python经验大牛教你python爬虫

日期: 2019-06-25

  什么是Urllib

  Urllib是python内置的HTTP请求库

  包括以下模块

  urllib.request 请求模块

  urllib.error 异常处理模块

  urllib.parse url解析模块

  urllib.robotparser robots.txt解析模块

  urlopen

  关于urllib.request.urlopen参数的介绍:

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

  url参数的使用

  这里还是要推荐下小编的Python学习群:483546416,不管你是小白还是大牛,小编我都欢迎,不定期分享干货,包括小编自己整理的一份2017最新的Python资料和0基础入门教程,欢迎初学和进阶中的小伙伴。在不忙的时间我会给大家解惑。

  先写一个简单的例子:

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

  urlopen一般常用的有三个参数,它的参数如下:

  urllib.requeset.urlopen(url,data,timeout)

  response.read()可以获取到网页的内容,如果没有read(),将返回如下内容

  data参数的使用

  上述的例子是通过请求百度的get请求获得百度,下面使用urllib的post请求

  这里通过http://httpbin.org/post网站演示(该网站可以作为练习使用urllib的一个站点使用,可以

  模拟各种请求操作)。

  import urllib.parseimport 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())

  这里就用到urllib.parse,通过bytes(urllib.parse.urlencode())可以将post数据进行转换放到urllib.request.urlopen的data参数中。这样就完成了一次post请求。

  所以如果我们添加data参数的时候就是以post请求方式请求,如果没有data参数就是get请求方式

  timeout参数的使用

  在某些网络情况不好或者服务器端异常的情况会出现请求慢的情况,或者请求异常,所以这个时候我们需要给

  请求设置一个超时时间,而不是让程序一直在等待结果。例子如下:

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

  运行之后我们看到可以正常的返回结果,接着我们将timeout时间设置为0.1

  运行程序会提示如下错误

  所以我们需要对异常进行抓取,代码更改为

  import socketimport urllib.requestimport 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')

  响应

  响应类型、状态码、响应头

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

  可以看到结果为:

  我们可以通过response.status、response.getheaders().response.getheader("server"),获取状态码以及头部信息

  response.read()获得的是响应体的内容

  当然上述的urlopen只能用于一些简单的请求,因为它无法添加一些header信息,如果后面写爬虫我们可以知道,很多情况下我们是需要添加头部信息去访问目标站的,这个时候就用到了urllib.request

  request

  设置Headers

  有很多网站为了防止程序爬虫爬网站造成网站瘫痪,会需要携带一些headers头部信息才能访问,最长见的有user-agent参数

  写一个简单的例子:

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

  给请求添加头部信息,从而定制自己请求网站是时的头部信息

  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': 'alex'}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'))

  添加请求头的第二种方式

  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'))

  这种添加方式有个好处是自己可以定义一个请求头字典,然后循环进行添加

  高级用法各种handler

  代理,ProxyHandler

  通过rulllib.request.ProxyHandler()可以设置代理,网站它会检测某一段时间某个IP 的访问次数,如果访问次数过多,它会禁止你的访问,所以这个时候需要通过设置代理来爬取数据

  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中保存中我们常见的登录信息,有时候爬取网站需要携带cookie信息访问,这里用到了http.cookijar,用于获取cookie以及存储cookie

  import http.cookiejar, urllib.requestcookie = 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)

  同时cookie可以写入到文件中保存,有两种方式http.cookiejar.MozillaCookieJar和http.cookiejar.LWPCookieJar(),当然你自己用哪种方式都可以

  具体代码例子如下:

  http.cookiejar.MozillaCookieJar()方式

  import http.cookiejar, urllib.requestfilename = "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.requestfilename = '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)

  同样的如果想要通过获取文件中的cookie获取的话可以通过load方式,当然用哪种方式写入的,就用哪种方式读取。

  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('http://www.baidu.com')print(response.read().decode('utf-8'))

  异常处理

  在很多时候我们通过程序访问页面的时候,有的页面可能会出现错误,类似404,500等错误

  这个时候就需要我们捕捉异常,下面先写一个简单的例子

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

  上述代码访问的是一个不存在的页面,通过捕捉异常,我们可以打印异常错误

  这里我们需要知道的是在urllb异常这里有两个个异常错误:

  URLError,HTTPError,HTTPError是URLError的子类

  URLError里只有一个属性:reason,即抓异常的时候只能打印错误信息,类似上面的例子

  HTTPError里有三个属性:code,reason,headers,即抓异常的时候可以获得code,reson,headers三个信息,例子如下:

  from urllib import request,errortry: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")

  同时,e.reason其实也可以在做深入的判断,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)

  结果为:

  这里就是可以对你传入的url地址进行拆分

  同时我们是可以指定协议类型:

  result = urlparse("www.baidu.com/index.html;user?id=5#comment",scheme="https")

  这样拆分的时候协议类型部分就会是你指定的部分,当然如果你的url里面已经带了协议,你再通过scheme指定的协议就不会生效

  urlunpars

  其实功能和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))

  结果如下

  urljoin

  这个的功能其实是做拼接的,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'))

  结果为:

  从拼接的结果我们可以看出,拼接的时候后面的优先级高于前面的url

  urlencode

  这个方法可以将字典转换为url参数,例子如下

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

  结果为:

  好了,Python的开发工具就先介绍到这里,说的不足之处还希望大家指出。

  这个世界只要有梦想,只要你不断努力,不断学习,不管你长得如何,不管你是不是有钱,不管是这样还是那样,你都是有机会的加油吧!!!!

  以上就是小编为大家分享的所有内容,有想了解更多资讯或相关知识,可以关注学佳澳官网或微信公众号“学佳澳工程实训联盟”。学佳澳一家专业的IT培训机构!另外“学佳澳牛人课堂”微信公总号免费公开课全面上线,一大批干货正在路上,想看的朋友记得点关注哦!