小白學爬蟲(三) - 之 Urllib庫的基本使用

 官方文檔地址：https://docs.python.org/3/library/urllib.html

什么是Urllib

Urllib是python內置的HTTP請求庫
包括以下模塊
urllib.request 請求模塊
urllib.error 異常處理模塊
urllib.parse url解析模塊
urllib.robotparser robots.txt解析模塊

urlopen

關於urllib.request.urlopen參數的介紹：
urllib.request.urlopen(url, data=None, [timeout, ]*, cafile=None, capath=None, cadefault=False, context=None)

url參數的使用

先寫一個簡單的例子：

import urllib.request

response = urllib.request.urlopen('http://www.baidu.com')
print(response.read().decode('utf-8'))

urlopen一般常用的有三個參數，它的參數如下：
urllib.requeset.urlopen(url,data,timeout)
response.read()可以獲取到網頁的內容，如果沒有read()，將返回如下內容

data參數的使用

上述的例子是通過請求百度的get請求獲得百度，下面使用urllib的post請求
這里通過http://httpbin.org/post網站演示（該網站可以作為練習使用urllib的一個站點使用，可以
模擬各種請求操作）。

import urllib.parse
import urllib.request

data = bytes(urllib.parse.urlencode({'word': 'hello'}), encoding='utf8')
print(data)
response = urllib.request.urlopen('http://httpbin.org/post', data=data)
print(response.read())

這里就用到urllib.parse，通過bytes(urllib.parse.urlencode())可以將post數據進行轉換放到urllib.request.urlopen的data參數中。這樣就完成了一次post請求。
所以如果我們添加data參數的時候就是以post請求方式請求，如果沒有data參數就是get請求方式

timeout參數的使用
在某些網絡情況不好或者服務器端異常的情況會出現請求慢的情況，或者請求異常，所以這個時候我們需要給
請求設置一個超時時間，而不是讓程序一直在等待結果。例子如下：

import urllib.request

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

運行之后我們看到可以正常的返回結果，接着我們將timeout時間設置為0.1
運行程序會提示如下錯誤

所以我們需要對異常進行抓取，代碼更改為

import socket
import urllib.request
import urllib.error

try:
    response = urllib.request.urlopen('http://httpbin.org/get', timeout=0.1)
except urllib.error.URLError as e:
    if isinstance(e.reason, socket.timeout):
        print('TIME OUT')

響應

響應類型、狀態碼、響應頭

import urllib.request

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

可以看到結果為：<class 'http.client.httpresponse'="">
我們可以通過response.status、response.getheaders().response.getheader("server")，獲取狀態碼以及頭部信息
response.read()獲得的是響應體的內容

當然上述的urlopen只能用於一些簡單的請求，因為它無法添加一些header信息，如果后面寫爬蟲我們可以知道，很多情況下我們是需要添加頭部信息去訪問目標站的，這個時候就用到了urllib.request

request

設置Headers
有很多網站為了防止程序爬蟲爬網站造成網站癱瘓，會需要攜帶一些headers頭部信息才能訪問，最長見的有user-agent參數

寫一個簡單的例子：

import urllib.request

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

給請求添加頭部信息，從而定制自己請求網站是時的頭部信息

from urllib import request, parse

url = 'http://httpbin.org/post'
headers = {
    'User-Agent': 'Mozilla/4.0 (compatible; MSIE 5.5; Windows NT)',
    'Host': 'httpbin.org'
}
dict = {
    'name': 'alex'
}
data = bytes(parse.urlencode(dict), encoding='utf8')
req = request.Request(url=url, data=data, headers=headers, method='POST')
response = request.urlopen(req)
print(response.read().decode('utf-8'))

添加請求頭的第二種方式

from urllib import request, parse

url = 'http://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'))

這種添加方式有個好處是自己可以定義一個請求頭字典，然后循環進行添加

高級用法各種handler

代理,ProxyHandler

通過rulllib.request.ProxyHandler()可以設置代理,網站它會檢測某一段時間某個IP 的訪問次數，如果訪問次數過多，它會禁止你的訪問,所以這個時候需要通過設置代理來爬取數據

import urllib.request

proxy_handler = urllib.request.ProxyHandler({
    'http': 'http://127.0.0.1:9743',
    'https': 'https://127.0.0.1:9743'
})
opener = urllib.request.build_opener(proxy_handler)
response = opener.open('http://httpbin.org/get')
print(response.read())

cookie,HTTPCookiProcessor

cookie中保存中我們常見的登錄信息，有時候爬取網站需要攜帶cookie信息訪問,這里用到了http.cookijar，用於獲取cookie以及存儲cookie

import http.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 in cookie:
    print(item.name+"="+item.value)

