结果如下图所示：

我们可以看到，使用urllib与服务端交互是非常容易的，除了import语句外，真正与业务有关的代码只有2行，就完成了整个与服务端交互的过程。其实这个过程已经完成了爬虫的第一步，就是从服务端获取HTML代码，然后就可以利用各种分析库对HTML代码进行解析，提取出我们感兴趣的URL、文本、图像等。
其实urlopen函数返回的是一个对象，而read是这个对象的一个方法，可以利用type方法输出这个对象的类型，当我们知道了对象类型后，就可以很容易知道这个对象中有哪些API，然后调用它们。

import urllib.request
response=urllib.request.urlopen('https://baidu.com')
print(type(response))

这段代码会输出如下的结果：

<class 'http.client.HTTPResponse'>

现在我们了解到，urlopen函数返回的是HTTPResponse类型的对象，主要包含read、getheader、getheaders等方法，以及msg、version、status、debuglevel、closed等属性。

下面的例子编写一个程序，使用urllib访问京东主页，并通过HTTPResponse对象读取响应数据。

import urllib.request
# 向京东商城发送HTTP GET请求，urlopen函数即可以使用http，也可以使用https
response=urllib.request.urlopen('https://www.jd.com')
# 输出urlopen函数返回值的数据类型
print('response的类型：',type(response))
# 输出响应状态码、响应消息和HTTP版本
print('status:',response.status,' msg:',response.msg,' version:', response.version)
# 输出所有的响应头信息
print('headers:',response.getheaders())
# 输出名为Content-Type的响应头信息
print('headers.Content-Type',response.getheader('Content-Type'))
# 输出京东商城首页所有的HTML代码（经过utf-8解码）
print(response.read().decode('utf-8'))

运行结果如下图所示。

2. 发送HTTP POST请求与获得响应

urlopen函数默认情况下发送的是HTTP GET请求，如果要发送HTTP POST请求，需要使用data命名参数，该参数是bytes类型，需要用bytes类将字符串形式的数据转换为bytes类型。

编写一个程序，使用urlopen函数向http://httpbin.org/post发送HTTP POST请求，并将返回结果输出到终端。

import urllib.request
# 将表单数据转换为bytes类型，用utf-8编码
data=bytes(urllib.parse.urlencode({'name':'Bill','age':30}),encoding='utf-8')
# 提交HTTP POST请求
response=urllib.request.urlopen('http://httpbin.org/post',data=data)
# 输出响应数据
print(response.read().decode('utf-8'))

这段代码中一开始提供了一个字典形式的表单数据，然后使用urlencode方法将字典类型的表单转换为字符串形式的表单，接下来将字符串形式的表单按utf-8编码转换为bytes类型，这就是要传给urlopen函数的data命名参数的值，要注意，一旦指定了data命名参数，urlopen函数就会向服务端提交HTTP POST请求，这里并不需要显式指定要提交的是POST请求。

本例将HTTP POST请求提交给了http://httpbin.org/post，这是一个用于测试HTTP POST请求的网址，如果请求成功，服务端会将HTTP POST请求信息原封不动地返回给客户端。

运行结果如下图所示。

3. 错误处理：URLError

URLError类属于urllib库的error模块，该类从OSError类继承，是error模块中的异常基类，由request模块产生的异常都可以通过URLError来捕捉。

URLError类有一个reason属性，可以通过这个属性获得错误的原因。

下面的例子向不同服务器发送多个请求，并用URLError类捕捉发生的异常。

from urllib import request,error
try:
    response = request.urlopen('http://www.jd123.com/test.html')
except error.URLError as e:
    # Bad Request
    print(e.reason)    
try:
    response = request.urlopen('https://geekori.com/abc.html')
except error.URLError as e:
    # Not Found
    print(e.reason)
try:
    response = request.urlopen('https://geekori123.com/abc.html')
except error.URLError as e:
    # [Errno 8] nodename nor servname provided, or not known
    print(e.reason)
try:
    response = request.urlopen('https://bbbccc.com',timeout=2)
except error.URLError as e:
    # timed out
    print(e.reason)

