urllib庫(kù)

urllib 是一個(gè)用來處理網(wǎng)絡(luò)請(qǐng)求的python標(biāo)準(zhǔn)庫(kù)，它包含4個(gè)模塊。

• urllib.request---請(qǐng)求模塊，用于發(fā)起網(wǎng)絡(luò)請(qǐng)求
• urllib.parse---解析模塊，用于解析URL
• urllib.error---異常處理模塊，用于處理request引起的異常
• urllib.robotparser robots.tx---用于解析robots.txt文件

urllib.request模塊

request模塊主要負(fù)責(zé)構(gòu)造和發(fā)起網(wǎng)絡(luò)請(qǐng)求，并在其中添加Headers，Proxy等。 利用它可以模擬瀏覽器的請(qǐng)求發(fā)起過程。

• 發(fā)起網(wǎng)絡(luò)請(qǐng)求
• 操作cookie
• 添加Headers
• 使用代理

關(guān)于urllib.request.urlopen參數(shù)的介紹

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

urlopen是一個(gè)簡(jiǎn)單發(fā)送網(wǎng)絡(luò)請(qǐng)求的方法。它接收一個(gè)字符串格式的url，它會(huì)向傳入的url發(fā)送網(wǎng)絡(luò)請(qǐng)求，然后返回結(jié)果。

先寫一個(gè)簡(jiǎn)單的例子:

from urllib import request
response = request.urlopen(url='http://www.httpbin.org/get')
print(response.read().decode())

urlopen默認(rèn)會(huì)發(fā)送get請(qǐng)求，當(dāng)傳入data參數(shù)時(shí)，則會(huì)發(fā)起POST請(qǐng)求。data參數(shù)是字節(jié)類型、者類文件對(duì)象或可迭代對(duì)象。

from urllib import request
response = request.urlopen(url='http://www.httpbin.org/post',
                           data=b'username=q123&password=123')
print(response.read().decode())

還才可以設(shè)置超時(shí)，如果請(qǐng)求超過設(shè)置時(shí)間，則拋出異常。timeout沒有指定則用系統(tǒng)默認(rèn)設(shè)置，timeout只對(duì)，http，https以及ftp連接起作用。它以秒為單位，比如可以設(shè)置timeout=0.1 超時(shí)時(shí)間為0.1秒。

from urllib import request
response = request.urlopen(url='https://www.baidu.com/',timeout=0.1)

Request對(duì)象

利用openurl可以發(fā)起最基本的請(qǐng)求，但這幾個(gè)簡(jiǎn)單的參數(shù)不足以構(gòu)建一個(gè)完整的請(qǐng)求，可以利用更強(qiáng)大的Request對(duì)象來構(gòu)建更加完整的請(qǐng)求。

1 . 請(qǐng)求頭添加

通過urllib發(fā)送的請(qǐng)求會(huì)有一個(gè)默認(rèn)的Headers: “User-Agent”:“Python-urllib/3.6”，指明請(qǐng)求是由urllib發(fā)送的。所以遇到一些驗(yàn)證User-Agent的網(wǎng)站時(shí)，需要我們自定義Headers把自己偽裝起來。

from urllib import request
headers ={
    'Referer': 'https://www.baidu.com/s?ie=utf-8&f=3&rsv_bp=1&tn=baidu&wd=python%20urllib%E5%BA%93&oq=python%2520urllib%25E5%25BA%2593&rsv_pq=947af0af001c94d0&rsv_t=66135egC273yN5Uj589q%2FvA844PvH9087sbPe9ZJsjA8JA10Z2b3%2BtWMpwo&rqlang=cn&rsv_enter=0&prefixsug=python%2520urllib%25E5%25BA%2593&rsp=0',
     'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/72.0.3626.121 Safari/537.36'
}
response = request.Request(url='https://www.baidu.com/',headers=headers)
response = request.urlopen(response)
print(response.read().decode())

2. 操作cookie

在開發(fā)爬蟲過程中，對(duì)cookie的處理非常重要，urllib的cookie的處理如下案例

from urllib import request
from http import cookiejar
# 創(chuàng)建一個(gè)cookie對(duì)象
cookie = cookiejar.CookieJar()

# 創(chuàng)一個(gè)cookie處理器
cookies = request.HTTPCookieProcessor(cookie)

# 以它為參數(shù)，創(chuàng)建opener對(duì)象
opener = request.build_opener(cookies)
# 使用這個(gè)opener 來發(fā)請(qǐng)求
res =opener.open('https://www.baidu.com/')

print(cookies.cookiejar)

3. 設(shè)置代理

運(yùn)行爬蟲的時(shí)候，經(jīng)常會(huì)出現(xiàn)被封IP的情況，這時(shí)我們就需要使用ip代理來處理，urllib的IP代理的設(shè)置如下：

from urllib import request
url ='http://httpbin.org/ip'

