Urllib库详解
什么是Urllib?
- Python内置的HTTP请求库(安装好Python后就可以直接使用).
- 在Python2中, 有urllib与urllib2两个库可以用来实现request的发送;
- 而在Python3中, 没有urllib2了,统一称为:urllib
- urllib中包括了四个模块:
-
urllib.request
:请求模块,可以用来发送request和获取request的结果;(类似于在浏览器中输入网址并回车操作,需要传递url链接以及参数) -
urllib.error
:异常处理模块(出现请求错误的话,使用该方法捕获异常) -
urllib.parse
:解析模块, 用于解析和处理URL;(提供许多url处理方法,比如拆分、合并等操作) -
urllib.robotparser
: robots.txt解析模块(用来识别网址的 robots.txt,分辨哪些是可以爬取的,哪些是不可以爬取的)
urllib.request模块
该模块提供了最基本的构造HTTP请求的方法,可以模拟浏览器的请求过程,同时还带有处理authentication(授权验证)、redirections(重定向)、cookies(浏览器Cookies)等内容。
urlopen()方法——打开指定的URL。
- 发送request请求给服务器
- 语法:
urllib.request.urlopen(url(网站链接), data=None(post数据,post请求时需要), [timeout, ]*(超时设置), cafile=None,capath=None, cadefault=False, context=None)
- 参数:url是地址;data:可选附加参数,字节流编码格式(bytes()可转换), 请求方式会变为POST; timeout(超时时间)单位为秒, 未及时响应则抛出异常;
- 返回:HTTPResponse类型的对象:
- response.read() 可得到返回的网页内容, 可使用decode(‘utf-8’)解码字符串;
- response.status 可以得到返回结果的状态码(status后不用跟括号)。
- 有data数据就使用post请求,没有的话就使用get请求
- get请求练习:
import urllib.request
response = urllib.request.urlopen('http://www.baidu.com')
print(response.read().decode('utf-8'))
- 若不使用.decode(‘utf-8’)进行解码,结果如下:
- post请求练习:
import urllib.parse
import urllib.request
data = bytes(urllib.parse.urlencode({'word': 'hello'}), encoding='utf8')
response = urllib.request.urlopen('http://httpbin.org/post', data=data) print(response.read())
- 结果:
- 超时设置(设置timeout参数)(如果在规定时间内没有得到响应的话就会报错):
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')
urllib.request.Request类——封装返回URL请求的抽象类。
- 利用urlopen()可实现最基本的请求发起,但不足以构建一个完整的请求;
- 使用强大的Request类可以在请求中加入需要的headers等信息,进行信息封装;
- 单独使用
urlopen
访问网址容易被识别;而Request模块可以封装headers等信息伪装成正常浏览器访问网站。 - 语法:
urllib.request.Request(url,data=None,headers={},origin_req_host=None,unverifiable=False,method=None)
- 参数url: 是必传参数,其他都是可选参数;
- 参数data: 参数如果要传必须传bytes(字节流)类型的, 如果是一个字典, 可以先用urllib.parse.urlencode()进行编码;
- 参数headers: 是一个字典, 可在构造Request时通过headers参数传递,也可通过调用add_header()来添加请求头;
- 参数origin_req_host: 请求方的host名称或IP地址;
- 参数unverifiable 指的是这个请求是否是无法验证的,默认是False, 意思是用户没有足够权限来选择接受这个请求的结果;
- 参数method:是一个字符串,用来指示请求使用的方法,如:GET、POST、PUT等。
响应(包括:状态码、响应头)
import urllib.request
response = urllib.request.urlopen('https://www.python.org')
print(response.status) #获取响应状态
print(response.getheaders()) #获取响应头(响应头里可以放参数来获取想要了解的信息)
print(response.getheader('Server')) #获取响应信息中Server的详细情况
获取响应内容
- 使用.read().decode(‘utf-8’)方法
Request 方法
等价于一下写法:
注意:当import urllib.request
换成from urllib import request
写法时,文档中的urllib.request.urlopen
就可直接写成request.urlopen
使用Request方法,可以将urlopen中的参数拆分开书写,适用于post请求
爬虫的异常处理——urllib.error
- 在爬虫运行时,经常会出现异常,若不进行处理则会因报错而终止运行。
- urllib.error可以接收由urllib.request产生的异常。
- urllib.error有两个类:URLError、HTTPError(URLError是OSError的一个子类,HTTPError是URLError的一个子类;注意:写代码时父类一定要放在子类后面,否则执行完父类就不执行子类了)。
- URLError内有一个属性:reason 返回错误的原因;
- HTTPError内有三个属性:code 返回HTTP状态码,如404 ; reason 返回错误原因; headers 返回请求头。
- 如何选择异常库:实际开发中会同时使用两个异常类。不过:URLError:产生的原因主要是1、网络没有连接;2、服务器连接失败,3、找不到指定的服务器。猜想:HTTPError是URLError的详细化的错误异常,URLError只能粗略的判断异常的原因,而HTTPError可以 详细的判断异常并返回对应的状态码,可以清楚的知道http此时的状态。所以常规思路是先使用HTTPError判断是否是http的问题,后使用URLError。
- 错误处理: 在容易出错的位置,添加 try 块。
- 可以通过
isinstance
判断具体是哪种异常:
import socket
import urllib.request,urllib.error
try:
response = urllib.request.urlopen('https://www.baidu.com', timeout=0.01)
except urllib.error.URLError as e:
print(type(e.reason))
if isinstance(e.reason, socket.timeout):
print('TIME OUT')
重点:开发中经常采用统一处理:except Exception as e
加上 hasattr
来判断错误原因属于哪种:
from urllib import request, error
url = ''
req = request.Request(url)
try:
res = request.urlopen(req)
html = res.read().decode('utf-8')
print(len(html))
except Exception as e:
if hasattr(e, "code"):
print("HTTPError")
print(e.reason)
print(e.code)
elif hasattr(e, "reason"):
print("URLError")
print(e.reason)
URL解析
urlparse方法(解析url的方法):
- 语法:
urllib.parse.urlparse(urlstring, scheme=''(这是默认值), allow_fragments=True)
urlunparse方法(urlparse的反向用法)
urljoin(url路径拼合方法)
注意:路径重复的地方,后面路径会覆盖前面的路径
urllib.parse的quote和urlencode区别(可以把关键字转化为get请求参数)
quote 和 urlencode 的区别:
- urlencode 针对传递字典参数;
- quote 针对传递字符串参数;
from urllib.parse import quote
from urllib.parse import urlencode
base_url = 'https://s.taobao.com/search?'
data = {
'q': 'ipad'
}
print('https://s.taobao.com/search?q='+quote('ipad'))
#https://s.taobao.com/search?ipad
print(base_url+urlencode(data))
#https://s.taobao.com/search?q=ipad
高级用法
Handler——代理
import urllib.request
proxy_handler = urllib.request.ProxyHandler({
'http': 'http://127.0.0.1:9743',
'https': 'https://127.0.0.1:9743'
}) #伪装IP地址
opener = urllib.request.build_opener(proxy_handler)
response = opener.open('http://httpbin.org/get')
print(response.read())
Cookie
- ——在客服端保存的信息,用来记录用户身份的文本文件
- ——可以在浏览器右键审查元素中的application中查看
- ——在爬虫时,Cookie主要用来维持登陆状态的机制
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)