摘要: 以下为个人在学习过程中做的笔记总结之爬虫常用库urllib urlib库为python3的HTTP内置请求库 urilib的四个模块: urllib.request:用于获取网页的响应内容 urllib.
以下为个人在学习过程中做的笔记总结之爬虫常用库urllib
urlib库为python3的HTTP内置请求库
urilib的四个模块:
-
urllib.request:用于获取网页的响应内容
-
urllib.error:异常处理模块,用于处理异常的模块
-
urllib.parse:用于解析url
-
urllib.robotparse:用于解析robots.txt,主要用于看哪些网站不能进行爬取,不过少用
1urllib.request
urllib.request.urlopen(url,data=None,[timeout,]*,cafile=None,cadefault=False,context=None)
-
url:为请求网址
-
data:请求时需要发送的参数
-
timeout:超时设置,在该时间范围内返回请求内容就不会报错
示例代码:
1from urllib import request
2
3# 请求获取网页返回内容
4response = request.urlopen('https://movie.douban.com/')
5# 获取网页返回内容
6print(response.read().decode('utf-8'))
7# 获取状态码
8print(response.status)
9# 获取请求头
10print(response.getheaders())
1# 对请求头进行遍历
2for k, v in response.getheaders():
3 print(k, '=', v)
可以使用上面的代码对一些网站进行请求了,但是当需要一些反爬网站时,这就不行了,这时我们需要适当地增加请求头进行请求,这时就需要使用复杂一点的代码了,这时我们需要用到Request对象
代码示例:
1# 请求头
2headers = {'User-Agent':'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/49.0.2623.221 Safari/537.36 SE 2.X MetaSr 1.0'}
3requests = request.Request('https://movie.douban.com/', headers=headers) # 加入自己的请求头更加接近浏览器
4# 进行请求,把Request对象传入urlopen参数中
5response = request.urlopen(requests)
6print(response.read().decode('utf-8'))
这个我添加了请求头进行请求,使我发送的请求更加接近浏览器的行为。可以对应一些反爬网站了
如果网站需要进行登陆,这时需要用到post方法,用上面的也是可以的。代码如下:
1from urllib import request, parse
2# 使用post方法来进行模拟登陆豆瓣
3data = {'source': 'None',
4 'redir': 'https://www.douban.com/',
5 'form_email': 'user',
6 'form_password': 'passwd',
7 'remember': 'on',
8 'login': '登录'}
9# 将data的字典类型转换为get请求方式
10data = bytes(parse.urlencode(data), encoding='utf-8')
11requests = request.Request('https://accounts.douban.com/login', headers=headers, data=data, method='POST')
12response = request.urlopen(requests)
13print(response.read().decode('utf-8'))
这里我用到了data的参数把登陆需要的参数传进去,还加了个请求方法Method
parse.urlencode()后面有讲
这里还有另外一种添加请求头的方法
Request.add_header(): 参数有两个,分别为请求头对应的键和值,这种方法一次只能添加一个请求头,添加多个需要用到循环或者直接用前面的方法添加多个请求头
在登陆了网站之后,我们需要用到cookie来保存登陆信息,这时就需要获取cookie了。urllib获取cookie比较麻烦。
代码示例如下:
1from http import cookiejar
2# 获取cookie
3cookie = cookiejar.CookieJar()
4# 获取助手把cookie传进去
5handler = request.HTTPCookieProcessor(cookie)
6# 获取opener进行请求网站
7opener = request.build_opener(handler)
8# 请求网页
9response = opener.open('https://movie.douban.com/')
10# 打印cookie
11for c in cookie:
12 print(c.name, '=', c.value)
单纯地打印没什么用,我们需要把他存入文件来保存,下次使用时再次加载cookie来登陆
保存cookie为文件:
1from http import cookiejar
2# 将cookie保存在文件中
3filename = 'cookie.txt'
4cookie = cookiejar.MozillaCookieJar(filename) # 表示使用Mozilla的cookie方式存储和读取
5handler = request.HTTPCookieProcessor(cookie)
6opener = request.build_opener(handler)
7opener.open('https://movie.douban.com/')
8# 保存文件
9cookie.save(ignore_discard=True, ignore_expires=True)
另一种保存方法:
1from http import cookiejar
2cookie = cookiejar.LWPCookieJar(filename) # 表示 Set-Cookie3 文件格式存储和读取
3handler = request.HTTPCookieProcessor(cookie)
4opener = request.build_opener(handler)
5opener.open('https://movie.douban.com/')
6# 保存文件
7cookie.save(ignore_discard=True, ignore_expires=True)
这两种保存格式都是不一样的,需要保存的内容一样。
保存可以了,这时就需要用到加载了,当然也可以。代码如下:
1from http import cookiejar
2# 从cookie文件加载到网页上实现记住登陆
3cookie = cookiejar.LWPCookieJar()
4# 加载文件
5cookie.load(filename, ignore_discard=True, ignore_expires=True)
6handler = request.HTTPCookieProcessor(cookie)
7opener = request.build_opener(handler)