#代理地址
proxy ={'http':'172.0.0.1:3128'}

# 代理處理器
proxies =request.ProxyBasicAuthHandler(proxy)

# 創(chuàng)建opener對(duì)象
opener = request.build_opener(proxies)

res =opener.open(url)
print(res.read().decode())

urlib庫(kù)中的類或或者方法，在發(fā)送網(wǎng)絡(luò)請(qǐng)求后，都會(huì)返回一個(gè)urllib.response的對(duì)象。它包含了請(qǐng)求回來的數(shù)據(jù)結(jié)果。它包含了一些屬性和方法，供我們處理返回的結(jié)果

• read() 獲取響應(yīng)返回的數(shù)據(jù)，只能用一次
• readline() 讀取一行
• info() 獲取響應(yīng)頭信息
• geturl() 獲取訪問的url
• getcode() 返回狀態(tài)碼

urllib.parse模塊

parse.urlencode() 在發(fā)送請(qǐng)求的時(shí)候，往往會(huì)需要傳遞很多的參數(shù)，如果用字符串方法去拼接會(huì)比較麻煩，parse.urlencode()方法就是用來拼接url參數(shù)的。

from urllib import parse
params = {'wd':'測(cè)試', 'code':1, 'height':188}
res = parse.urlencode(params)
print(res)

打印結(jié)果為wd=%E6%B5%8B%E8%AF%95&code=1&height=188

也可以通過parse.parse_qs()方法將它轉(zhuǎn)回字典

print(parse.parse_qs('wd=%E6%B5%8B%E8%AF%95&code=1&height=188'))

urllib.error模塊

error模塊主要負(fù)責(zé)處理異常，如果請(qǐng)求出現(xiàn)錯(cuò)誤，我們可以用error模塊進(jìn)行處理 主要包含URLError和HTTPError

URLError：是error異常模塊的基類，由request模塊產(chǎn)生的異常都可以用這個(gè)類來處理

HTTPError：是URLError的子類，主要包含三個(gè)屬性

• Code:請(qǐng)求的狀態(tài)碼
• reason：錯(cuò)誤的原因
• headers：響應(yīng)的報(bào)頭

from urllib import request,error
try:
    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")

urllib.robotparse模塊 

robotparse模塊主要負(fù)責(zé)處理爬蟲協(xié)議文件，robots.txt.的解析。

Robots協(xié)議（也稱為爬蟲協(xié)議、機(jī)器人協(xié)議等）的全稱是“網(wǎng)絡(luò)爬蟲排除標(biāo)準(zhǔn)”（Robots Exclusion Protocol），網(wǎng)站通過Robots協(xié)議告訴搜索引擎哪些頁(yè)面可以抓取，哪些頁(yè)面不能抓取

網(wǎng)絡(luò)庫(kù)urllib3

urllib3是比urllib庫(kù)更強(qiáng)大的存在，目前已經(jīng)有許多的原生系統(tǒng)已經(jīng)開始使用urllib3。

urllib3具有如下優(yōu)點(diǎn)：

• 支持HTTP和SOCKS代理
• 支持壓縮編碼
• 100%測(cè)試覆蓋率
• 具有鏈接池
• 線程安全
• 客戶端SLL/TLS驗(yàn)證
• 協(xié)助處理重復(fù)請(qǐng)求和HTTP重定位
• 使用multipart編碼上傳文件

因?yàn)閡rllib3并不是Python的標(biāo)準(zhǔn)庫(kù)，所以我們使用之前，需要進(jìn)行下載安裝，具體命令如下所示：

pip install urllib3
#或
conda install urllib3

下面，我們來講解urllib3庫(kù)的使用方式。

網(wǎng)絡(luò)請(qǐng)求

GET請(qǐng)求

首先，在我們使用urllib3庫(kù)進(jìn)行網(wǎng)絡(luò)請(qǐng)求時(shí)，需創(chuàng)建PoolManager類的實(shí)例，該類用于管理線程池。

下面，我們來通過urllib訪問百度，并返回查詢的結(jié)果，示例如下：

import urllib3

http = urllib3.PoolManager()
url = 'http://www.baidu.com/s'
headers = {
    'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/91.0.4472.124 Safari/537.36'
}
response = http.request('GET', url, fields={'wd': '機(jī)器學(xué)習(xí)'}, headers=headers)
result = response.data.decode('UTF-8')
print(result)

運(yùn)行之后，效果如下：

這里，我們通過fields參數(shù)指定GET的請(qǐng)求字段。不過，這里先一步講解了請(qǐng)求頭，其實(shí)是百度有安全機(jī)制，讀者可以去掉headers參數(shù)試試。會(huì)返回百度的安全驗(yàn)證頁(yè)面。

POST請(qǐng)求

如果需要向服務(wù)器提交表單或者比較復(fù)雜的數(shù)據(jù)，就需要使用到POST請(qǐng)求。POST請(qǐng)求比較簡(jiǎn)單，僅僅只是將請(qǐng)求的第一個(gè)參數(shù)改為“POST”即可。

