urllib
urllib是python内置的HTTP请求库,感觉现在不常用这个,不好用,但是了解爬虫的基础
四个模块
- urllib.request :请求模块
- urllib.error :异常处理模块(保证程序不会意外终止)
- urllib.parse :url解析模块(拆分、合并等)
- urllib.robotparser :robots.txt解析模块
1. 请求模块urlopen
1.1 urlopen的get请求
发送requests请求给服务器 :
urllib.request.urlopen(url, data=None, [timeout, ]*, cafile=None, capath=None, cadefault=False, context=None)
#输出的百度首页源代码
import urllib.request
response = urllib.request.urlopen('http://www.baidu.com')
print(response.read().decode('utf-8'))
1.2 urlopen的post请求
import urllib.parse
import urllib.request
#需要传入data参数(以下是测试)
data = bytes(urllib.parse.urlencode({'word': 'hello'}), encoding='utf8')
response = urllib.request.urlopen('http://httpbin.org/post', data=data)
print(response.read())
(结果也是读取网页的源代码。要了解的是,post请求需要传入参数)
1.3 timeout超时设置
import socket
import urllib.request
import urllib.error
try:
response = urllib.request.urlopen('http://www.baidu.com', timeout=0.01)
'''必须要在0.01s得到这个响应,如果得不到,抛出异常'''
except urllib.error.URLError as e:
if isinstance(e.reason, socket.timeout): #判断e的原因,如果是timeout异常,就打印出来
print('TIME OUT')
#这里只是测试,0.01s时间太短,没有这么快响应便输出TIME OUT
输出:TIME OUT
2. 响应response
2.1 响应类型
import urllib.request
response = urllib.request.urlopen('https://www.python.org')
print(type(response)) #输出类型
<class ‘http.client.HTTPResponse’>
2.2 状态码、响应头
判断响应是否成功的标志
import urllib.request
response = urllib.request.urlopen('https://www.python.org')
print(response.status,'\n') #获取状态码
print(response.getheaders(),'\n') #获取响应头。数组形式
print(response.getheader('Server')) #获取特定响应头。
#获取这个网页的服务器(Server)是用什么
2.3 response.read() 响应体
import urllib.request
response = urllib.request.urlopen('https://www.python.org')
'''获取响应体的内容'''
print(response.read().decode('utf-8'))
#需要调用decode转换编码
2.4 更复杂些Request
urlopen没有提供headers等参数,如果我们想要发送一些更复杂的请求,可以用urlopen发送一个request对象,这个request对象也是属于urllib.request模块的,在这里可以直接声明一个request对象,把url传进来
import urllib.request
req = urllib.request.Request('https://python.org')
response = urllib.request.urlopen(req)
print(response.read().decode('utf-8'))
3. Handler
3.1 代理
伪装自己的IP地址,服务器识别为代理IP,可以切换IP,服务器识别到的就是来自不同地域的请求,就不会封掉爬虫了。对付反爬
(这里没有,只是举个例子)
import urllib.request
proxy_handler = urllib.request.ProxyHandler({
'http': 'http://127.0.0.1:9743',
'https': 'https://127.0.0.1:9743' #设置的代理(这里没有)
})
'''构建opener'''
opener = urllib.request.build_opener(proxy_handler)
response = opener.open('http://www.baidu.com')
print(response.read())
4. Cookie
在客户端保存的,用来记录用户身份的文本文件。爬虫时,cookie主要是用来维持登录状态的一个机制。
点击淘宝网,登录账号,在开发者工具Application中清除cookie信息,刷新网页,账号已退出。也就是有cookie能维持登录信息、登录状态
import http.cookiejar, urllib.request
#首先声明为一个CookieJar对象
cookie = http.cookiejar.CookieJar()
#借助handler处理cookie
handler = urllib.request.HTTPCookieProcessor(cookie)
#构建opener并打开百度网页
opener = urllib.request.build_opener(handler)
response = opener.open('http://www.baidu.com')
#遍历打印
for item in cookie:
print(item.name+"="+item.value) #打印cookie的name和value
可以保存cookie文件
可以保存成文本文件,如果没有失效的话,可以再次从中读取,在请求时继续保持登录状态
import http.cookiejar, urllib.request
filename = "cookie.txt"
#声明成CookieJar的一个子类对象,可调用save
cookie = http.cookiejar.MozillaCookieJar(filename)
handler = urllib.request.HTTPCookieProcessor(cookie)
opener = urllib.request.build_opener(handler)
response = opener.open('http://www.baidu.com')
cookie.save(ignore_discard=True, ignore_expires=True)
#本地生成cookie文件
#另一种保存形式
import http.cookiejar, urllib.request
filename = 'cookie.txt'
cookie = http.cookiejar.LWPCookieJar(filename)
handler = urllib.request.HTTPCookieProcessor(cookie)
opener = urllib.request.build_opener(handler)
response = opener.open('http://www.baidu.com')
cookie.save(ignore_discard=True, ignore_expires=True)
5. 异常处理
'''请求一个不存在的网站'''
from urllib import request, error
try:
response = request.urlopen('http://cuiqingcai.com/index.htm')
except error.URLError as e:
print(e.reason) #捕捉异常并打印原因
输出:Not Found
5.1 可以捕获的异常有哪些?
