urllib库

爬虫基础

1.爬虫：请求网站并请求数据的自动化程序。

2.爬虫的基本流程：

1.发起请求

  经过http库向目标站点发起请求，即发送一个request，请求包含额外的headers信息，等待服务器响应。

2.解析内容

  获得内容是HTML，能够用正则表达式、网页解析库进行解析。多是json,多是二进制，能够作进一步处理

3.获取响应内容

  若是服务器正常响应会获得一个response页面内容，类型多是json字符串、二进制数据、HTML等。

4.保存数据

  能够保存为文本，或者数据库，特定格式。

2.urllib基本用法

官方文档地址：https://docs.python.org/3/library/urllib.html

Urllib是python内置的HTTP请求库
包括如下模块
urllib.request 请求模块
urllib.error 异常处理模块
urllib.parse url解析模块
urllib.robotparser robots.txt解析模块

1.urlopen

关于urllib.request.urlopen参数的介绍：
urllib.request.urlopen(url, data=None, [timeout, ]*, cafile=None, capath=None, cadefault=False, context=None)

url参数的使用

urlopen通常经常使用的有三个参数，它的参数以下：
urllib.requeset.urlopen(url,data,timeout)
response.read()能够获取到网页的内容，若是没有read()

data参数的使用

这里就用到urllib.parse，经过bytes(urllib.parse.urlencode())能够将post数据进行转换放到urllib.request.urlopen的data参数中。这样就完成了一次post请求。
因此若是咱们添加data参数的时候就是以post请求方式请求，若是没有data参数就是get请求方式

import urllib.request

import urllib.parse

data=bytes(urllib.parse.urlencode({'word':'hello'}),encoding='utf-8')

print(data)

response=urllib.request.urlopen('http://httpbin.org/post', data=data)

print(response.read())

timeout参数的使用
在某些网络状况很差或者服务器端异常的状况会出现请求慢的状况，或者请求异常，因此这个时候咱们须要给
请求设置一个超时时间，而不是让程序一直在等待结果。例子以下：

import urllib.request

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

print(response.read())

1. 异常处理

import urllib.request

import urllib.error

import socket

try:

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

except urllib.error.URLError as e:

    if isinstance(e.reason,socket.timeout):

        print(''TIME OUT'')

3.设置Headers
有不少网站为了防止程序爬虫爬网站形成网站瘫痪，会须要携带一些headers头部信息才能访问，最长见的有user-agent参数，使用urllib.request

#添加请求头

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': 'zhaofan'

}

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'))

#第二种添加头部信息方式

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)

4.高级用法各类handler

代理,ProxyHandler

经过rulllib.request.ProxyHandler()能够设置代理,网站它会检测某一段时间某个IP 的访问次数，若是访问次数过多，它会禁止你的访问,因此这个时候须要经过设置代理来爬取数据

import urllib.request

 

proxy_handler = urllib.request.ProxyHandler({

    'http':'112.35.29.53:8088',

    'https':'165.227.169.12:80'

})

opener = urllib.request.build_opener(proxy_handler)

response = opener.open('http://www.baidu.com')

print(response.read())

5.cookie,HTTPCookiProcessor

cookie中保存中咱们常见的登陆信息，有时候爬取网站须要携带cookie信息访问,这里用到了http.cookijar，用于获取cookie以及存储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)

 

同时cookie能够写入到文件中保存，有两种方式http.cookiejar.MozillaCookieJar和http.cookiejar.LWPCookieJar()。

具体代码例子以下：
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)

 

一样的若是想要经过获取文件中的cookie获取的话能够经过load方式，固然用哪一种方式写入的，就用哪一种方式读取。

 

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'))

 

异常处理

在不少时候咱们经过程序访问页面的时候，有的页面可能会出现错误，相似404，500等错误
这个时候就须要咱们捕捉异常，

from urllib import request,error

try:

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

    print(e.reason)

上述代码访问的是一个不存在的页面，经过捕捉异常，咱们能够打印异常错误

这里咱们须要知道的是在urllb异常这里有两个个异常错误：
URLError,HTTPError，HTTPError是URLError的子类

URLError里只有一个属性：reason,即抓异常的时候只能打印错误信息，相似上面的例子

HTTPError里有三个属性：code,reason,headers，即抓异常的时候能够得到code,reson，headers三个信息，例子以下：

 

from urllib import request,errortry:

    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")

 

同时，e.reason其实也能够在作深刻的判断，例子以下：

 

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)

结果为：

 

这里就是能够对你传入的url地址进行拆分
同时咱们是能够指定协议类型：
result = urlparse("www.baidu.com/index.html;user?id=5#comment",scheme="https")
这样拆分的时候协议类型部分就会是你指定的部分，固然若是你的url里面已经带了协议，你再经过scheme指定的协议就不会生效

urlunpars

其实功能和urlparse的功能相反，它是用于拼接，例子以下：

from urllib.parse import urlunparse

 

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

结果以下

 

urljoin

这个的功能实际上是作拼接的，例子以下：

 

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'))

 

结果为：

从拼接的结果咱们能够看出，拼接的时候后面的优先级高于前面的url

urlencode
这个方法能够将字典转换为url参数，例子以下

 

from urllib.parse import urlencode

 

params = {

    "name":"zhaofan",

    "age":23,

}

base_url = "http://www.baidu.com?"

 

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

 

结果为：