腳本之家服務器常用軟件

快捷導航

python爬蟲請求頁面urllib庫詳解

更新時間：2023年07月07日 10:08:25 作者：milk-request

這篇文章主要介紹了python爬蟲請求頁面urllib庫詳解,python3將urllib和urllib2模塊整合并命名為urllib模塊,urllib模塊有多個子模塊，各有不同的功能,需要的朋友可以參考下

基本庫urllib

學習爬蟲，最初的操作便是模擬瀏覽器向服務端發(fā)出請求，這里我們就學習使用urlib庫的用法

使用urllib

首先，我們需要了解urllib庫，它是python內(nèi)置的HTTP請求庫，也就是說不需要額外安裝即可使用，它包含4個模塊

request：它是最基本的HTTP請求模塊，可以用來模擬發(fā)送請求。
error：異常處理模塊。
parse：一個工具模塊，提供了許多URL處理方法。
robotparser：主要時用來識別網(wǎng)站的robot.txt文件然后判斷那些網(wǎng)站是否可以爬。

發(fā)送請求

urllib.request模塊提供了最基本的構造HTTP請求的方法，urllib.request.urlopen()，若在獲取請求對象時，不需要過多的參數(shù)傳遞，可以直接選擇urllib.request.urlopen()；

如果需要加入Headers等信息請求則使用urllib.request.Request()。

1.urlopen()

這里我們以www.baidu.com為例，把這個網(wǎng)頁抓取下來. 代碼如下：

import urllib.request
response = urllib.request.urlopen('http://www.baidu.com')
print(response.read().decode('utf-8'))

添加data(附加數(shù)據(jù))參數(shù)

data參數(shù)是可選的。如果要添加該參數(shù)，需要使用bytes()方法將參數(shù)轉(zhuǎn)化為bytes類型。

另外，如果傳遞了這個參數(shù)，則它的請求方式就不再是GET方式，而是POST方式。

實例：

import urllib.request
import urllib.parse
data = bytes(urllib.parse.urlencode({'word': 'hello'}), encoding='utf-8')
response = urllib.request.urlopen('http://httpbin.org/post', data=data)
print(response.read())

我們傳遞的參數(shù)出現(xiàn)在了form字段中，這表明是模擬了以表單提交的方式，以POST方式傳輸數(shù)據(jù)，這里的 //httpbin.org是一個提供HTTP請求測試的站點。

添加timeout(超時時間)參數(shù)

timeout參數(shù)用于設置超時時間，單位為s，如果請求超出了設置的這個時間還未響應，就會拋出異常。實例：

import urllib.request
response = urllib.request.urlopen('http://httpbin.org/post', timeout=1)
print(response.read())

在爬取頁面的過程中，若一個頁面長時間無法響應將導致后續(xù)工作無法進行，所以設置timeout超時時間很有必要。

urllib.request官方文檔

2.Request()

實例：

import urllib.request
request = urllib.request.Request('https://www.baidu.com')
response = urllib.request.urlopen(request)
print(response.read().decode('utf-8'))

Request的構造方法如下：

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

Request參數(shù)

url 第一個參數(shù),必傳參數(shù)，其他都是可選參數(shù)。
data 第二個參數(shù)，如果要傳，必須傳bytes類型，如果是字典可先用urllib.parse模快里的urlencode()編碼。
headers 第三個參數(shù)，可以在構造請求時通過header參數(shù)直接構造，也可通過調(diào)用請求實例的add_header()方法添加。
origin_req_host 第四個參數(shù)指的是請求方的host名稱或IP地址。
unverifiable 第五個參數(shù)表示這個請求時否時無法驗證的默認時False，意思就是說用戶沒有足夠的權限來選擇接收這個請求的結(jié)果。
methon 第六個參數(shù)是一個字符串，指示請求使用的方法，比如GET POST和PUT等。

多參數(shù)實例：

import urllib.request
import urllib.parse
url = 'http://httpbin.org/post'
headers = {
    'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/80.0.3987.149 Safari/537.36',
                  'Host':'httpbin.org'
}
dict = {
    'name': 'zhangsan'
}
data = bytes(urllib.parse.urlencode(dict), encoding='utf-8')
request = urllib.request.Request(url, data=data, headers=headers, method='POST')
response = urllib.request.urlopen(request)
print(response.read().decode('utf-8'))

