Python自帶爬蟲庫urllib使用大全
回復(fù)“書籍”即可獲贈Python從入門到進(jìn)階共10本電子書
????這篇文章主要來講解下Python自帶的爬蟲庫urllib常見用法，主要圍繞urllib定義、urllib的常用模塊和urllib+lxml爬蟲案例三個部分進(jìn)行展開。
一、什么是urllib
????它是一個http請求的Python自帶的標(biāo)準(zhǔn)庫，無需安裝，直接可以用。并且提供了如下功能：網(wǎng)頁請求、響應(yīng)獲取、代理和cookie設(shè)置、異常處理、URL解析，可以說是一個比較強大的模塊。
二、urllib模塊
可分為以下模塊：
urllib.request????????請求模塊urllib.error????????? 異常處理模塊urllib.parse???????? ?解析模塊urllib.robotparser 解析模塊
那么，我們先從第一個模塊開始說起吧，首先說一下它的大致用法：
urllib.request.urlopen(url, data=None, [timeout, ]*, cafile=None, capath=None, cadefault=False, context=None) #里面有很多方法，類似與requests模塊中的renquest方法request里包含了很多方法，如果我們要發(fā)送一個請求并讀取請求內(nèi)容，最簡單的方法就是:
請求格式：
urllib.request.urlopen(url,data,timeout)url :請求地址
data：請求數(shù)據(jù)
timeout：請求超時時間
????這里采用的是get請求，如果想要進(jìn)行post請求，只需給data方法傳參數(shù)即可，這里有個問題需要，因為傳遞參數(shù)必須是字節(jié)，所以得先編碼成bytes才能讀取。
也可以這樣寫：
????通過解析模塊先將它解析為byte格式然后讀取，同樣行之有效，這樣就完成了一次post請求。
????通過上面例子我們找到了request模塊的使用方法，我們使用response.read()獲取的是響應(yīng)體的內(nèi)容，我們還可以通過response.status、response.getheaders().response.getheader("server")，獲取狀態(tài)碼以及頭部信息，如果我們要給請求的網(wǎng)址添加頭部信息的話了，就要使用urllib.request.Request方法了。
它的用法為：
urllib.request.Request(url,data,headers,timeout,method)url:請求地址
data:請求數(shù)據(jù)
headers:請求頭
timeout:請求超時時間
method:請求方法，如get post
大致了解下我們可以先來訪問下起點網(wǎng)：
from urllib import request, parseurl = 'https://book.qidian.com/info/1014243481#Catalog'headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/78.0.3904.108 Safari/537.36','Host': 'book.qidian.com'}data = {'hw': 'hw'}data = bytes(parse.urlencode(data), encoding='utf8')req = request.Request(url=url, data=data,timeout=2,headers=headers, method='POST')response = request.urlopen(req)print(response.read().decode('utf-8'))
可以看出這是個post請求，因為method設(shè)置為post，data傳了參數(shù)。
這里補充說明下有個urlencode方法，它的作用是將字典轉(zhuǎn)換為url，例子如下:
from urllib.parse import urlencodedata = {"name":"hw","age":25,}url = "https://www.baidu.com?"page_url = url+urlencode(data)print(page_url)
添加請求頭其實還有一種方法，請看：
from urllib import request, parseurl = 'https://book.qidian.com/info/1014243481#Catalog'data = {'hw': 'hw'}data = bytes(parse.urlencode(data), encoding='utf8')req = request.Request(url=url, data=data,method='POST')req.add_header('User-Agent','Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrom/78.0.3904.108 Safari/537.36') #添加請求頭response = request.urlopen(req)print(response.read().decode('utf-8'))
????這種添加方式有個好處是自己可以定義一個請求頭字典，然后循環(huán)進(jìn)行添加，偽造多個瀏覽器頭。
urllib.request 還可以設(shè)置代理，用法如下，
urllib.request.ProxyHandler({'http':'http://fsdfffs.com','https':'https://fsdfwe.com'})這樣就可以避免同一個IP訪問網(wǎng)站多次被封的尷尬局面了。
import urllib.requestproxy_handler = urllib.request.ProxyHandler({'http': 'http://127.0.0.1:8000','https': 'https://127.0.0.1:8000'})opener = urllib.request.build_opener(proxy_handler) #構(gòu)建代理池response = opener.open('https://book.qidian.com/info/1014243481#Catalog') #代理訪問網(wǎng)站print(response.read())
可以看出，由于本人使用無用的IP導(dǎo)致鏈接錯誤，所以此時應(yīng)該處理異常。
換了種處理異常的方式，不過總的來說還是比較全面的。異常模塊中有兩個異常錯誤：
URLError，HTTPError，其中HTTPError是URLError的子類，URLError 里只有一個屬性：reason,即抓異常的時候只能打印錯誤信息，類似上面的例子。
HTTPError 里有三個屬性：code,reason,headers，即抓異常的時候可以獲得code，reson，headers三個信息，
import socketimport urllib.requestimport urllib.erroraa=''try:response = urllib.request.urlopen('https://book.qidian.com/info/1014243481#Catalog', timeout=0.1)aa=response.read().decode('utf8')except urllib.error.URLError as e:print(e.reason)if isinstance(e.reason,socket.timeout):print("time out")except urllib.error.HTTPError as e:print(e.reason,e.code)finally:print(aa)
除此之外，它還可以處理cookie數(shù)據(jù)，不過要借助另一個模塊 http。
