Python爬虫教程1.1 — urllib基础用法教程

felicityguo

2019-09-08

关注关注

综述

本系列文档用于对Python爬虫技术的学习进行记录总结。
Python 版本是3.7.4

urllib库介绍

它是 Python 内置的HTTP请求库，也就是说我们不需要额外安装即可使用，它包含四个模块(主要对前三个模块进行学习)：

request : 它是最基本的 HTTP 请求模块，我们可以用它来模拟发送一请求，就像在浏览器里输入网址然后敲击回车一样，只需要给库方法传入 URL 还有额外的参数，就可以模拟实现这个过程了。
error : 异常处理模块，如果出现请求错误，我们可以捕获这些异常，然后进行重试或其他操作保证程序不会意外终止。
parse : 用于解析URL，提供了许多URL处理方法，比如拆分、解析、合并等等的方法，以及对参数的拼接等待。
robotparser : 主要是用来识别网站的robots.txt协议文件，然后判断网站的那些数据可以爬，哪些数据不可以爬的，其实用的比较少。

urllib.request 介绍

urlopen()

参数说明(仅写了四个最常用的参数)
- url : 爬取目标的URL；
- data : 请求参数，如果设置该参数，则请求默认为post请求；没有默认为get请求；
- timeout : 用于设置超时时间，单位为秒；
- context : 必须是一个ssl.SSLContext类型,用来指定SSL设置,忽略未认证的CA证书;

具体用法

GET 请求方式

# 导入urllib库
    import urllib.request
    
    # 向指定的url发送请求，并返回服务器响应的类文件对象
    url = "http://www.baidu.com"
    response = urllib.request.urlopen(url=url)
    print(type(response))
    
    # 类文件对象支持文件对象的操作方法，如read()方法读取文件全部内容，返回字符串
    html = response.read()
    # html = response.readline() # 读取一行
    # html = response.readlines() # 读取多行，返回列表
    # 打印响应结果（byte类型）
    print(html)
    # 打印响应结果（utf-8类型）
    # 二进制和字符串之间的相互转码使用 encode() 和 decode() 函数
    # encode() 和 decode() 可带参数，不写默认utf-8，其他不再特别说明
    print(html.decode())
    # 打印状态码
    # print(response.get_code())
    print(response.status)
    # 获取响应头
    print(response.getheaders())
    # 获取响应头Server信息
    print(response.getheader('Server'))
    # 获取响应结果原因
    print(response.reason)

POST 请求方式

# 导入urllib库
    import urllib.parse
    import urllib.request
    
    # 向指定的url发送请求，并返回
    post_url = 'https://fanyi.baidu.com/sug'
    # 传入参数
    form_data = {
        'kw': 'honey'
    }
    # 格式化参数
    form_data = urllib.parse.urlencode(form_data).encode()
    
    response = urllib.request.urlopen(url=post_url, data=form_data)
    # 打印服务器响应的类文件对象
    print(type(response))
    
    # 类文件对象支持文件对象的操作方法，如read()方法读取文件全部内容，返回字符串
    html = response.read()
    # 打印响应结果（byte类型）
    print(html)
    # 打印响应结果（utf-8类型）
    print(html.decode())
    # 打印状态码
    print(response.status)
    # print(response.getcode())
    # 获取响应头
    print(response.getheaders())
    # 获取响应头Server信息
    print(response.getheader('Server'))
    # 获取响应结果原因
    print(response.reason)

urlretrleve()

参数说明
- url : 下载链接地址；
- filename : 指定保存本地路径(如果参数未指定，urllib会生成一个临时文件保存数据)；
- reporthook : 是一个回调函数，当连接上服务器、以及相应的数据块传输完毕时会触发该回调，我们可以利用这个回调函数来显示当前的下载进度；
- data : 指post导服务器的数据，该方法返回一个包含两个元素的(filename, headers) 元组，filename 表示保存到本地的路径，header表示服务器的响应头;

具体用法

# 引入所需要的库
    import os
    import urllib.request
    
    
    # 定义回调函数
    def call_back(a, b, c):
        """
        图片下载回调
        :param a: 已经下载的数据块
        :param b: 数据块的大小
        :param c: 远程文件的大小
        :return: 
        """
        per = 100.0 * a * b / c
        if per > 100:
            per = 100
        print('%.2f%%' % per)
    