高級用法

1.驗證

出現(xiàn)情景：有些網(wǎng)站在打開時就會彈出提示框，提示你輸入用戶名和密碼，驗證成功后才能查看頁面，如果要請求這樣的頁面，該怎么辦呢？借助HTTPBasicAuthHandler就可以完成。代碼如下:

from urllib.request import HTTPPasswordMgrWithDefaultRealm,HTTPBasicAuthHandler,build_opener
from urllib.error import URLError
username = '用戶名'
password = '密碼'
url = '你要請求的url'
#構建一個密碼管理對象，用來保存需要處理的用戶名和密碼
passwdmgr = HTTPPasswordMgrWithDefaultRealm()
# 添加賬戶信息，第一個參數(shù)realm是與遠程服務器相關的域信息，一般沒人管它都是寫None，后面三個參數(shù)分別是 代理服務器、用戶名、密碼
passwdmgr.add_password(None, url , username, password)
auth_handler = HTTPBasicAuthHandler(passwdmgr)
opener = build_opener(auth_handler)
try:
   result = opener.open(url)
   html = result.read().decode('utf-8)
   print(html)
except URLError as e:
   print(e.reason)

2.代理

添加代理

from urllib.error import URLError
from urllib.request import ProxyHandler, build_opener
proxy_handler = ProxyHandler({
    'http': 'http://127.0.0.1:9743',
    'https': 'http://127.0.0.1:9743'
})
opener = build_opener(proxy_handler)
try:
    response = opener.open('https://www.baidu.com')
    print(response.read().decode('utf-8'))
except URLError as e:
    print(e.reason)

3.Cookies

從網(wǎng)站中獲取Cookies

代碼：

import http.cookiejar
import 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 in cookie:
    print(item.name + "=" + item.value)

為什么要獲取Cookies?

維持同一個對話。例如：你用post方式登入了某個網(wǎng)站，又使用了get方式來獲取網(wǎng)站個人頁面信息，這相當于打開了兩個瀏覽器，是兩個會話，不能成功獲取個人信息。所以可以在get方式添加cookies參數(shù)來維持對話。

保存Cookies

將CookieJar換成MozillaCookieJar，它在生成文件時會用到，是CookieJar的子類，用來處理Cookie和文件相關的事件。代碼：

import http.cookiejar
import urllib.request
filename = 'cookies.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)

運行之后，可以發(fā)現(xiàn)項目文件夾中生成了一個cookies.txt文件，另外LWPCookieJar可以保存LWP格式的Cookies文件。

如果想獲取更多高級用法，可查看官方文檔

處理異常

為何要處理異常？在請求過程中，可能會出現(xiàn)多種多樣的錯誤，如果爬取多個頁面，其中一個頁面出現(xiàn)錯誤會使程序報錯而終止運行，所以異常處理是十分有必要的。這里我們學習處理HTTP請求錯誤異常。

HTTPError

屬性：
code：返回HTTP狀態(tài)碼
reason：返回錯誤原因
headers：返回請求頭

實例：

import urllib.error
import urllib.request
try:
    response = urllib.request.urlopen('https://www.baidu.com', timeout=0.01)
except urllib.error.HTTPError as e:
    print(e.reason, e.code, e.headers, sep='\n')

這里為了實現(xiàn)異常將超時間設置為0.01，拋出了time out異常。

解析鏈接

為什么要解析鏈接?

當你在爬取網(wǎng)頁時，可能會需要搜索此網(wǎng)頁的其他信息。這時就需要解析鏈接，構造鏈接。

URL由6個部分構成： (：//)符號前的是協(xié)議scheme，第一個/符號前是域名netloc，后面是path路徑，分號(;)后面是參數(shù)params，問號(?)后面是查詢條件query，一般用作GET類型的URL，井號(#)后面是錨點，用于直接定位頁面內(nèi)部下拉位置。

標準鏈接格式： scheme://netloc/path;params?query#fragment

urlparse()

該方法可以實現(xiàn)URL的識別和分段

參數(shù)：
urlstring：這是必填項。待解析的URL。
scheme：默認協(xié)議。
allow_fragments：是否忽略fragment。如果被設置為False，fragment部分就會被忽略，被解析為path，parameters，query的一部分。

實例：

from urllib.parse import urlparse
result = urlparse('https://docs.python.org/3/library/urllib.request.html#urllib.request.OpenerDirector')
print(type(result), result)

對url進行解析的各種方法官方文檔

到此這篇關于python爬蟲請求頁面urlib庫詳解的文章就介紹到這了,更多相關python爬蟲urlib庫內(nèi)容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關文章希望大家以后多多支持腳本之家！

您可能感興趣的文章: