python urllib.request 爬虫 数据处理-python之爬虫（三） Urllib库的基本使用
什么是Urllib
Urllib是python内置的HTTP请求库
包括以下模块
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
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
先写一个简单的例子：
importurllib.request
response= urllib.request.urlopen('http://www.baidu.com')print(response.read().decode('utf-8'))
urlopen一般常用的有三个参数，它的参数如下：
urllib.requeset.urlopen(url,data,timeout)
response.read()可以获取到网页的内容，如果没有read()，将返回如下内容
data参数的使用
上述的例子是通过请求百度的get请求获得百度，下面使用urllib的post请求
这里通过http://httpbin.org/post网站演示（该网站可以作为练习使用urllib的一个站点使用，可以
模拟各种请求操作）。
importurllib.parseimporturllib.request
data= bytes(urllib.parse.urlencode({'word': 'hello'}), encoding='utf8')print(data)
response= urllib.request.urlopen('http://httpbin.org/post', data=data)print(response.read())
这里就用到urllib.parse，通过bytes(urllib.parse.urlencode())可以将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。
所以如果我们添加data参数的时候就是以post请求方式请求，如果没有data参数就是get请求方式
timeout参数的使用
在某些网络情况不好或者服务器端异常的情况会出现请求慢的情况，或者请求异常，所以这个时候我们需要给
请求设置一个超时时间，而不是让程序一直在等待结果。例子如下：
importurllib.request
response= urllib.request.urlopen('http://httpbin.org/get', timeout=1)print(response.read())
运行之后我们看到可以正常的返回结果，接着我们将timeout时间设置为0.1
运行程序会提示如下错误
所以我们需要对异常进行抓取，代码更改为
importsocketimporturllib.requestimporturllib.errortry:
response= urllib.request.urlopen('http://httpbin.org/get', timeout=0.1)excepturllib.error.URLError as e:ifisinstance(e.reason, socket.timeout):print('TIME OUT')
响应
响应类型、状态码、响应头
importurllib.request
response= urllib.request.urlopen('https://www.python.org')print(type(response))
可以看到结果为：
我们可以通过response.status、response.getheaders().response.getheader("server")，获取状态码以及头部信息
response.read()获得的是响应体的内容
当然上述的urlopen只能用于一些简单的请求，因为它无法添加一些header信息，如果后面写爬虫我们可以知道，很多情况下我们是需要添加头部信息去访问目标站的，这个时候就用到了urllib.request
request
设置Headers
有很多网站为了防止程序爬虫爬网站造成网站瘫痪，会需要携带一些headers头部信息才能访问，最长见的有user-agent参数
写一个简单的例子：
importurllib.request
request= urllib.request.Request('https://python.org')
response=urllib.request.urlopen(request)print(response.read().decode('utf-8'))
给请求添加头部信息，从而定制自己请求网站是时的头部信息
from urllib importrequest, 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'))
添加请求头的第二种方式
from urllib importrequest, 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)print(response.read().decode('utf-8'))
这种添加方式有个好处是自己可以定义一个请求头字典，然后循环进行添加
高级用法各种handler
代理,ProxyHandler
通过rulllib.request.ProxyHandler()可以设置代理,网站它会检测某一段时间某个IP 的访问次数，如果访问次数过多，它会禁止你的访问,所以这个时候需要通过设置代理来爬取数据
importurllib.request
proxy_handler=urllib.request.ProxyHandler({'http': 'http://127.0.0.1:9743','https': 'https://127.0.0.1:9743'})
opener=urllib.request.build_opener(proxy_handler)
response= opener.open('http://httpbin.org/get')print(response.read())
cookie,HTTPCookiProcessor
cookie中保存中我们常见的登录信息，有时候爬取网站需要携带cookie信息访问,这里用到了http.cookijar，用于获取cookie以及存储cookie
importhttp.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 incookie:print(item.name+"="+item.value)
同时cookie可以写入到文件中保存，有两种方式http.cookiejar.MozillaCookieJar和http.cookiejar.LWPCookieJar()，当然你自己用哪种方式都可以
具体代码例子如下：
http.cookiejar.MozillaCookieJar()方式
importhttp.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
importhttp.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)
同样的如果想要通过获取文件中的cookie获取的话可以通过load方式，当然用哪种方式写入的，就用哪种方式读取。
importhttp.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
在很多时候我们通过程序访问页面的时候，有的页面可能会出现错误，类似404，500等错误
这个时候就需要我们捕捉异常，下面先写一个简单的例子
from urllib importrequest,errortry:
response= request.urlopen("http://pythonsite.com/1111.html")excepterror.URLError as e:print(e.reason)