8opener.open('https://movie.douban.com/')
这样就可以实现不用密码进行登陆了。
cookie小总结:在操作cookie时,都是分五步,如下:
-
进行导包,至关重要的一步,不导包直接出错。
-
获取cookie处理对象,使用cookiejar包
-
创建cookie处理器,使用request.HTTPCookieJarProcessor()
-
利用cookie处理器构建opener,使用request.build_opener()
-
进行请求网站,用opener.open(),这个不能用request.urlopen()
如果有时你在同一ip连续多次发送请求,会有被封ip的可能,这时我们还需要用到代理ip进行爬取,代码如下:
1proxy = request.ProxyHandler({
2 'https': 'https://106.60.34.111:80'
3})
4opener = request.build_opener(proxy)
5opener.open('https://movie.douban.com/', timeout=1)
可以看到越复杂的请求都需要用到request.build_opener(),这个方法有点重要,请记住哈
2urllib.error
将上面的使用代理ip的请求进行异常处理,如下:
1from urllib import request, error
2try:
3 proxy = request.ProxyHandler({
4 'https': 'https://106.60.34.111:80'
5 })
6 opener = request.build_opener(proxy)
7 opener.open('https://movie.douban.com/', timeout=1)
8except error.HTTPError as e:
9 print(e.reason(), e.code(), e.headers())
10except error.URLError as e:
11 print(e.reason)
因为有时这个ip或许也被封了,有可能会抛出异常,所以我们为了让程序运行下去进而进行捕捉程序
-
error.URLError: 这个是url的一些问题,这个异常只有一个reason属性
-
error.HTTPError:这个是error.URLError的子类,所以在与上面的混合使用时需要将这个异常放到前面,这个异常是一些请求错误,有三个方法,.reason(), .code(), .headers(),所以在捕捉异常时通常先使用这个
3urllib.parse
解析url:urllib.parse.urlparse(url, scheme='', allow_fragments=True)
简单的使用:
1from urllib import request, parse
2# 解析url
3print(parse.urlparse('https://movie.douban.com/'))
4print(parse.urlparse('https://movie.douban.com/', scheme='http'))
5print(parse.urlparse('movie.douban.com/', scheme='http'))
6# 下面是结果
7ParseResult(scheme='https', netloc='movie.douban.com', path='/', params='', query='', fragment='')
8ParseResult(scheme='https', netloc='movie.douban.com', path='/', params='', query='', fragment='')
9ParseResult(scheme='http', netloc='', path='movie.douban.com/', params='', query='', fragment='')
可以看出加了scheme参数和没加的返回结果是有区别的。而当scheme协议加了,而前面的url也包含协议,一般会忽略后面的scheme参数
既然后解析url,那当然也有反解析url,就是把元素串连成一个url
1from urllib import parse
2# 将列表元素拼接成url
3url = ['http', 'www', 'baidu', 'com', 'dfdf', 'eddffa'] # 这里至少需要6个元素(我乱写的,请忽视)
4print(parse.urlunparse(url))
5# 下面是结果
6http://www/baidu;com?dfdf#eddffa
urlparse()接收一个列表的参数,而且列表的长度是有要求的,是必须六个参数以上,要不会抛出异常
1Traceback (most recent call last):
2 File "E:/anaconda/python_project/python3_spider/urllib_test.py", line 107, in <module>
3 print(parse.urlunparse(url))
4 File "E:\anaconda\lib\urllib\parse.py", line 454, in urlunparse
5 _coerce_args(*components))
6ValueError: not enough values to unpack (expected 7, got 6)
urllib.parse.urljoin():这个是将第二个参数的url缺少的部分用第一个参数的url补齐
1# 连接两个参数的url, 将第二个参数中缺的部分用第一个参数的补齐
2print(parse.urljoin('https://movie.douban.com/', 'index'))
3print(parse.urljoin('https://movie.douban.com/', 'https://accounts.douban.com/login'))
4# 下面是结果
5https://movie.douban.com/index
6https://accounts.douban.com/login
urllib.parse.urlencode():这个方法是将字典类型的参数转为请求为get方式的字符串
1data = {'name': 'sergiojuue', 'sex': 'boy'}
2data = parse.urlencode(data)
3print('https://accounts.douban.com/login'+data)
4# 下面是结果
5https://accounts.douban.com/loginname=sergiojuue&sex=boy
4结语
还有个urllib.robotparse库少用,就不说了,留给以后需要再去查文档吧。
上面的只是我在学习过程中的总结,如果有什么错误的话,欢迎在留言区指出,还有就是需要查看更多用法的请查看文档https://docs.python.org/3/library/urllib.html
需要代码的可以去我的github上面fork,给个star也行!
github:https://github.com/SergioJune/gongzhonghao_code/blob/master/python3_spider/urllib_test.py
学习过程中看的大多是崔庆才大佬的视频:https://edu.hellobi.com/course/157