同時cookie可以寫入到文件中保存，有兩種方式http.cookiejar.MozillaCookieJar和http.cookiejar.LWPCookieJar()，當然你自己用哪種方式都可以

具體代碼例子如下：
http.cookiejar.MozillaCookieJar()方式

import http.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)

http.cookiejar.LWPCookieJar()方式

import http.cookiejar, urllib.request
filename = 'cookie.txt'
cookie = http.cookiejar.LWPCookieJar(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)

同樣的如果想要通過獲取文件中的cookie獲取的話可以通過load方式，當然用哪種方式寫入的，就用哪種方式讀取。

import http.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'))

異常處理

在很多時候我們通過程序訪問頁面的時候，有的頁面可能會出現錯誤，類似404，500等錯誤
這個時候就需要我們捕捉異常，下面先寫一個簡單的例子

from urllib import request,error

try:
    response = request.urlopen("http://pythonsite.com/1111.html")
except error.URLError as e:
    print(e.reason)

上述代碼訪問的是一個不存在的頁面，通過捕捉異常，我們可以打印異常錯誤

這里我們需要知道的是在urllb異常這里有兩個個異常錯誤：
URLError,HTTPError，HTTPError是URLError的子類

URLError里只有一個屬性：reason,即抓異常的時候只能打印錯誤信息，類似上面的例子

HTTPError里有三個屬性：code,reason,headers，即抓異常的時候可以獲得code,reson，headers三個信息，例子如下：

from urllib import request,error
try:
    response = request.urlopen("http://pythonsite.com/1111.html")
except error.HTTPError as e:
    print(e.reason)
    print(e.code)
    print(e.headers)
except error.URLError as e:
    print(e.reason)

else:
    print("reqeust successfully")

同時，e.reason其實也可以在做深入的判斷，例子如下：

import socket

from urllib import error,request

try:
    response = request.urlopen("http://www.pythonsite.com/",timeout=0.001)
except error.URLError as e:
    print(type(e.reason))
    if isinstance(e.reason,socket.timeout):
        print("time out")

URL解析

urlparse
The URL parsing functions focus on splitting a URL string into its components, or on combining URL components into a URL string.

urllib.parse.urlparse(urlstring, scheme='', allow_fragments=True)

功能一：

from urllib.parse import urlparse

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

結果為：

這里就是可以對你傳入的url地址進行拆分
同時我們是可以指定協議類型：
result = urlparse("www.baidu.com/index.html;user?id=5#comment",scheme="https")
這樣拆分的時候協議類型部分就會是你指定的部分，當然如果你的url里面已經帶了協議，你再通過scheme指定的協議就不會生效

urlunpars

其實功能和urlparse的功能相反，它是用於拼接，例子如下：

from urllib.parse import urlunparse

data = ['http','www.baidu.com','index.html','user','a=123','commit']
print(urlunparse(data))

結果如下

urljoin

這個的功能其實是做拼接的，例子如下：

from urllib.parse import urljoin

print(urljoin('http://www.baidu.com', 'FAQ.html'))
print(urljoin('http://www.baidu.com', 'https://pythonsite.com/FAQ.html'))
print(urljoin('http://www.baidu.com/about.html', 'https://pythonsite.com/FAQ.html'))
print(urljoin('http://www.baidu.com/about.html', 'https://pythonsite.com/FAQ.html?question=2'))
print(urljoin('http://www.baidu.com?wd=abc', 'https://pythonsite.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'))

結果為：

從拼接的結果我們可以看出，拼接的時候后面的優先級高於前面的url

urlencode
這個方法可以將字典轉換為url參數，例子如下

from urllib.parse import urlencode

params = {
    "name":"alex",
    "age":23,
}
base_url = "http://www.baidu.com?"

url = base_url+urlencode(params)
print(url)

結果為：