python3的urllib3模块_Python3学习笔记（urllib模块的使用）

1.基本方法

urllib.request.urlopen(url, data=None, [timeout, ]*, cafile=None, capath=None, cadefault=False, context=None)

–         url:  需要打开的网址

–         data：Post提交的数据

–         timeout：设置网站的访问超时时间

直接用urllib.request模块的urlopen()获取页面，page的数据格式为bytes类型，需要decode()解码，转换成str类型。

1 from urllib importrequest2 response = request.urlopen(r'http://python.org/') # HTTPResponse类型

3 page =response.read()4 page = page.decode('utf-8')

urlopen返回对象提供方法：

–         read() , readline() ,readlines() , fileno() , close() ：对HTTPResponse类型数据进行操作

–         info()：返回HTTPMessage对象，表示远程服务器返回的头信息

–         getcode()：返回Http状态码。如果是http请求，200请求成功完成;404网址未找到

–         geturl()：返回请求的url

2.使用Request

urllib.request.Request(url, data=None, headers={}, method=None)

使用request()来包装请求，再通过urlopen()获取页面。

1 url = r'http://www.lagou.com/zhaopin/Python/?labelWords=label'

2 headers ={3 'User-Agent': r'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko)'

4 r'Chrome/45.0.2454.85 Safari/537.36 115Browser/6.0.3',5 'Referer': r'http://www.lagou.com/zhaopin/Python/?labelWords=label',6 'Connection': 'keep-alive'

7 }8 req = request.Request(url, headers=headers)9 page =request.urlopen(req).read()10 page = page.decode('utf-8')

用来包装头部的数据：

–         User-Agent ：这个头部可以携带如下几条信息：浏览器名和版本号、操作系统名和版本号、默认语言

–         Referer：可以用来防止盗链，有一些网站图片显示来源http://***.com，就是检查Referer来鉴定的

–         Connection：表示连接状态，记录Session的状态。

3.Post数据

urllib.request.urlopen(url, data=None, [timeout, ]*, cafile=None, capath=None, cadefault=False, context=None)

urlopen()的data参数默认为None，当data参数不为空的时候，urlopen()提交方式为Post。

1 from urllib importrequest, parse2 url = r'http://www.lagou.com/jobs/positionAjax.json?'

3 headers ={4 'User-Agent': r'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko)'

5 r'Chrome/45.0.2454.85 Safari/537.36 115Browser/6.0.3',6 'Referer': r'http://www.lagou.com/zhaopin/Python/?labelWords=label',7 'Connection': 'keep-alive'

8 }9 data ={10 'first': 'true',11 'pn': 1,12 'kd': 'Python'

13 }14 data = parse.urlencode(data).encode('utf-8')15 req = request.Request(url, headers=headers, data=data)16 page =request.urlopen(req).read()17 page = page.decode('utf-8')

urllib.parse.urlencode(query, doseq=False, safe=”, encoding=None, errors=None)

urlencode()主要作用就是将url附上要提交的数据。

1 data ={2 'first': 'true',3 'pn': 1,4 'kd': 'Python'

5 }6 data = parse.urlencode(data).encode('utf-8')

经过urlencode()转换后的data数据为?first=true?pn=1?kd=Python，最后提交的url为

http://www.lagou.com/jobs/positionAjax.json?first=true?pn=1?kd=Python

Post的数据必须是bytes或者iterable of bytes，不能是str，因此需要进行encode()编码

1 page = request.urlopen(req, data=data).read()

当然，也可以把data的数据封装在urlopen()参数中

4.异常处理

1 defget_page(url):2 headers ={3 'User-Agent': r'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko)'

4 r'Chrome/45.0.2454.85 Safari/537.36 115Browser/6.0.3',5 'Referer': r'http://www.lagou.com/zhaopin/Python/?labelWords=label',6 'Connection': 'keep-alive'

7 }8 data ={9 'first': 'true',10 'pn': 1,11 'kd': 'Python'

12 }13 data = parse.urlencode(data).encode('utf-8')14 req = request.Request(url, headers=headers)15 try:16 page = request.urlopen(req, data=data).read()17 page = page.decode('utf-8')18 excepterror.HTTPError as e:19 print(e.code())20 print(e.read().decode('utf-8'))21 return page

5、使用代理

urllib.request.ProxyHandler(proxies=None)

当需要抓取的网站设置了访问限制，这时就需要用到代理来抓取数据。

1 data ={2 'first': 'true',3 'pn': 1,4 'kd': 'Python'

5 }6 proxy = request.ProxyHandler({'http': '5.22.195.215:80'}) #设置proxy

7 opener = request.build_opener(proxy) #挂载opener

8 request.install_opener(opener) #安装opener

9 data = parse.urlencode(data).encode('utf-8')10 page =opener.open(url, data).read()11 page = page.decode('utf-8')12 return page