python的urllib学习

参考：
python的urllib学习

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 import request
response = request.urlopen(r'http://python.org/') # 
page = response.read()
page = page.decode('utf-8')

tips：

urllib.request.urlopen(req_data1).read().decode("utf-8", "ignore")

decode(“utf-8”, “ignore”)作用是忽略乱码

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 import request, 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')#编码是把特殊字符用%20之类的替换，utf-8是设置字符编码的，如果有中文防止产生路乱码
 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()

4、异常处理

def get_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')
     except error.HTTPError as e:
         print(e.code())
        print(e.read().decode('utf-8'))
     return page

5、使用代理：

urllib.request.ProxyHandler(proxies=None)

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