上述代码访问的是一个不存在的页面，通过捕捉异常，我们可以打印异常错误
这里我们需要知道的是在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，类似上面的例子
HTTPError里有三个属性：code,reason,headers，即抓异常的时候可以获得code,reson，headers三个信息，例子如下：
from urllib importrequest,errortry:
response= request.urlopen("http://pythonsite.com/1111.html")excepterror.HTTPError as e:print(e.reason)print(e.code)print(e.headers)excepterror.URLError as e:print(e.reason)else:print("reqeust successfully")
同时，e.reason其实也可以在做深入的判断，例子如下：
importsocketfrom urllib importerror,requesttry:
response= request.urlopen("http://www.pythonsite.com/",timeout=0.001)excepterror.URLError as e:print(type(e.reason))ifisinstance(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 importurlparse
result= urlparse("http://www.baidu.com/index.html;user?id=5#comment")print(result)
结果为：
这里就是可以对你传入的url地址进行拆分
同时我们是可以指定协议类型：
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，当然如果你的url里面已经带了协议，你再通过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，例子如下：
from urllib.parse importurlunparse
data= ['http','www.baidu.com','index.html','user','a=123','commit']print(urlunparse(data))
结果如下
urljoin
这个的功能其实是做拼接的，例子如下：
from urllib.parse importurljoinprint(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：
从拼接的结果我们可以看出，拼接的时候后面的优先级高于前面的url
urlencode
这个方法可以将字典转换为url参数，例子如下
from urllib.parse importurlencode
params={"name":"zhaofan","age":23,
}
base_url= "http://www.baidu.com?"url= base_url+urlencode(params)print(url)
结果为：
python urllib.request 爬虫 数据处理-python之爬虫（三） Urllib库的基本使用相关推荐
- python urllib.request 爬虫 数据处理-python 爬虫之 urllib库
文章更新于:2020-03-02 注:代码来自老师授课用样例. 一.初识 urllib 库 在 python2.x 版本,urllib 与urllib2 是两个库,在 python3.x 版本,二者合 ...
- python urllib.request 爬虫 数据处理-Python爬虫学习之（二）| urllib进阶篇
作者:xiaoyu 微信公众号:Python数据科学 知乎:Python数据分析师 前情回顾,urllib的基本用法 urllib库的基本组成 利用最简单的urlopen方法爬取网页html 利用Re ...
- python urllib.request 爬虫 数据处理-Python网络爬虫(基于urllib库的get请求页面)
一.urllib库 urllib是Python自带的一个用于爬虫的库,其主要作用就是可以通过代码模拟浏览器发送请求.其常被用到的子模块在Python3中的为urllib.request和urllib. ...
- python urllib.request 爬虫 数据处理-python爬虫1--urllib请求库之request模块
urllib为python内置的HTTP请求库,包含四个模块: request:最基本的HTTP请求模块, 只需要传入URL和参数 error:异常处理模块 parse:工具模块,处理URL,拆分.解 ...
- python urllib.request 爬虫 数据处理-python爬虫 urllib模块url编码处理
案例:爬取使用搜狗根据指定词条搜索到的页面数据(例如爬取词条为"周杰伦'的页面数据) import urllib.request # 1.指定url url = 'https://www.s ...
- python urllib.request 爬虫 数据处理-python爬虫 urllib模块url编码处理详解
案例:爬取使用搜狗根据指定词条搜索到的页面数据(例如爬取词条为"周杰伦'的页面数据) import urllib.request # 1.指定url url = 'https://www.s ...
- python import request 不报错_爬虫学习路径整理及安装环境遇到的坑
学习路径是我自己提炼和精选的,只适合我个人,因为虽然有技术基础但是我刚入门爬虫视野很窄不专业,为避免误导你们,你们最好参考知乎上大牛已经回答的好答案.我发这篇文章,目的是给自己看的.ps,专栏下每篇文 ...
- python urllib.request 爬虫 数据处理-python爬虫之json数据处理
# -*- coding: utf-8 -*- # @Time : 2019/11/5 23:18 # @Author : AForever # @Site : # @File : Spider_05 ...
- python中request获取数据,Python 中request数据的获取
@app.route('/users', methods=['GET', 'POST']) def users(): print "Hello, World!" print(req ...
最新文章
- 前景检测算法_3(GMM)
- 构建之法课后作业第二次作业第一题
- 先来先服务算法代码_一致性哈希算法编写
- HTML中的Content-Type的类型
- CMFCColorDialog弹不出来或者CMFCColorButton的Other按钮无效
- 如何与深度学习服务器优雅的交互？（长期更新）
- mysql使用语句_Mysql基本使用语句
- .Net语言 APP开发平台——Smobiler学习日志：实现手机上常见的ListMenuView
- Nginx页面乱码问题
- ActivityGroup对子Activity的管理
- 读《林锐-我的大学十年》
- teechart for java_TeeChart控件Java版
- linux apache 查看mpm 配置方式,apache httpd mpm配置
- php getimagesize 导致系统变慢
- uniapp swiper waterfall同用 tabbar页面卡顿
- 网络安全之密码安全基础
- /etc/security/limits.conf 详解与配置
- 【JVM】运行时数据区介绍，程序计数器和虚拟机栈详解
- 计算机科学家事迹,【CCF会员故事】计算机软件科学家谢涛：星辰大海，求思进取...
- Win10 清除 PowerShell 历史记录