程序运行结果如下图所示。

从输出的异常原因可以看出，前两个异常分别是Bad Request和Not Found，响应状态码分别是400和404。其实这两个异常原因都是因为URL的域名是存在的，只是指定的资源不存在，服务端遇到这种情况有可能返回400或404。第3个错误原因是因为域名geekori123.com不存在，DNS解析错误。最后一个错误原因是因为域名和资源都存在，只是服务器在超时时间内没有响应客户端，所以抛出了timeout异常。

4. HTTPError

HTTPError是URLError的子类，专门用于处理HTTP请求错误，比如400、404错误。该类有如下3个属性：

code：返回HTTP状态码，如404、400等表示服务端资源不存在，500表示服务器内部错误。
reason：用于返回错误原因。
headers：返回请求头。

HTTPError也并不是什么错误都能捕捉，例如time out异常无法用HTTPError捕捉，必须使用URLError捕捉。由于HTTPError是URLError的子类，所以通常的做法是在try…except语句中先捕捉HTTPError异常，如果抛出的不是HTTPError异常，再用URLError进行捕捉。所以URLError起到了兜底的作用。

5. 拆分与合并URL（urlparse与urlunparse）

urlparse函数用于拆分URL，也就是将URL分解成不同的部分，下面先看一个例子。

result = urlparse('https://search.jd.com/Searchprint;hello?keyword=Python从菜鸟到高手&enc=utf-8#comment')
print(type(result),result)

在上面的代码中使用urlparse函数解析了一个URL，并将解析结果类型以及解析结果输出，运行结果如下：

<class 'urllib.parse.ParseResult'> 
ParseResult(scheme='https', netloc='search.jd.com', path='/Searchprint', params='hello', query='keyword=Python从菜鸟到高手&enc=utf-8', fragment='comment')

可以看到，返回结果是一个ParseResult类型的对象，包含6部分，分别是scheme、netloc、path、params、query和fragment。根据拆分结果，可以得出一个完整的URL的通用格式如下：

scheme://netloc/path;params?query#fragment

只要符合这个规则的URL，都可以被urlparse函数解析，urlparse函数除了可以传递url参数外，还可以传递另外两个参数。urlparse函数的定义如下：

urlparse(url, scheme='', allow_fragment=True)

我们可以看到，urlparse函数有3个参数，它们的含义如下：

url：必填参数，待解析的URL。
scheme：可选参数，如果url没有带协议（https、http、ftp等），那么scheme参数的值就会作为默认协议。该参数默认值为空字符串。
allow_fragments：可选参数，表示是否忽略fragment部分。该参数值如果为False，表示忽略fragment部分，默认参数值是True。

既然有用于拆分URL的urlparse函数，那么就会有将各个部分合并成一个完整URL的urlunparse函数。该函数接收一个可迭代的对象，对象中的元素个数必须是6，否则会抛出参数数量不足或过多的错误。

下面的例子使用urlparse函数拆分了一个URL，并输出拆分后的各个部分，以及使用urlunparse函数合并不同的部分，组成一个完整的URL。

from urllib.parse import urlparse,urlunparse
# 拆分URL
result = urlparse('https://search.jd.com/Searchprint;hello?keyword=Python从菜鸟到高手&enc=utf-8#comment')
print('scheme：',result.scheme)
print('netloc：',result.netloc)
print('path：',result.path)
print('params：',result.params)
print('query：',result.query)
print('fragment：',result.fragment)
print('-----------------')
# 拆分URL，指定默认的scheme，并且忽略fragment部分
result = urlparse('search.jd.com/Searchprint;hello?keyword=Python从菜鸟到高手&enc=utf-8#comment',scheme='ftp',allow_fragments=False)
print('scheme：',result.scheme)
print('fragment：',result.fragment)
print('----------------')
# 合并不同部分，组成一个完整的URL
data = ['https','search.jd.com','Searchprint','world','keyword=Python从菜鸟到高手&enc=utf-8','comment']
print(urlunparse(data))

