Python之urllib库的用法

　　参考：https://zhuanlan.zhihu.com/p/146016738

　　urllib库的作用

　　爬虫的第一个步骤是获取网页，urllib库是用来实现这个功能：想服务器发送请求，得到服务器响应，获取网页的内容。

　　Python的强大在于提供了功能齐全的类库，来帮助我们完成这个请求，通过调用urllib库，我们不需要了解请求的数据结构，HTTP，TCP，IP层网络传输同学，以及服务器应答原理等。

　　我们只需要关心以下三点，然后通过几行调用urllib库的代码，就能够获得我们想要的网页内容。

    • 请求的URL是什么
    • 传递的参数是什么
    • 如何设置可选的请求头

 　　urllib库的构成

　　在python2中，曾经有urllib和urllib2两个库来实现请求的发送，但目前通用的python3版本中，两个库的功能已经合并成一个库，统一为urllib，它是python内置函数，不需要额外安装即可使用。

　　urllib的四个模块

 

　　

　　【1】requset：HTTP请求模块，可以用来模拟发送请求，只需要传入URL及额外参数，就可以模拟浏览器访问网页的过程。

　　【2】error：异常处理模块，检测请求是否报错，捕捉异常错误，进行重试或其他操作，保证程序不会终止。

　　【3】parse：工具模块，提供许多URL处理方法，如拆分、解析、合并等。

　　【4】robotparser：识别网站的robots.txt文件，判断哪些网站可以爬，哪些网站不可以爬，使用频率较少。

　　发送请求

　　urlopen是request模块中的方法，用于抓取网络。

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

　　我们以代码示例，我们抓取百度的网页

# 调用urllib库中的request模块
import urllib.request
# 发送请求获取百度网页的响应
response = urllib.request.urlopen("http://www.baidu.com")
# 打印响应内容
# read()是把响应对象内容全部读取出来,读取出来为bytes码
# decode('utf-8')把bytes码解码
print(response.read().decode('utf-8'))

　　返回的结果比较多，随便截取其中一部分，可以看出是百度的网页HTML源代码。

 

 　　我们只用几行代码，就完成了百度的抓取，并打印了网页的源代码，接下来，我们看一看我们获得的响应内容response到底是什么？利用type（）方法来输出响应的类型。

print(type(response))
# <class 'http.client.HTTPResponse'>

　　它是一个HTTPResponse类型的对象

　　包含方法：read（）、readinto（）、getheader（）、getheaders（）、fileno（）等

　　包含属性：msg、version、status、reason、debuglevel、closed等属性。

　　通过调用以上的方法和属性，就能返回我们所需的信息。

　　比如一开始我们打印获取网页内容时，就用到了read（）方法。

　　调用status属性则可以得到返回结果的状态码，200代表强求成功，404代表网页未找到等。

　　再看一个代码示例加深理解：

# 打印响应状态码
print(response.status,"\n")
# 200
# 打印响应头信息
print(response.getheaders(),"\n")
# [('Bdpagetype', '1'), ('Bdqid', '0x90ae03e0000443e3'), ('Cache-Control', 'private'), ('Content-Type', 'text/html;charset=utf-8'), ('Date', 'Tue, 24 Aug 2021 01:18:50 GMT'), ('Expires', 'Tue, 24 Aug 2021 01:18:50 GMT'), ('P3p', 'CP=" OTI DSP COR IVA OUR IND COM "'), ('P3p', 'CP=" OTI DSP COR IVA OUR IND COM "'), ('Server', 'BWS/1.1'), ('Set-Cookie', 'BAIDUID=162948399648CA18CD24B2476E039F6B:FG=1; expires=Thu, 31-Dec-37 23:55:55 GMT; max-age=2147483647; path=/; domain=.baidu.com'), ('Set-Cookie', 'BIDUPSID=162948399648CA18CD24B2476E039F6B; expires=Thu, 31-Dec-37 23:55:55 GMT; max-age=2147483647; path=/; domain=.baidu.com'), ('Set-Cookie', 'PSTM=1629767930; expires=Thu, 31-Dec-37 23:55:55 GMT; max-age=2147483647; path=/; domain=.baidu.com'), ('Set-Cookie', 'BAIDUID=162948399648CA18CA2A9672599961C8:FG=1; max-age=31536000; expires=Wed, 24-Aug-22 01:18:50 GMT; domain=.baidu.com; path=/; version=1; comment=bd'), ('Set-Cookie', 'BDSVRTM=17; path=/'), ('Set-Cookie', 'BD_HOME=1; path=/'), ('Set-Cookie', 'H_PS_PSSID=34437_34441_31253_34004_34092_26350_34390; path=/; domain=.baidu.com'), ('Traceid', '1629767930035569306610425274448017114083'), ('Vary', 'Accept-Encoding'), ('Vary', 'Accept-Encoding'), ('X-Frame-Options', 'sameorigin'), ('X-Ua-Compatible', 'IE=Edge,chrome=1'), ('Connection', 'close'), ('Transfer-Encoding', 'chunked')]
# 打印响应头的Server值
print(response.getheader('Server'),"\n")
# BWS/1.1

