Python爬虫之urllib库—爬虫的第一步
第一个爬虫代码的实现我想应该是从urllib开始吧，博主开始学习的时候就是使用urllib库敲了几行代码就实现了简单的爬数据功能，我想大多伙伴们也都是这么过来的。当时的感受就是：哇，好厉害，短短几行居然就能够搞定一个看似很复杂的任务，因而就在想这短短的几行代码究竟是怎么实现的呢，如何进行更高级复杂的爬取呢？带着这个问题我也就开始了urllib库的学习。html
首先不得不提一下爬取数据的过程，弄清楚这究竟是怎样一个过程，学习urllib的时候会更方便理解。前端
爬虫的过程python
其实，爬虫的过程和浏览器浏览网页的过程是同样的。道理你们应该都明白，就是当咱们在键盘上输入网址点击搜索以后，经过网络首先会通过DNS服务器，分析网址的域名，找到了真正的服务器。而后咱们经过HTTP协议对服务器发出GET或POST请求，若请求成功，咱们就获得了咱们想看到的网页，通常都是用HTML, CSS, JS等前端技术来构建的，若请求不成功，服务器会返回给咱们请求失败的状态码，常见到的503，403等。浏览器
爬虫的过程亦是如此，经过对服务器发出请求获得HTML网页，而后对下载的网页进行解析，获得咱们想要的内容。固然，这是一个爬虫过程的一个概况，其中还有不少细节的东西须要咱们处理的，这些在后续会继续与你们分享。服务器
了解了爬虫的基本过程后，就能够开始咱们真正的爬虫之旅了。网络
urllib库socket
Python有一个内置的urllib库，可谓是爬虫过程很是重要的一部分了。这个内置库的使用就能够完成向服务器发出请求并得到网页的功能，因此也是学习爬虫的第一步了。xss
博主用的是Python3.x，urllib库的结构相对于Python2.x有一些出入，Python2.x中使用的urllib2和urllib库，而Python3.x中合并成一个惟一的urllib库。ide
首先，咱们来看看Python3.x的urllib库都有什么吧。学习
博主用的IDE是Pycharm，编辑调试很是方便，很赞。
在控制台下输入以下代码：
>>importurllib
>>dir(urllib)
结果：
['__builtins__','__cached__', '__doc__', '__file__', '__loader__', '__name__', '__package__','__path__', '__spec__', 'error', 'parse', 'request', 'response']
能够看到urllib除了以双下划线开头结尾的内置属性外，还有4个重要的属性，分别是error，parse，request，response。
在Python的urllib库中doc开头是这样简短描述的：
Error：“Exception classesraised by urllib.”----就是由urllib举出的exception类
Parse：“Parse (absolute andrelative) URLs.”----解析绝对和相对的URLs
Request：“An extensiblelibrary for opening URLs using a variety of protocols”
----用各类协议打开URLs的一个扩展库
Response：“Response classesused by urllib.”----被urllib使用的response类
这4个属性中最重要的当属request了，它完成了爬虫大部分的功能，咱们先来看看request是怎么用的。
request
request请求最简单的操做是用urlopen方法，代码以下
urllib.request response urllib.request.urlopenresult response.readresult
运行结果以下：
b'<!doctype html>\n<!--[if lt IE 7]>...</body>\n</html>\n'
发现获得的运行结果居然是乱码！！别着急，这是由于编码的问题，咱们只须要将请求的类文件读取再解码就能够了。
修改代码以下：
urllib.request response urllib.request.urlopenresult response.read.result
运行结果：
<!doctype html>
<!--[if lt IE 7]> <html class="no-js ie6 lt-ie7 lt-ie8>..
<!--[if IE 7]> <html class="no-js ie7 lt-ie8 lt-ie9">..
<!--[if IE 8]> <html class="no-js ie8 lt-ie9"> <![endif]-->
<!--[if gt IE 8]><!--><html class="no-js" lang="en" dir="ltr"
<head>
<meta charset="utf-8">
...
获得的就是咱们想要的html的网页了，怎么样，简单吧。
下面来介绍一下这个urlopen方法和其中应用的参数。
urlopen
url, data, timeoutsocket._GLOBAL_DEFAULT_TI MEOUT,, cafile, capath, cadefault, context
这个urlopen的功能是打开一个URL，能够是一串字符串（如上例子中同样），也能够是Request对象（后面会提到）。它会返回一个类文件对象，并能够针对这个对象进行各类操做（如上例中的read操做，将html所有读出来，后面会介绍其它的几个操做）。
<1>url：便是咱们输入的url网址，（如：http://www.xxxx.com/）；
<2>data：是咱们要发给服务器请求的额外信息（好比登陆网页须要主动填写的用户信息）。若是须要添加data参数，那么是POST请求，默认无data参数时，就是GET请求；
<2.1>通常来说，data参数只有在http协议下请求才有意义
<2.2>data参数被规定为byte object，也就是字节对象
<2.3>data参数应该使用标准的结构，这个须要使用
urllib.parse.urlencode()将data进行转换，而通常咱们把data设置成字典格 式再进行转换便可；
data在之后实战中会介绍如何使用
<3>timeout：是选填的内容，定义超时时间，单位是秒，防止请求时间过长，不填就是默认的时间；
<4>cafile：是指向单独文件的，包含了一系列的CA认证 （不多使用，默认便可）;
<5>capath：是指向文档目标，也是用于CA认证（不多使用，默认便可）；
<5>cafile：能够忽略
<6>context：设置SSL加密传输（不多使用，默认便可）；
对返回的类文件对象也能够进行其它操做：
geturl(): 返回URL，用于看是否有重定向。
result = response.geturl()
结果：
https://www.python.org/
info()：返回元信息，例如HTTP的headers。
result = response.info()
结果：
x-xss-protection: 1; mode=block X-Clacks-Overhead: GNU Terry Pratchett ... Vary: Cookie Strict-Transport-Security: max-age=63072000;includeSubDomains
getcode()：返回回复的HTTP状态码，成功是200，失败多是503等，能够用来检查代理IP的可以使用性。
result = response.getcode()
结果：
200
Request
, url, data, headers, origin_req_host, unverifiable, method
如上定义，Request是一个类，初始化中包括请求须要的各类参数：
<1>url，data和上面urlopen中的提到的同样。
<2>headers是HTTP请求的报文信息，如User_Agent参数等，它可让爬虫假装成浏览器而不被服务器发现你正在使用爬虫。
<3>origin_reg_host, unverifiable, method等不太经常使用
headers颇有用，有些网站设有反爬虫机制，检查请求若没有headers就会报错，所以博主为保证爬虫的稳定性，基本每次都会将headers信息加入进去，这是反爬的简单策略之一。
那么如何找到你所在浏览器的headers呢？
能够经过进入浏览器F12查看到
好比，博主用的Chrome浏览器，按F12->network就能够查看request的headers，能够把这个浏览器的headers信息复制下来使用。
下面来看看Request如何使用吧，代码以下：
urllib.request headers response urllib.request.Request, headershtml urllib.request.urlopenresponseresult html.read.decoderesult
结果和前面urlopen是同样的，前面提到urlopen除了能够接受指定参数，也能够接受Request类的对象。
在须要headers的状况下，使用Request对象仍是颇有必要的。
' '里面填写本身浏览器的信息便可。
urllib库的requset属性里面还有不少其它方法，代理、超时、认证、HTTP的POST模式下请求等内容将在下次进行分享，此次主要介绍基本功能。
下面来讲说异常，urllib库的error方法。
error
error属性里面主要包括了两个重要的exception类，URLError类和HTTPError类。
URLError类
, reason, filename.args reason, .reason reason filename .filename filename
URLError类是OSError的子类，继承OSError，没有本身的任何行为特色，可是将做为error里面全部其它类型的基类使用。
URLError类初始化定义了reason参数，意味着当使用URLError类的对象时，能够查看错误的reason。
HTTPErro类
, url, code, msg, hdrs, fp.code code .msg msg .hdrs hdrs .fp fp .filename url
HTTPError是URLError的子类，当HTTP发生错误将举出HTTPError。
HTTPError也是HTTP有效回应的实例，由于HTTP协议错误是有效的回应，包括状态码，headers和body。因此看到在HTTPError初始化的时候定义了这些有效回应的参数。
当使用HTTPError类的对象时，能够查看状态码，headers等。
下面咱们用一个例子来看一下如何使用这两个exception类。
urllib.request urllib.error headers response urllib.request.Request, headershtml urllib.request.urlopenresponseresult html.read.decodeurllib.error.URLError ee, e.reasonurllib.error.HTTPError ee, e.code
以上代码使用了try..exception的结构，实现了简单的网页爬取，当有异常时，如URLError发生时，就会返回reason，或者HTTPError发生错误时就会返回code。异常的增长丰富了爬取的结构，使其更加健壮。
为何说更加健壮了呢？
不要小看了这些异常的错误，这些异常的错误很是好用，也很是关键。想一想看，当你编写一个须要不断自动运行爬取并解析的代码时，你是不但愿程序中间被打断而终止的。若是这些异常状态没有设置好，那么就颇有可能弹出错误而被终止，但若是设置好了完整的异常，则遇到错误时就会执行发生错误的代码而不被打断（好比向上面代码同样打印错误code等）。
这些打断程序的错误多是不少种，尤为当你使用代理ip池的时候，会发生不少不一样错误，这时异常就起到做用了。
总结
主要介绍了爬虫的过程和urllib的使用和功能，针对爬虫主要介绍了如下的使用方法：
request基本功能, urlopen, Request
error异常的使用
后续将会分享一些request的高级功能，如自定义opener使用代理ip、超时设置、认证等，以及如何POST请求主动发送信息等，也会利用这些内容作一次实战爬取，但愿你们能更加理解。
- 1. python爬虫之urllib库（一）
- 2. python爬虫之urllib库（二）
- 3. Python爬虫之 urllib库
- 4. 爬虫之urllib库
- 5. Python3爬虫一之（urllib库）
- 6. Python 爬虫 --- urllib
- 7. 爬虫之urllib
- 8. python爬虫urllib库详解
- 9. 爬虫中urllib库
- 10. python-爬虫之urllib模块
- 更多相关文章...
- • 第一个MyBatis程序 - MyBatis教程
- • 第一个Hibernate程序 - Hibernate教程
- • 互联网组织的未来：剖析GitHub员工的任性之源
- • RxJava操作符（一）Creating Observables
-
每一个你不满意的现在，都有一个你没有努力的曾经。
- 1. python爬虫之urllib库（一）
- 2. python爬虫之urllib库（二）
- 3. Python爬虫之 urllib库
- 4. 爬虫之urllib库
- 5. Python3爬虫一之（urllib库）
- 6. Python 爬虫 --- urllib
- 7. 爬虫之urllib
- 8. python爬虫urllib库详解
- 9. 爬虫中urllib库
- 10. python-爬虫之urllib模块