官方文檔地址：https://docs.python.org/3/library/urllib.html

什么是Urllib

Urllib是python內(nèi)置的HTTP請(qǐng)求庫(kù)
包括以下模塊
urllib.request 請(qǐng)求模塊
urllib.error 異常處理模塊
urllib.parse url解析模塊
urllib.robotparser robots.txt解析模塊

urlopen

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)

url參數(shù)的使用

先寫一個(gè)簡(jiǎn)單的例子：

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

urlopen一般常用的有三個(gè)參數(shù)，它的參數(shù)如下：
urllib.requeset.urlopen(url,data,timeout)
response.read()可以獲取到網(wǎng)頁的內(nèi)容，如果沒有read()，將返回如下內(nèi)容

data參數(shù)的使用

上述的例子是通過請(qǐng)求百度的get請(qǐng)求獲得百度，下面使用urllib的post請(qǐng)求
這里通過http://httpbin.org/post網(wǎng)站演示（該網(wǎng)站可以作為練習(xí)使用urllib的一個(gè)站點(diǎn)使用，可以
模擬各種請(qǐng)求操作）。

import urllib.parse import urllib.requestdata = bytes(urllib.parse.urlencode({'word': 'hello'}), encoding='utf8') print(data) response = urllib.request.urlopen('http://httpbin.org/post', data=data) print(response.read())

這里就用到urllib.parse，通過bytes(urllib.parse.urlencode())可以將post數(shù)據(jù)進(jìn)行轉(zhuǎn)換放到urllib.request.urlopen的data參數(shù)中。這樣就完成了一次post請(qǐng)求。
所以如果我們添加data參數(shù)的時(shí)候就是以post請(qǐng)求方式請(qǐng)求，如果沒有data參數(shù)就是get請(qǐng)求方式

timeout參數(shù)的使用
在某些網(wǎng)絡(luò)情況不好或者服務(wù)器端異常的情況會(huì)出現(xiàn)請(qǐng)求慢的情況，或者請(qǐng)求異常，所以這個(gè)時(shí)候我們需要給
請(qǐng)求設(shè)置一個(gè)超時(shí)時(shí)間，而不是讓程序一直在等待結(jié)果。例子如下：

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

運(yùn)行之后我們看到可以正常的返回結(jié)果，接著我們將timeout時(shí)間設(shè)置為0.1
運(yùn)行程序會(huì)提示如下錯(cuò)誤

所以我們需要對(duì)異常進(jìn)行抓取，代碼更改為

import socket import urllib.request import urllib.errortry:response = urllib.request.urlopen('http://httpbin.org/get', timeout=0.1) except urllib.error.URLError as e:if isinstance(e.reason, socket.timeout):print('TIME OUT')

響應(yīng)

響應(yīng)類型、狀態(tài)碼、響應(yīng)頭

import urllib.requestresponse = urllib.request.urlopen('https://www.python.org') print(type(response))

可以看到結(jié)果為：<class 'http.client.httpresponse'="">
我們可以通過response.status、response.getheaders().response.getheader("server")，獲取狀態(tài)碼以及頭部信息
response.read()獲得的是響應(yīng)體的內(nèi)容

當(dāng)然上述的urlopen只能用于一些簡(jiǎn)單的請(qǐng)求，因?yàn)樗鼰o法添加一些header信息，如果后面寫爬蟲我們可以知道，很多情況下我們是需要添加頭部信息去訪問目標(biāo)站的，這個(gè)時(shí)候就用到了urllib.request

request

設(shè)置Headers
有很多網(wǎng)站為了防止程序爬蟲爬網(wǎng)站造成網(wǎng)站癱瘓，會(huì)需要攜帶一些headers頭部信息才能訪問，最長(zhǎng)見的有user-agent參數(shù)

寫一個(gè)簡(jiǎn)單的例子：

import urllib.requestrequest = urllib.request.Request('https://python.org') response = urllib.request.urlopen(request) print(response.read().decode('utf-8'))

給請(qǐng)求添加頭部信息，從而定制自己請(qǐng)求網(wǎng)站是時(shí)的頭部信息

from urllib import request, parseurl = 'http://httpbin.org/post' headers = {'User-Agent': 'Mozilla/4.0 (compatible; MSIE 5.5; Windows NT)','Host': 'httpbin.org' } dict = {'name': 'zhaofan' } data = bytes(parse.urlencode(dict), encoding='utf8') req = request.Request(url=url, data=data, headers=headers, method='POST') response = request.urlopen(req) print(response.read().decode('utf-8'))

添加請(qǐng)求頭的第二種方式

from urllib import request, parseurl = 'http://httpbin.org/post' dict = {'name': 'Germey' } data = bytes(parse.urlencode(dict), encoding='utf8') req = request.Request(url=url, data=data, method='POST') req.add_header('User-Agent', 'Mozilla/4.0 (compatible; MSIE 5.5; Windows NT)') response = request.urlopen(req) print(response.read().decode('utf-8'))