　　在打印的三行代码中

　　第一行输出了响应的状态码(200代表正常)

　　第二行输出了响应的头信息

　　第三行通过调用getheader（）方法并传递参数Server，获取了第二行响应头信息中的Server对应的值BWS/1.1。

　　参数

　　利用基本的urlopen()方法可以完成最基本的简单网页GET方法抓取。

　　如果想达成更复杂一些的任务，需要给链接传递一些参数，该如何实现。

　　urlopen（）的函数原型如下：

urllib.request.urlopen(url, data=None, [timeout, ]*, cafile=None, capath=None, cadefault=False, context=None)　

　　除了第一个参数传递URL之外，我们还可以传递其他参数，比如data(附加数据)，timeout(超时时间)等。

　　data参数

　　data用来指明往服务器请求中的额外参数信息，data默认是None，此时以GET方式发送请求；当用户给出data参数的时候，改为POST方式发送请求。

　　data参数是可选的，如果需要添加该参数，需要使用bytes()方法将参数转化为二进制数据。

　　还是通过代码理解

　　首先了解模块urllib.parse.urlencode的用法

　　urllib.parse.urlencode用于把一个字典转换成对应的str

　　举例说明

# urllib.parse.urlencode把字典转换成字符串str
# 如果字典包含多个元素则之间使用&分隔
import urllib.parse
print(urllib.parse.urlencode({"word":"hello"}))
# word=hello
print(urllib.parse.urlencode({"word":"hello","word1":"hello1"}))
# word=hello&word1=hello1

　　下面代码演示POST方法

import urllib.parse
import urllib.request
# urllib.parse.urlencode({'word':'hello'})把字典转换为字符串 "word=hello"
# bytes("word=hello",encoding='utf-8')把字符串转换成二进制b"word=hello"
data = bytes(urllib.parse.urlencode({'word':'hello'}),encoding='utf-8')
# 以下方法和上面转换的结果一致
# data = urllib.parse.urlencode({'word1':'hello'}).encode('utf-8')
response = urllib.request.urlopen("http://httpbin.org/post",data=data)
print(response.read().decode('utf-8'))

　　首页这里请求的站点是，它是一个HTTP请求测试网站，记住它后面举例会经常用到它。

　　这次我们要使用post方式请求，而不是get，因为post是需要携带表单信息的（类似登陆的用户名和密码）所以我们要在urlopen函数中传递data参数。

　　前面讲了data参数必须是bytes型。

　　bytes（）这个方法第一个参数需要str（字符串类型），这里就需要用到urllib库的parse模块里的urlencode（）方法来将参数字典转化为字符串。第二个参数是　　指定编码格式，这里指定为utf-8。

　　运行结果如下：

{
  "args": {},
  "data": "",
  "files": {},
  "form": {
    "word": "hello"
  },
  "headers": {
    "Accept-Encoding": "identity",
    "Content-Length": "10",
    "Content-Type": "application/x-www-form-urlencoded",
    "Host": "httpbin.org",
    "User-Agent": "Python-urllib/3.6",
    "X-Amzn-Trace-Id": "Root=1-6124521e-0844c17c161a90e06ad543c0"
  },
  "json": null,
  "origin": "116.25.236.109",
  "url": "http://httpbin.org/post"
}

　　该网页通过POST传递了表单数据，在form内输出一个字典格式，如果传递字典有多个元素则form下也对应多个元素。

　　可以看到，我们传递的参数data中的字典键值对"word":"hello"出现在了form字段中，这表明了表单提交的方式，以POST方式传输数据。

　　timeout参数

　　timeout参数用于设置超时时间，单位为秒，意思是如果请求时间超过了设置的时间，还没有得到响应，就会抛出异常，在实际爬虫中，我们要对许多URL发起请求，中途肯定会出现爬取异常的URL，短时间无法获得响应，我们需要识别出这种异常，就需要用到timeout参数。

　　如果不指定timeout参数，会使用全局默认时间。它支持HTTP、HTTPS、FTP请求。

　　通过代码示例理解：

# 调用urllib库中的request模块
import urllib.request
response = urllib.request.urlopen("http://httpbin.org/get",timeout=0.01)
print(response.read().decode('utf-8'))

　　这里我们把timeout参数设成0.01秒，网页反应时间是没这么快的，所以一定会报错，我们来看一下报错的信息：

urllib.error.URLError: <urlopen error timed out>

　　显示异常属于urllib.error模块，错误原因是超时。

　　在实际爬虫中，我们可以用过设置这个超时时间来控制一个网页在长时间未响应时，就跳过它的抓取。这可以利用try except 语句来实现。

　　代码示例：

import socket
import urllib.request

try:
    response = urllib.request.urlopen("http://httpbin.org/get",timeout=0.01)
    print(response.read().decode('utf-8'))
except urllib.error.URLError as e :
    if isinstance(e.reason,socket.timeout):
        print("time out !")

