一、Python urllib 模塊是什么

urllib 模塊是 Python 標(biāo)準(zhǔn)庫，其價值在于抓取網(wǎng)絡(luò)上的 URL 資源，入門爬蟲時必學(xué)的一個模塊。

不過更多的爬蟲工程師上手學(xué)習(xí)的模塊已經(jīng)更換為 requests 了。

在 Python3 中 urllib 模塊包括如下內(nèi)容。

• urllib.request：請求模塊，用于打開和讀取 URL；
• urllib.error：異常處理模塊，捕獲 urllib.error 拋出異常；
• urllib.parse：URL 解析，爬蟲程序中用于處理 URL 地址；
• urllib.robotparser：解析 robots.txt 文件，判斷目標(biāo)站點哪些內(nèi)容可爬，哪些不可以爬，但是用的很少。

二、使用方法

上手案例

打開一個測試站點，然后返回服務(wù)器響應(yīng)內(nèi)容。

from urllib.request import urlopen
with urlopen('https://www.example.net') as html:
    page = html.read()
print(page)

上述代碼用到了 urllib.requests 模塊，其內(nèi)部定義了打開 URL 的函數(shù)，授權(quán)驗證的方法，重定向，cookie 操作等方法。

代碼中用到的 urlopen() 函數(shù)，就是打開一個 URL，該函數(shù)的語法格式如下所示：

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

參數(shù)描述如下所示：

• url：請求地址；
• data：發(fā)送到服務(wù)器的其他數(shù)據(jù)對象，默認(rèn)為 None；
• timeout：超時時間；
• cafile 和 capath：cafile 為 CA 證書， capath 為 CA 證書的路徑，使用 HTTPS 需要用到；
• context：ssl.SSLContext 類型，用來指定 SSL 設(shè)置。

調(diào)用該對象的 read() 方法，可以讀取到整個網(wǎng)頁數(shù)據(jù)。

其余的函數(shù)與文件讀取類似，分別是 readline()，readlines()。

還可以調(diào)用對象的 getcode() 方法，獲取網(wǎng)頁狀態(tài)碼。

print(html.getcode()) # 返回 200

urlopen() 返回對象的更多方法

使用 urlopen() 可以得到一個 HTTPResposne 類型的對象，它包括上文提及的 read() 方法，getcode() 方法，除此之外，還有如下內(nèi)容可以使用。

• getheaders()：獲取請求頭內(nèi)容；
• getheader(name)：獲取指定請求頭；
• msg：信息屬性；
• version：版本屬性；
• status：狀態(tài)屬性。

urllib.Request() 類

URL 請求抽象類，使用它可以擴展更多的請求配置，其構(gòu)造方法如下所示：

def __init__(self, url, data=None, headers={},
                 origin_req_host=None, unverifiable=False,
                 method=None)

其參數(shù)說明如下所示：

• url：請求地址，必選參數(shù)；
• data：請求參數(shù)，必須為 bytes 類型數(shù)據(jù)，可以使用 urlencode() 進行編碼；
• headers：字典類型，請求頭設(shè)置；
• origin_req_host：請求的主機地址，IP 或域名；
• method：請求方法。

測試代碼如下所示：

from urllib import request, parse
url = 'http://httpbin.org/post'
headers = {
    'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) 你的UA'
}
dict = {
    'name': 'xiangpica'
}
# 轉(zhuǎn)換數(shù)據(jù)類型
data = bytes(parse.urlencode(dict), encoding='utf8')
# 實例化對象
req = request.Request(url=url, data=data, headers=headers, method='POST')
# 添加請求頭
req.add_header('HOST', 'httpbin.org')
# 發(fā)送數(shù)據(jù)
response = request.urlopen(req)
print(response.read().decode('utf-8'))

urllib.parse

該模塊主要用于解析 URL，函數(shù)原型如下所示：

urllib.parse.urlparse(urlstring, scheme='', allow_fragments=True)

參數(shù)說明如下：

• urlstring：URL 地址；
• scheme：協(xié)議類型，可用的包括 file、ftp、gopher、hdl、http、https、imap、mailto、 mms、news、nntp、prospero、rsync、rtsp、rtspu、sftp、 sip、sips、snews、svn、svn+ssh、telnet……；
• allow_fragments：是否忽略 URL 中的 fragment 部分。

標(biāo)準(zhǔn)的 URL 格式如下：

scheme://netloc/path;params?query#fragment

說明如下所示：

• scheme：URL 協(xié)議；
• netloc：域名和端口；
• path：路徑；
• params：最后一個路徑元素參數(shù)，不常用；
• query：查詢字符串；
• fragment：片段標(biāo)志。

from urllib.parse import urlparse
result = urlparse('http://www.example.com/index.html;info?id=10086#comment')
print(type(result), result)
print(result.scheme, result[0])
print(result.netloc, result[1])
print(result.path, result[2])
print(result.params, result[3])
print(result.query, result[4])
print(result.fragment, result[5])

運行結(jié)果如下所示：

<class 'urllib.parse.ParseResult'> ParseResult(scheme='http', netloc='www.example.com', path='/index.html', params='info', query='id=10086', fragment='comment')
http http
www.example.com www.example.com
/index.html /index.html
info info
id=10086 id=10086
comment comment

urlparse() 返回結(jié)果是一個 ParseResult 類型的對象。

其余內(nèi)容

• urlunparse() 方法與上述方法邏輯相反；
• urljoin() 方法用于拼接鏈接；
• urlencode()：格式化請求參數(shù)；
• quote()：將內(nèi)容轉(zhuǎn)換為 URL 編碼格式，尤其是轉(zhuǎn)換中文字符；
• unquote()：對 URL 進行解碼。

三、提高場景

error 模塊

在 urllib 中，error 模塊定義異常，其包含如下類：

• URLError：OSError 的一個子類，用于處理程序在遇到問題時會引發(fā)此異常；
• HTTPError：URLError 的一個子類，用于處理特殊 HTTP 錯誤例如作為認(rèn)證請求的時候

到此這篇關(guān)于Python技能樹共建之python urllib 模塊的文章就介紹到這了,更多相關(guān) python urllib 模塊內(nèi)容請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！

最新評論