import http.cookiejar, urllib.requestcookie = http.cookiejar.CookieJar() #創(chuàng)建cookiejar對象handler = urllib.request.HTTPCookieProcessor(cookie) 建立cookie請求opener = urllib.request.build_opener(handler) #構(gòu)建請求response = opener.open('https://www.baidu.com') #發(fā)送請求for item in cookie:print(item.name+"="+item.value) #打印cookie信息
同時cookie可以寫入到文件中保存，有兩種方式http.cookiejar.MozillaCookieJar和http.cookiejar.LWPCookieJar()，想用哪種自己決定。
http.cookiejar.MozillaCookieJar()方式
import http.cookiejar, urllib.requestfilename = "cookie.txt"cookie = http.cookiejar.MozillaCookieJar(file_name)handler = urllib.request.HTTPCookieProcessor(cookie)opener = urllib.request.build_opener(handler)response = opener.open('https://www.baidu.com')cookie.save(ignore_discard=True, ignore_expires=True)#保存信息
http.cookiejar.LWPCookieJar()方式
import http.cookiejar, urllib.requestfilename = 'cookie.txt'cookie = http.cookiejar.LWPCookieJar(file_name)handler = urllib.request.HTTPCookieProcessor(cookie)opener = urllib.request.build_opener(handler)response = opener.open('https://www.baidu.com')cookie.save(ignore_discard=True, ignore_expires=True)
如果想要通過獲取文件中的cookie獲取的話可以通過load方式，它也有兩種方式，http.cookiejar.MozillaCookieJar和http.cookiejar.LWPCookieJar()，想用哪種自己決定。
http.cookiejar.MozillaCookieJar()方式
import http.cookiejar, urllib.requestcookie = http.cookiejar.MozillaCookieJar()cookie.load('cookie.txt', ignore_discard=True, ignore_expires=True)handler = urllib.request.HTTPCookieProcessor(cookie)opener = urllib.request.build_opener(handler)response = opener.open('https://www.baidu.com')print(response.read().decode('utf-8'))
http.cookiejar.LWPCookieJar()方式
import http.cookiejar, urllib.requestcookie = 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('https://www.baidu.com')print(response.read().decode('utf-8'))
urllib parse模塊
????它是負(fù)責(zé)解析頁面內(nèi)容，模塊下有一個urlparse方法用于拆分解析內(nèi)容，具體用法如下：
urllib.parse.urlparse(url,scheme)URL：頁面地址
scheme: 協(xié)議類型 ，比如 http ?https
????有拆分當(dāng)然也會有拼接，我們可以看到上面返回的有六個值，所以我們在做拼接時一定要填寫六個參數(shù)，否則它會報沒有足夠的值用來解包的錯誤。
urllib.parse.urlunpars(url,scheme)
類似的拼接方法其實還有，比如說urljoin,例子如下：
????urllib.robotparser 它也是一個解析模塊，從它的字面意思看，應(yīng)該是一個機器人解析模塊。
????而且它還與機器人協(xié)議有關(guān)聯(lián)，它的存在就是為了解析每個網(wǎng)站中機器人協(xié)議，判斷這個網(wǎng)站是否可以抓取。
????每個網(wǎng)站中都會有一個robots.txt文件，我們要做的就是先解析它，然后在對要下載的網(wǎng)頁數(shù)據(jù)進(jìn)行判斷是否可以抓取。
可以通過直接輸入url的方式來判斷：
from urllib import robotparserrb = robotparser.RobotFileParser('https://www.baidu.com/robots.txt')print(rb.read())url = 'https://www.baidu.com'user_agent = 'BadCrawler'aa=rb.can_fetch(user_agent, url) #確定指定的用戶代理是否允許訪問網(wǎng)頁print(aa) #禁止使用的用戶代理 falseuser_agent = 'Googlebot'bb=rb.can_fetch(user_agent, url)print(bb)#允許使用的用戶代理 true
也可以通過間接設(shè)置url的方式來判斷：
from urllib import robotparserrb = robotparser.RobotFileParser()rb.set_url('https://www.baidu.com/robots.txt')rb.read() #讀取url = 'https://www.baidu.com'user_agent = 'BadCrawler'aa=rb.can_fetch(user_agent, url) #確定指定的用戶代理是否允許訪問網(wǎng)頁print(aa) #禁止使用的用戶代理 falseuser_agent = 'Googlebot'bb=rb.can_fetch(user_agent, url)print(bb)#允許使用的用戶代理 trueprint(rb.mtime()) #返回抓取分析robots協(xié)議的時間rb.modified() #將當(dāng)前時間設(shè)置為上次抓取和分析 robots.txt 的時間print(rb.mtime())# 返回 robots.txt 文件對請求速率限制的值print(rb.request_rate('Googlebot'))print(rb.request_rate('MSNBot'))# 返回 robotx.txt 文件對抓取延遲限制的值print(rb.crawl_delay('Googlebot'))print(rb.crawl_delay('MSNBot'))
三、應(yīng)用案例：爬取起點小說名
????老樣子，按下鍵盤快捷鍵F12，進(jìn)行網(wǎng)頁分析，這次我們采用lxml，我們得知只需要將這個頁面中的某一個部分的數(shù)據(jù)變動一下就可以抓取到所有數(shù)據(jù)。如圖：
????下次我們來講lxml和xpath語法，以便于大家更好的爬取數(shù)據(jù)，urllib內(nèi)容就這么多，并不復(fù)雜，requests更為簡單易學(xué)。
????最后想學(xué)習(xí)更多關(guān)于Python的知識，可以參考學(xué)習(xí)網(wǎng)址：http://pdcfighting.com/，點擊閱讀原文，可以直達(dá)噢~
-------------------?End?-------------------
往期精彩文章推薦：
歡迎大家點贊，留言，轉(zhuǎn)發(fā)，轉(zhuǎn)載，感謝大家的相伴與支持
想加入Python學(xué)習(xí)群請在后臺回復(fù)【入群】
萬水千山總是情，點個【在看】行不行
/今日留言主題/
隨便說一兩句吧~~