　　在代码中加入try except 语句后，如果响应超时，便会跳过抓取，我们捕获了URLError异常后，接着判断异常是socket.timeout类型（意思就是超时异常），于是打印出了time out !

　　输出结果如下：

time out !

　　其他参数（少用）

　　context参数：它必须是ssl.SSLContext类型，用来指定SSL设置，实现SSL加密传输。

　　cafile、capath：分别指定CA证书和它的路径，用于实现可信任的CA证书的HTTP请求。

　　cadefault：已经弃用，默认False。

　　2，Request

 　　上文已经讲解了如何利用urlopen（）方法实现最基本的请求发起。但这几个简单的参数并不足以构建一个完整的请求（过于简单的请求会被浏览器识别为爬虫而拒绝响应）。如果请求中需要加入Headers等信息，就需要用到Requset类来构建。

　　同样通过实例展示Request用法：

# 展示Request
import urllib.request

request = urllib.request.Request('http://httpbin.org/get')
response = urllib.request.urlopen(request)
print(response.read().decode('utf-8'))

　　我们依然是用urlopen()方法来发送请求，只是这次的参数不在是url，而是一个Request类型对象。通过构造这个数据类型，我们可以将请求独立为一个对象，并且更灵活的配置参数。

　　Reque的函数原型如下：

class urllib.request.Request(url，data = None，headers ={ }，origin_req_host =None，unverifiable = False，method = None)

　　下面来看它的具体参数：

　　url：用于请求的URL，这是毕传参数，其他都是可选参数

　　data：必须是bytes类型，如果它是字典，可以先用urllib.parse模块里的urlencode方法编码（用于POST请求）

　　headers:是一个字典，它就是请求头，我们可以在构造请求时，通过headers参数直接构造，也可以通过调用请求示例的add_header（）方法添加

　　origin_req_host:指的是请求方的host名称或IP地址。

　　unverifiable:表示这个请求是否无法验证，默认为False，意思是说用户没有足够权限来选择接收这个请求的结果。比如我们请求一个HTML文档中的图片，但是我们没有自助抓取图象的权限，这是unverifiable的值就是True。

　　method:是一个字符串，用来指示请求使用方法，如GET、POST、PUT等。

# Request请求多个参数
import urllib.request,urllib.parse

url = "http://httpbin.org/post"
headers = {
 "User-Agent":"Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/65.0.3314.0 Safari/537.36 SE 2.X MetaSr 1.0",
 "Host":"httpbin.org" 
}

dict = {'name':'Germey'}
data = bytes(urllib.parse.urlencode(dict),encoding='utf-8')
req = urllib.request.Request(url=url,data=data,headers=headers,method='POST')
response = urllib.request.urlopen(req)
print(response.read().decode('utf-8'))

　　在这个示例中，我们通过4个参数构造了一个请求，我们加入了url、data、headers、method，其中最重要的是把头信息（包含User-Agent和Host）写入了　　Request，让请求变得更完整。

　　运行结果如下：

{
  "args": {},
  "data": "",
  "files": {},
  "form": {
    "name": "Germey"
  },
  "headers": {
    "Accept-Encoding": "identity",
    "Content-Length": "11",
    "Content-Type": "application/x-www-form-urlencoded",
    "Host": "httpbin.org",
    "User-Agent": "Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/65.0.3314.0 Safari/537.36 SE 2.X MetaSr 1.0",
    "X-Amzn-Trace-Id": "Root=1-61246460-1f4d152f11557e9f6670f33a"
  },
  "json": null,
  "origin": "116.25.236.109",
  "url": "http://httpbin.org/post"
}

　　可以看到，我们成功通过新建的参数，设置了data、headers 和 method。

　　另外之前提到的headers也可以用add_header（）方法添加，示例代码如下：

req = urllib.request.Request(url=url,data=data,method='POST')
req.add_header('User-Agent',"Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/65.0.3314.0 Safari/537.36 SE 2.X MetaSr 1.0")

　　传递参数格式为key value格式

posted @ 2021-08-24 11:36  minseo  阅读(713)  评论(0)  编辑  收藏  举报