百度urllib python3 搜索官方文档
from urllib import request, error
try:
response = request.urlopen('http://c.com/index.htm')
except error.HTTPError as e: #首先捕获子类异常
print(e.reason,e.code,e.headers,sep='\n')
except error.URLError as e: #再捕捉父类异常
print(e.reason)
else:
print('Request Successfully')
#出错原因
#状态码
#response.headers信息
##说明错误是http错误
- 用isinstance验证原因(小应用)
import socket
import urllib.request
import urllib.error
try:
response = urllib.request.urlopen('https://www.baidu.com', timeout=0.01)
except urllib.error.URLError as e:
print(type(e.reason))
if isinstance(e.reason, socket.timeout):
print('TIME OUT')
6. URL解析 url.parse
6.1 urlparse 分割
对传入一个url进行分割,把每个部分分割
类型、域名、路径、参数、query、fragment—6个部分,标准结构
如果需要对url进行拆分,可直接调用这个函数
urllib.parse.urlparse(urlstring, scheme='', allow_fragments=True)
from urllib.parse import urlparse
result = urlparse('http://www.baidu.com/index.html;user?id=5#comment')
print(type(result), result)
'''没有scheme'''
from urllib.parse import urlparse
result = urlparse('www.baidu.com/index.html;user?id=5#comment', scheme='https')
print(result) #默认scheme是https
- allow_fragments参数
from urllib.parse import urlparse
result = urlparse('http://www.baidu.com/index.html;user?id=5#comment', scheme='https')
print(result)
ParseResult(scheme=‘http’, netloc=‘www.baidu.com’, path=’/index.html’, params=‘user’, query=‘id=5’, fragment=‘comment’)
from urllib.parse import urlparse
result = urlparse('http://www.baidu.com/index.html;user?id=5#comment', allow_fragments=False)
print(result)
#拼接到前面的query部分
ParseResult(scheme=‘http’, netloc=‘www.baidu.com’, path=’/index.html’, params=‘user’, query=‘id=5#comment’, fragment=’’)
from urllib.parse import urlparse
result = urlparse('http://www.baidu.com/index.html#comment', allow_fragments=False)
print(result)
#往前拼接
ParseResult(scheme=‘http’, netloc=‘www.baidu.com’, path=’/index.html#comment’, params=’’, query=’’, fragment=’’)
6.2 urlunparse 拼接
from urllib.parse import urlunparse
data = ['http', 'www.baidu.com', 'index.html', 'user', 'a=6', 'comment']
print(urlunparse(data))
http://www.baidu.com/index.html;user?a=6#comment
6.3 urljoin 拼接
以后面的为基准,后面有的会替代掉前面的,后面没有的会由前面的来补充
from urllib.parse import urljoin
print(urljoin('http://www.baidu.com', 'FAQ.html'))
print(urljoin('http://www.baidu.com', 'https://c.com/FAQ.html'))
print(urljoin('http://www.baidu.com/about.html', 'https://c.com/FAQ.html'))
print(urljoin('http://www.baidu.com/about.html', 'https://c.com/FAQ.html?question=2'))
print(urljoin('http://www.baidu.com?wd=abc', 'https://c.com/index.php'))
print(urljoin('http://www.baidu.com', '?category=2#comment'))
print(urljoin('www.baidu.com', '?category=2#comment'))
print(urljoin('www.baidu.com#comment', '?category=2'))
6.4 urlencode
将字典对象转换为get请求参数
from urllib.parse import urlencode
params = {
'name': 'germey',
'age': 22
}
base_url = 'http://www.baidu.com?'
url = base_url + urlencode(params)
print(url)
http://www.baidu.com?name=germey&age=22