示例如下：

import urllib3

http = urllib3.PoolManager()
url = 'http://httpbin.org/post'
headers = {
    'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/91.0.4472.124 Safari/537.36'
}
response = http.request('POST', url, fields={'username': 'name', 'age': '123456'}, headers=headers)
result = response.data.decode('UTF-8')
print(result)

運(yùn)行之后，返回如下數(shù)據(jù)：

HTTP響應(yīng)頭

使用urllib3庫(kù)進(jìn)行網(wǎng)絡(luò)訪問時(shí)，其返回的HTTPResponse。默認(rèn)有一些攜帶的參數(shù)，其中就包括info方法。它能返回響應(yīng)頭數(shù)據(jù)，示例如下：

import urllib3

http = urllib3.PoolManager()
url = 'http://www.baidu.com/s'
headers = {
    'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/91.0.4472.124 Safari/537.36'
}
response = http.request('POST', url, fields={'wd': '機(jī)器學(xué)習(xí)'}, headers=headers)
for key in response.info().keys():
    print('key:',response.info()[key])

運(yùn)行之后，返回的響應(yīng)數(shù)據(jù)如下：

上傳文件

首先，我們需要簡(jiǎn)單的實(shí)現(xiàn)一個(gè)文件上傳的服務(wù)器代碼，這里我們使用Flask搭建一個(gè)簡(jiǎn)單的服務(wù)器Python程序，代碼如下：

import flask
import os

UPLOAD_FILE = 'uploads'
app = flask.Flask(__name__)
@app.route('/', methods=['POST'])
def upload_file():
    file = flask.request.files['file']
    if file:
        file.save(os.path.join(UPLOAD_FILE, os.path.basename(file.filename)))
        return '文件上傳成功'
    else:
        return '文件上傳失敗'

if __name__ == '__main__':
    app.run()

運(yùn)行之后，它會(huì)一直等待客戶端上傳文件。

這個(gè)時(shí)候，我們?cè)賮韺?shí)現(xiàn)urllib3是如何上傳文件的，示例如下：

import urllib3

http = urllib3.PoolManager()
with open('1.jpg', 'rb') as f:
    fileData = f.read()
url = 'http://127.0.0.1:5000'
response = http.request('POST', url, fields={'file': ('1.jpg', fileData, 'image/jpeg')})
print(response.data.decode('UTF-8'))

默認(rèn)flask搭建的服務(wù)器，其接口為5000，也就是通過127.0.0.1:5000進(jìn)行訪問。運(yùn)行之后，就會(huì)在uploads文件夾下創(chuàng)建一個(gè)1.jpg的圖片。

同時(shí)，控制臺(tái)會(huì)輸出文件上傳成功，而服務(wù)器會(huì)返回狀態(tài)碼200。

這里，上傳文件就1一個(gè)鍵值對(duì)，其中file代表服務(wù)器上傳文件的字段。值的元組里，fileData為文件的二進(jìn)制形式，'image/jpeg'代表上傳文件的格式（可以省略）。

超時(shí)處理

urllib3庫(kù)其HTTP的底層都是基于Socket實(shí)現(xiàn)的，而Socket超時(shí)又分為連接超時(shí)與讀超時(shí)。

其中，連接超時(shí)表示在連接的過程中，由于服務(wù)器的問題或域名弄錯(cuò)了，而導(dǎo)致的無法連接的情況拋出的異常。

讀超時(shí)表示從服務(wù)器讀取數(shù)據(jù)時(shí)由于服務(wù)器的問題，導(dǎo)致長(zhǎng)時(shí)間無法正常讀取數(shù)據(jù)而導(dǎo)致的異常。

通常，我們超時(shí)的設(shè)置有2種，一種是通過http.request(timeout)進(jìn)行設(shè)置，一種是通過PoolManager()連接池進(jìn)行設(shè)置。示例如下：

from urllib3 import *

http = PoolManager(timeout=Timeout(connect=2.0, read=2.0))
with open('1.jpg', 'rb') as f:
    fileData = f.read()
url = 'http://127.0.0.1:5000'
try:
    response = http.request('POST', url, timeout=Timeout(connect=2.0, read=4.0))
    print(response.data.decode('UTF-8'))
except Exception as e:
    print(e)

需要注意的是，通過連接池PoolManager進(jìn)行設(shè)置的超時(shí)，是全局超時(shí)時(shí)間，哪怕你后邊的請(qǐng)求不設(shè)置，也是默認(rèn)使用的這個(gè)超時(shí)。如果同時(shí)設(shè)置了request的超時(shí)，那么以request為準(zhǔn)。

到此這篇關(guān)于Python爬蟲中urllib3與urllib的區(qū)別是什么的文章就介紹到這了,更多相關(guān)Python urllib3 urllib內(nèi)容請(qǐng)搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！

最新評(píng)論