python 的urllib模块_python-爬虫之urllib模块

urllib是python的一个获取url(Uniform Resource Locators,统一资源定址器)了，我们可以利用它来抓取远程的数据进行保存哦

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。

from urllib importrequest

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

page =response.read()

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。

url = r'http://www.lagou.com/zhaopin/Python/?labelWords=label'headers={'User-Agent': r'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko)'r'Chrome/45.0.2454.85 Safari/537.36 115Browser/6.0.3','Referer': r'http://www.lagou.com/zhaopin/Python/?labelWords=label','Connection': 'keep-alive'}

req= request.Request(url, headers=headers)

page=request.urlopen(req).read()

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。

from urllib importrequest, parse

url= r'http://www.lagou.com/jobs/positionAjax.json?'headers={'User-Agent': r'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko)'r'Chrome/45.0.2454.85 Safari/537.36 115Browser/6.0.3','Referer': r'http://www.lagou.com/zhaopin/Python/?labelWords=label','Connection': 'keep-alive'}

data={'first': 'true','pn': 1,'kd': 'Python'}

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

req= request.Request(url, headers=headers, data=data)

page=request.urlopen(req).read()

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。

data ={'first': 'true','pn': 1,'kd': 'Python'}

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

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

defget_page(url):

headers={'User-Agent': r'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko)'r'Chrome/45.0.2454.85 Safari/537.36 115Browser/6.0.3','Referer': r'http://www.lagou.com/zhaopin/Python/?labelWords=label','Connection': 'keep-alive'}

data={'first': 'true','pn': 1,'kd': 'Python'}

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

req= request.Request(url, headers=headers)try:

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

page= page.decode('utf-8')excepterror.HTTPError as e:print(e.code())print(e.read().decode('utf-8'))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。

data ={'first': 'true','pn': 1,'kd': 'Python'}

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

opener = request.build_opener(proxy) #挂载opener

request.install_opener(opener) #安装opener

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

page=opener.open(url, data).read()

page= page.decode('utf-8')return page

5、实践

#-*- coding: utf-8 -*-

importurllib.requestimportreimportos

targetDir= r"D:\python\test\spider\img\douban" #文件保存路径

defdestFile(path):if notos.path.isdir(targetDir):

os.mkdir(targetDir)

pos= path.rindex('/')

t= os.path.join(targetDir, path[pos+1:])returntif __name__ == "__main__": #程序运行入口

weburl = "http://www.douban.com/"webheaders={'Connection': 'Keep-Alive','Accept': 'text/html, application/xhtml+xml, */*','Accept-Language': 'en-US,en;q=0.8,zh-Hans-CN;q=0.5,zh-Hans;q=0.3','User-Agent': 'Mozilla/5.0 (Windows NT 6.3; WOW64; Trident/7.0; rv:11.0) like Gecko',#'Accept-Encoding': 'gzip, deflate',

'Host': 'www.douban.com','DNT': '1'}

req= urllib.request.Request(url=weburl, headers=webheaders) #构造请求报头

webpage = urllib.request.urlopen(req) #发送请求报头

contentBytes =webpage.read()

contentBytes= contentBytes.decode('UTF-8')for link, t in set(re.findall(r'(https:[^\s]*?(jpg|png|gif))', str(contentBytes))): #正则表达式查找所有的图片

print(link)try:

urllib.request.urlretrieve(link, destFile(link))#下载图片

except:print('失败') #异常抛出

执行过程如下：

打开电脑上对应的文件夹，然后来看看图片，这里只是一部分哦！！。