python中的urllib库_python3里的Urllib库

首先Urllib是python内置的HTTP请求库。

包括以下模块：

urllib.request 请求模块；

urllib.error 异常处理模块；

urllib.parse url解析模块；

urllib.robotparser robots.txt解析模块。

urllib常规发送请求方式

importurllib.parseimporturllib.request

data= bytes(urllib.parse.urlencode({'word': 'hello'}), encoding='utf8')

response= urllib.request.urlopen('https://httpbin.org/post', data=data)print(response.read())

运行结果：

b'{\n "args": {}, \n "data": "", \n "files": {}, \n "form": {\n "word": "hello"\n }, \n "headers": {\n "Accept-Encoding": "identity", \n "Connection": "close", \n "Content-Length": "10", \n "Content-Type": "application/x-www-form-urlencoded", \n "Host": "httpbin.org", \n "User-Agent": "Python-urllib/3.6"\n }, \n "json": null, \n "origin": "47.74.11.227", \n "url": "https://httpbin.org/post"\n}\n'

需要post数据按指定编码格式编码，在使用urlopen时传递data参数即发送post请求，默认不加就是get请求。

设置超时时间：

importurllib.request

response= urllib.request.urlopen('http://httpbin.org/get', timeout=1)print(response.read())

b'{\n "args": {}, \n "headers": {\n "Accept-Encoding": "identity", \n "Connection": "close", \n "Host": "httpbin.org", \n "User-Agent": "Python-urllib/3.6"\n }, \n "origin": "36.57.169.42", \n "url": "https://httpbin.org/get"\n}\n'

设置超时时间主要是防止爬取某些页面速度极慢，爬的时间过长造成假死状态，从而影响我们的爬虫性能，所以会用到我们的超时时间。

urlopen打开的是什么类型的数据呢，或者是是什么对象。

importurllib.request

response= urllib.request.urlopen('https://www.python.org')print(type(response))

这个对象可以read()方法读取。那么我们都可以读取到那些东西呢。

importurllib.request

response= urllib.request.urlopen('https://www.python.org')print(response.status)print(response.getheaders())print(response.getheader('Server'))

#运行结果#获取状态码

200

#获取请求头的所有信息

[('Server', 'nginx'), ('Content-Type', 'text/html; charset=utf-8'), ('X-Frame-Options', 'SAMEORIGIN'), ('x-xss-protection', '1; mode=block'), ('X-Clacks-Overhead', 'GNU Terry Pratchett'), ('Via', '1.1 varnish'), ('Fastly-Debug-Digest', 'a63ab819df3b185a89db37a59e39f0dd85cf8ee71f54bbb42fae41670ae56fd2'), ('Content-Length', '48907'), ('Accept-Ranges', 'bytes'), ('Date', 'Wed, 31 Jan 2018 11:39:52 GMT'), ('Via', '1.1 varnish'), ('Age', '2396'), ('Connection', 'close'), ('X-Served-By', 'cache-iad2150-IAD, cache-hnd18723-HND'), ('X-Cache', 'HIT, HIT'), ('X-Cache-Hits', '6, 11'), ('X-Timer', 'S1517398792.207858,VS0,VE0'), ('Vary', 'Cookie'), ('Strict-Transport-Security', 'max-age=63072000; includeSubDomains')]#获取服务器

nginx

#获取整个页面的信息

importurllib.request

response= urllib.request.urlopen('https://www.python.org')print(response.read().decode('utf-8'))

在一般情况下我们都需要对请求对象进行改装，加上请求头等信息，这时候我们就要自己定制request对象，然后给他加buff。

from urllib importrequest, parse

url= 'https://httpbin.org/post'headers={'User-Agent': 'Mozilla/4.0 (compatible; MSIE 5.5; Windows NT)','Host': 'httpbin.org'}

dict={'name': 'Germey'}

data= bytes(parse.urlencode(dict), encoding='utf8')#自定义构造request包含了自定义请求头

req = request.Request(url=url, data=data, headers=headers, method='POST')

response=request.urlopen(req)print(response.read().decode('utf-8'))

{"args": {},"data": "","files": {},"form": {"name": "Germey"},"headers": {"Accept-Encoding": "identity","Connection": "close","Content-Length": "11","Content-Type": "application/x-www-form-urlencoded","Host": "httpbin.org","User-Agent": "Mozilla/4.0 (compatible; MSIE 5.5; Windows NT)"},"json": null,"origin": "36.57.169.42","url": "https://httpbin.org/post"}

另外一种加请求头的方式

from urllib importrequest, parse

url= 'https://httpbin.org/post'dict={'name': 'Germey'}

data= bytes(parse.urlencode(dict), encoding='utf8')

req= request.Request(url=url, data=data, method='POST')

req.add_header('User-Agent', 'Mozilla/4.0 (compatible; MSIE 5.5; Windows NT)')

response=request.urlopen(req)print(response.read().decode('utf-8'))

结果与上一种请求一定是一模一样的。上面完成了最基本的http请求，如果我们想要完成更高级的http请求，使用代理或者带上cookie值等，那么我们需要使用handler方法，handler有很多种。

importurllib.request#构建一个HTTPHandler处理器对象，支持处理HTTP的请求#http_handler = urllib2.HTTPHandler()