    
    # 定义下下载的地址
    url = 'http://www.baidu.com'
    # 构造文件保存路径
    path = os.path.abspath('.')
    file_path = os.path.join(path, 'baidu.html')
    # 进行下载
    urllib.request.urlretrieve(url, file_path, call_back)

urllib.parse 介绍

urlencode()

参数说明
- query : url参数，可以是字符串，也可以是字典；
- encoding : 编码方式；

具体用法

# 引入所需要的库
    import urllib.parse
    # 参数数据
    data = {
        'name': '张三',
        'age': 26
    }
    # 进行编码
    ret = urllib.parse.urlencode(data)
    print(ret)

parse_s()

参数说明
- qs : url参数，编码后的字符串；
- encoding : 字符方式；

具体用法

# 引入所需要的库
    import urllib.parse
    # 参数数据
    data = {
        'name': '张三',
        'age': 26
    }
    # 进行编码
    ret1 = urllib.parse.urlencode(data)
    print(ret1)
    # 进行解码
    ret2 = urllib.parse.parse_qs(ret1)
    print(ret2)

urlparse()

参数说明
- url : url地址字符串；

具体用法

# 引入所需要的库
    import urllib.parse
    # 声明url
    url = "https://www.baidu.com/s?wd=urlparse&rsv_spt=1&rsv_iqid=0x921f00fe005646ef&issp=1&f=8"
    # 进行url解析
    ret = urllib.parse.urlparse(url)
    print(ret)
    print('scheme:', ret.scheme)  # 协议
    print('netloc:', ret.netloc)  # 域名服务器
    print('path:', ret.path)  # 相对路径
    print('params:', ret.params)  # 路径端参数
    print('fragment:', ret.fragment)  # 片段
    print('query:', ret.query)  # 查询
    
    # urlunparse() 与 urlparse() 对应相反函数
    # 使用urlparse的格式组合成一个url，可以直接将urlparse的返回传递组合
    ret1 = urllib.parse.urlunparse(ret)
    print(ret1)

urlsplit()

参数说明
- url : url地址字符串；

具体用法

# 引入所需要的库
    import urllib.parse
    # 声明url
    url = "https://www.baidu.com/s?wd=urlparse&rsv_spt=1&rsv_iqid=0x921f00fe005646ef&issp=1&f=8"
    # 进行url解析
    ret = urllib.parse.urlsplit(url)
    print(ret)
    print('scheme:', ret.scheme)  # 协议
    print('netloc:', ret.netloc)  # 域名服务器
    print('path:', ret.path)  # 相对路径
    print('fragment:', ret.fragment)  # 片段
    print('query:', ret.query)  # 查询
    
    # urlunsplit() 与 urlsplit() 对应相反函数
    # 使用urlsplit的格式组合成一个url，可以直接将urlsplit的返回传递组合
    ret1 = urllib.parse.urlunsplit(ret)
    print(ret1)
    
    # 此函数和urlparse函数的区别在于此函数没有params

urljoin()

参数说明
- qs : url参数，编码后的字符串；
- encoding : 字符方式；

具体用法

# 引入所需要的库
    import urllib.parse
    
    # 声明url
    url = "https://www.baidu.com/"
    # 参数数据
    data = {
        'name': '张三',
        'age': 26
    }
    # 格式化参数
    data = urllib.parse.urlencode(data)
    # 进行url拼接
    ret = urllib.parse.urljoin(url, data)
    print(ret)

urllib.error 介绍

我们在爬虫的时候发请求的时候难免出现错误，如访问不到服务器或者访问被禁止等等，error分为URLError和HTTPError两类：

URLError
- 没有网
- 服务器链接失败
- 找不大指定服务器
HTTPError
- 是URLError的子类
两者区别和联系
- URLError封装的错误信息一般是由网络引起的，包括url错误
- HTTPError封装的错误信息一般是服务器返回了错误状态码
- URLError是OSERROR的子类，HTTPError是URLError的子类
- 【注意】两个同时捕获的时候需要将子类放在上面，父类放在下面

用法

# 引入所需要的库
    import urllib.error
    import urllib.request
    
    # 一个访问异常的url
    url = 'https://www.mz.com/156427/100'
    # 捕获异常
    try:
        ret = urllib.request.urlopen(url)
        print(ret)
    except urllib.error.HTTPError as e:
        print(e.getcode())
    except urllib.error.URLError as e:
        print(e)

python爬虫 url response urllib python