程序运行结果如下图所示。

6. Robots协议简介

Robots协议也称作爬虫协议、机器人协议，它的全名是网络爬虫排除标准（Robots Exclusing Protocol），用来告诉爬虫和搜索引擎哪些页面可以抓取，哪些不可以抓取。该协议的内容通常放在一个名为robots.txt的文本文件中，该文件一般位于网站的根目录下。

注意，robots.txt文件中的内容只是告诉爬虫应该抓取什么，不应该抓取什么，但并不是通过技术手段阻止爬虫抓取那些被禁止的资源，而只是通知爬虫而已。尽管编写爬虫可以不遵循robots.txt文件中的规则，但作为一只有道德、有文化、有纪律的爬虫，应该尽量遵循robots.txt文件描述的规则。

当爬虫访问一个网站时，首先会检查这个网址根目录下是否存在robots.txt文件，如果存在，爬虫就会根据该文件中定义的抓取范围来抓取Web资源。如果这个文件并不存在，爬虫就会抓取这个网站所有可直接访问的页面。

下面来看一个robots.txt文件的例子：

User-agent:*
Disallow:/
Allow:/test/

这个抓取规则首先告诉爬虫对所有的爬虫有效，而且除了test目录外的任何资源都不允许抓取。如果将这个robots.txt文件放在某个网站的根目录，那么搜索引擎的爬虫就会只抓取test目录下的资源，我们会发现搜索引擎中再也查不到其他目录下的资源了。

上面的User-agent描述了爬虫的名字，这里将其设置为*，则表示对所有的爬虫有效，我们还可以特指某些爬虫，如下面的设置明确指定百度爬虫。

User-agent:BaiduSpider

robots.txt文件中有2个重要的授权指令：Disallow和Allow，前者表示禁止抓取，后者表示允许抓取。也就是说，Disallow是黑名单，Allow是白名单。例如，下面是一些Robots协议的例子。

（1）禁止所有爬虫抓取网站所有的资源

User-agent:*
Disallow:/

（2）禁止所有爬虫抓取网站/private和/person目录中的资源

User-agent: *

Disallow: /private/


Disallow:/person/

（3）只禁止百度爬虫抓取网站资源

User-agent:BaiduSpider
Disallow:/

很多搜索引擎的爬虫都有特定的名称，下表列出了一些常用的爬虫名称。

感兴趣的小伙伴，赠送全套Python学习资料，包含面试题、简历资料等具体看下方。

一、Python所有方向的学习路线

Python所有方向的技术点做的整理，形成各个领域的知识点汇总，它的用处就在于，你可以按照下面的知识点去找对应的学习资源，保证自己学得较为全面。

二、Python必备开发工具

工具都帮大家整理好了，安装就可直接上手！

三、最新Python学习笔记

当我学到一定基础，有自己的理解能力的时候，会去阅读一些前辈整理的书籍或者手写的笔记资料，这些笔记详细记载了他们对一些技术点的理解，这些理解是比较独到，可以学到不一样的思路。

四、Python视频合集

观看全面零基础学习视频，看视频学习是最快捷也是最有效果的方式，跟着视频中老师的思路，从基础到深入，还是很容易入门的。

五、实战案例

纸上得来终觉浅，要学会跟着视频一起敲，要动手实操，才能将自己的所学运用到实际当中去，这时候可以搞点实战案例来学习。

六、面试宝典

在这里插入图片描述

简历模板

若有侵权，请联系删除

认真写程序的强哥

关注

0
点赞
踩
0

收藏

觉得还不错? 一键收藏
0
评论
Python爬虫从菜鸟到高手--内置网络库urllib详解

Robots协议也称作爬虫协议、机器人协议，它的全名是网络爬虫排除标准（Robots Exclusing Protocol），用来告诉爬虫和搜索引擎哪些页面可以抓取，哪些不可以抓取。该协议的内容通常放在一个名为robots.txt的文本文件中，该文件一般位于网站的根目录下。注意，robots.txt文件中的内容只是告诉爬虫应该抓取什么，不应该抓取什么，但并不是通过技术手段阻止爬虫抓取那些被禁止的资源，而只是通知爬虫而已。
复制链接

扫一扫