#在HTTPHandler增加参数"debuglevel=1"将会自动打开Debug log 模式，#程序在执行的时候会打印收发包的信息

http_handler = urllib.request.HTTPHandler(debuglevel=1)#调用build_opener()方法构建一个自定义的opener对象，参数是构建的处理器对象

opener =urllib.request.build_opener(http_handler)

request= urllib.request.Request("http://www.baidu.com/")

response=opener.open(request)print(response.read().decode('utf8'))

这里我们定制了一个自己的opener，构建一个Handler处理器对象，参数是一个字典类型，包括代理类型和代理服务器IP+PROT。

importurllib.request#代理开关，表示是否启用代理

proxyswitch =True#proxyswitch = False

#构建一个Handler处理器对象，参数是一个字典类型，包括代理类型和代理服务器IP+PROT

httpproxy_handler = urllib.request.ProxyHandler({"http" : "121.41.175.199:80"})#构建了一个没有代理的处理器对象

nullproxy_handler =urllib.request.ProxyHandler({})ifproxyswitch:

opener=urllib.request.build_opener(httpproxy_handler)else:

opener=urllib.request.build_opener(nullproxy_handler)#构建了一个全局的opener，之后所有的请求都可以用urlopen()方式去发送，也附带Handler的功能

urllib.request.install_opener(opener)

request= urllib.request.Request("http://www.baidu.com/")

response=urllib.request.urlopen(request)#print response.read().decode("gbk")

print(response.read().decode('utf8'))

保存cookie的handler

importhttp.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 incookie:print(item.name+"="+item.value)

#将cookie依次打印出来

BAIDUID=185CCA6964D4660F71AC56C5FD40F293:FG=1BIDUPSID=185CCA6964D4660F71AC56C5FD40F293

H_PS_PSSID=25641_1460_24565_21125_18559

PSTM=1517404650BDSVRTM=0

BD_HOME=0

cookie保存成文本文件

importhttp.cookiejar, urllib.request

filename= "cookie.txt"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)

将本地的cookie读取出来然后使用本地文本里的cookie去访问网址：

importhttp.cookiejar, urllib.request

cookie=http.cookiejar.LWPCookieJar()

cookie.load('cookie.txt', ignore_discard=True, ignore_expires=True)

handler=urllib.request.HTTPCookieProcessor(cookie)

opener=urllib.request.build_opener(handler)

response= opener.open('http://www.baidu.com')print(response.read().decode('utf-8'))

urlparse将网址分割成多个部分(也可以说是解析)。

from urllib.parse importurlparse

result= urlparse('http://www.baidu.com/index.html;user?id=5#comment')print(type(result), result)

解析的结果：

ParseResult(scheme='http', netloc='www.baidu.com', path='/index.html', params='user', query='id=5', fragment='comment')

#另一种解析

from urllib.parse importurlparse

result= urlparse('www.baidu.com/index.html;user?id=5#comment', scheme='https')print(result)

并且url里的scheme优先级更高。

from urllib.parse importurlparse#url里有scheme，然后我们又传入一次，结果是什么呢

result = urlparse('http://www.baidu.com/index.html;user?id=5#comment', scheme='https')print(result)

#url win

ParseResult(scheme='http', netloc='www.baidu.com', path='/index.html', params='user', query='id=5', fragment='comment')

#不显示什么字段

from urllib.parse importurlparse

result= urlparse('http://www.baidu.com/index.html;user?id=5#comment', allow_fragments=False)print(result)

ParseResult(scheme='http', netloc='www.baidu.com', path='/index.html', params='user', query='id=5#comment', fragment='')

from urllib.parse importurlparse

result= urlparse('http://www.baidu.com/index.html#comment', allow_fragments=False)print(result)

#实际上，这个字段位false那么就减少了一次split，数据还是会存在上一级，但是path之前字段是必须有的

ParseResult(scheme='http', netloc='www.baidu.com', path='/index.html#comment', params='', query='', fragment='')

#反向解析

from urllib.parse importurlunparse

data= ['http', 'www.baidu.com', 'index.html', 'user', 'a=6', 'comment']print(urlunparse(data))#解析结果还原url

http://www.baidu.com/index.html;user?a=6#comment

url拼接

from urllib.parse importurljoinprint(urljoin('http://www.baidu.com', 'FAQ.html'))print(urljoin('http://www.baidu.com', 'https://cuiqingcai.com/FAQ.html'))print(urljoin('http://www.baidu.com/about.html', 'https://cuiqingcai.com/FAQ.html'))print(urljoin('http://www.baidu.com/about.html', 'https://cuiqingcai.com/FAQ.html?question=2'))print(urljoin('http://www.baidu.com?wd=abc', 'https://cuiqingcai.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'))

from urllib.parse importurlencode

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

url编码常用于汉字在url中传输时使用。以上就是urllib库常用的操作了。

随着深入的爬虫学习，后面要接触功能强大的Requests库，Requests 唯一的一个非转基因的 Python HTTP 库，人类可以安全享用。

Requests 允许你发送纯天然，植物饲养的 HTTP/1.1 请求，无需手工劳动。你不需要手动为 URL 添加查询字串，也不需要对 POST 数据进行表单编码。Keep-alive 和 HTTP 连接池的功能是 100% 自动化的，一切动力都来自于根植在 Requests 内部的 urllib3。