python之urllib库

 

urllib库

urllib库是Python中一个最基本的网络请求库。能够模拟浏览器的行为，向指定的服务器发送一个请求，并能够保存服务器返回的数据。

urlopen函数：

在Python3的urllib库中，全部和网络请求相关的方法，都被集到urllib.request模块下面了，以先来看下urlopen函数基本的使用：

from urllib import request resp = request.urlopen('http://www.baidu.com') print(resp.read()) 

实际上，使用浏览器访问百度，右键查看源代码。你会发现，跟咱们刚才打印出来的数据是如出一辙的。也就是说，上面的三行代码就已经帮咱们把百度的首页的所有代码爬下来了。一个基本的url请求对应的python代码真的很是简单。
如下对urlopen函数的进行详细讲解：

1. url：请求的url。
2. data：请求的data，若是设置了这个值，那么将变成post请求。
3. 返回值：返回值是一个http.client.HTTPResponse对象，这个对象是一个类文件句柄对象。有read(size)、readline、readlines以及getcode等方法。

urlretrieve函数：

这个函数能够方便的将网页上的一个文件保存到本地。如下代码能够很是方便的将百度的首页下载到本地：

from urllib import request request.urlretrieve('http://www.baidu.com/','baidu.html') 

urlencode函数：

用浏览器发送请求的时候，若是url中包含了中文或者其余特殊字符，那么浏览器会自动的给咱们进行编码。而若是使用代码发送请求，那么就必须手动的进行编码，这时候就应该使用urlencode函数来实现。urlencode能够把字典数据转换为URL编码的数据。示例代码以下：

from urllib import parse data = {'name':'爬虫基础','greet':'hello world','age':100} qs = parse.urlencode(data) print(qs) 

parse_qs函数：

能够将通过编码后的url参数进行解码。示例代码以下：

from urllib import parse qs = "name=%E7%88%AC%E8%99%AB%E5%9F%BA%E7%A1%80&greet=hello+world&age=100" print(parse.parse_qs(qs)) 

urlparse和urlsplit：

有时候拿到一个url，想要对这个url中的各个组成部分进行分割，那么这时候就可使用urlparse或者是urlsplit来进行分割。示例代码以下：

from urllib import request,parse url = 'http://www.baidu.com/s?username=zhiliao' result = parse.urlsplit(url) # result = parse.urlparse(url) print('scheme:',result.scheme) print('netloc:',result.netloc) print('path:',result.path) print('query:',result.query) 

urlparse和urlsplit基本上是如出一辙的。惟一不同的地方是，urlparse里面多了一个params属性，而urlsplit没有这个params属性。好比有一个url为：url = 'http://www.baidu.com/s;hello?wd=python&username=abc#1'，
那么urlparse能够获取到hello，而urlsplit不能够获取到。url中的params也用得比较少。

request.Request类：

若是想要在请求的时候增长一些请求头，那么就必须使用request.Request类来实现。好比要增长一个User-Agent，示例代码以下：

from urllib import request headers = { 'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/62.0.3202.94 Safari/537.36' } req = request.Request("http://www.baidu.com/",headers=headers) resp = request.urlopen(req) print(resp.read())

ProxyHandler处理器（代理设置）

不少网站会检测某一段时间某个IP的访问次数(经过流量统计，系统日志等)，若是访问次数多的不像正常人，它会禁止这个IP的访问。
因此咱们能够设置一些代理服务器，每隔一段时间换一个代理，就算IP被禁止，依然能够换个IP继续爬取。
urllib中经过ProxyHandler来设置使用代理服务器，下面代码说明如何使用自定义opener来使用代理：

from urllib import request # 这个是没有使用代理的 # resp = request.urlopen('http://httpbin.org/get') # print(resp.read().decode("utf-8")) # 这个是使用了代理的 handler = request.ProxyHandler({"http":"218.66.161.88:31769"}) opener = request.build_opener(handler) req = request.Request("http://httpbin.org/ip") resp = opener.open(req) print(resp.read()) 

经常使用的代理有：

• 西刺免费代理IP：http://www.xicidaili.com/
• 快代理：http://www.kuaidaili.com/
• 代理云：http://www.dailiyun.com/

 proxyHandler处理器（代理）：

1.代理的原理：在请求目的网址以前，先请求代理服务器，而后让代理服务器去请求目的网站，代理服务器拿到目的网站的数据后，再转发给咱们的代码。

2.http://httpbin.org：这个网站能够方便查看http请求的一些参数。

3.在代码中使用代理:

　　1)使用urllib.request.ProxyHandler，传入一个代理，这个代理是一个字典，字典的key依赖于代理服务器可以接收的类型，通常是'http'或者'https'，值是'ip:port'。

　　2）使用上一步建立的handler，以及'request.build_opener'建立一个'opener'对象。

　　3）使用上一步建立的'opener'，调用'open'函数，发起请求。

示例代码以下:

from urllib import request

url = 'http://httpbin.org/ip'

handler = request.ProxyHandler({"http":"233.241.78.43:8010"})

opener = request.build_opener(handler)

resp = opener.open(url)

print(resp.read())

 

 

 

 

>>>>>>待续