這種添加方式有個(gè)好處是自己可以定義一個(gè)請(qǐng)求頭字典，然后循環(huán)進(jìn)行添加

高級(jí)用法各種handler

代理,ProxyHandler

通過rulllib.request.ProxyHandler()可以設(shè)置代理,網(wǎng)站它會(huì)檢測(cè)某一段時(shí)間某個(gè)IP 的訪問次數(shù)，如果訪問次數(shù)過多，它會(huì)禁止你的訪問,所以這個(gè)時(shí)候需要通過設(shè)置代理來爬取數(shù)據(jù)

import urllib.requestproxy_handler = urllib.request.ProxyHandler({'http': 'http://127.0.0.1:9743','https': 'https://127.0.0.1:9743' }) opener = urllib.request.build_opener(proxy_handler) response = opener.open('http://httpbin.org/get') print(response.read())

cookie,HTTPCookiProcessor

cookie中保存中我們常見的登錄信息，有時(shí)候爬取網(wǎng)站需要攜帶cookie信息訪問,這里用到了http.cookijar，用于獲取cookie以及存儲(chǔ)cookie

import http.cookiejar, 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)

同時(shí)cookie可以寫入到文件中保存，有兩種方式http.cookiejar.MozillaCookieJar和http.cookiejar.LWPCookieJar()，當(dāng)然你自己用哪種方式都可以

具體代碼例子如下：
http.cookiejar.MozillaCookieJar()方式

import http.cookiejar, urllib.request filename = "cookie.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)

http.cookiejar.LWPCookieJar()方式

import http.cookiejar, urllib.request filename = 'cookie.txt' cookie = http.cookiejar.LWPCookieJar(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)

同樣的如果想要通過獲取文件中的cookie獲取的話可以通過load方式，當(dāng)然用哪種方式寫入的，就用哪種方式讀取。

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

異常處理

在很多時(shí)候我們通過程序訪問頁面的時(shí)候，有的頁面可能會(huì)出現(xiàn)錯(cuò)誤，類似404，500等錯(cuò)誤
這個(gè)時(shí)候就需要我們捕捉異常，下面先寫一個(gè)簡(jiǎn)單的例子

from urllib import request,errortry:response = request.urlopen("http://pythonsite.com/1111.html") except error.URLError as e:print(e.reason)

上述代碼訪問的是一個(gè)不存在的頁面，通過捕捉異常，我們可以打印異常錯(cuò)誤

這里我們需要知道的是在urllb異常這里有兩個(gè)個(gè)異常錯(cuò)誤：
URLError,HTTPError，HTTPError是URLError的子類

URLError里只有一個(gè)屬性：reason,即抓異常的時(shí)候只能打印錯(cuò)誤信息，類似上面的例子

HTTPError里有三個(gè)屬性：code,reason,headers，即抓異常的時(shí)候可以獲得code,reson，headers三個(gè)信息，例子如下：

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")

同時(shí)，e.reason其實(shí)也可以在做深入的判斷，例子如下：

import socketfrom urllib import error,requesttry:response = request.urlopen("http://www.pythonsite.com/",timeout=0.001) except error.URLError as e:print(type(e.reason))if isinstance(e.reason,socket.timeout):print("time out")

URL解析

urlparse
The URL parsing functions focus on splitting a URL string into its components, or on combining URL components into a URL string.

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

功能一：

from urllib.parse import urlparseresult = urlparse("http://www.baidu.com/index.html;user?id=5#comment") print(result)

結(jié)果為：

這里就是可以對(duì)你傳入的url地址進(jìn)行拆分
同時(shí)我們是可以指定協(xié)議類型：
result = urlparse("www.baidu.com/index.html;user?id=5#comment",scheme="https")
這樣拆分的時(shí)候協(xié)議類型部分就會(huì)是你指定的部分，當(dāng)然如果你的url里面已經(jīng)帶了協(xié)議，你再通過scheme指定的協(xié)議就不會(huì)生效

urlunpars

其實(shí)功能和urlparse的功能相反，它是用于拼接，例子如下：

from urllib.parse import urlunparsedata = ['http','www.baidu.com','index.html','user','a=123','commit'] print(urlunparse(data))

結(jié)果如下

urljoin

這個(gè)的功能其實(shí)是做拼接的，例子如下：

from urllib.parse import urljoinprint(urljoin('http://www.baidu.com', 'FAQ.html')) print(urljoin('http://www.baidu.com', 'https://pythonsite.com/FAQ.html')) print(urljoin('http://www.baidu.com/about.html', 'https://pythonsite.com/FAQ.html')) print(urljoin('http://www.baidu.com/about.html', 'https://pythonsite.com/FAQ.html?question=2')) print(urljoin('http://www.baidu.com?wd=abc', 'https://pythonsite.com/index.php')) print(urljoin('http://www.baidu.com', '?category=2#comment')) print(urljoin('www.baidu.com', '?category=2#comment')) print(urljoin('www.baidu.com#comment', '?category=2'))

結(jié)果為：

從拼接的結(jié)果我們可以看出，拼接的時(shí)候后面的優(yōu)先級(jí)高于前面的url

urlencode
這個(gè)方法可以將字典轉(zhuǎn)換為url參數(shù)，例子如下

from urllib.parse import urlencodeparams = {"name":"zhaofan","age":23, } base_url = "http://www.baidu.com?"url = base_url+urlencode(params) print(url)

結(jié)果為：

?

原文地址：?http://www.cnblogs.com/zhaof/p/6910871.html

總結(jié)

以上是生活随笔為你收集整理的python爬虫从入门到放弃（三）之 Urllib库的基本使用的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。