本文介紹urllib庫(kù)在不同版本的Python中的變動(dòng)，并以Python3.X講解urllib庫(kù)的相關(guān)用法。

urllib庫(kù)對(duì)照速查表

urllib庫(kù)是用于操作URL，爬取頁(yè)面的python第三方庫(kù)，同樣的庫(kù)還有requests、httplib2。

在Python2.X中，分urllib和urllib2，但在Python3.X中，都統(tǒng)一合并到urllib中。通過(guò)上表可以看到其中常見(jiàn)的變動(dòng)，依據(jù)該變動(dòng)可快速寫(xiě)出相應(yīng)版本的python程序。

相對(duì)來(lái)說(shuō)，Python3.X對(duì)中文的支持比Python2.X友好，所以該博客接下來(lái)通過(guò)Python3.X來(lái)介紹urllib庫(kù)的一些常見(jiàn)用法。

發(fā)送請(qǐng)求

import urllib.request
r = urllib.request.urlopen(http://www.python.org/)

首先導(dǎo)入urllib.request模塊，使用urlopen()對(duì)參數(shù)中的URL發(fā)送請(qǐng)求，返回一個(gè)http.client.HTTPResponse對(duì)象。

在urlopen()中，使用timeout字段，可設(shè)定相應(yīng)的秒數(shù)時(shí)間之后停止等待響應(yīng)。除此之外，還可使用r.info()、r.getcode()、r.geturl()獲取相應(yīng)的當(dāng)前環(huán)境信息、狀態(tài)碼、當(dāng)前網(wǎng)頁(yè)URL。

讀取響應(yīng)內(nèi)容

import urllib.request
url = "http://www.python.org/"
with urllib.request.urlopen(url) as r:
r.read()

使用r.read()讀取響應(yīng)內(nèi)容到內(nèi)存，該內(nèi)容為網(wǎng)頁(yè)的源代碼（可用相應(yīng)的瀏覽器“查看網(wǎng)頁(yè)源代碼”功能看到），并可對(duì)返回的字符串進(jìn)行相應(yīng)解碼decode()。

傳遞URL參數(shù)

import urllib.request
import urllib.parse
params = urllib.parse.urlencode({'q': 'urllib', 'check_keywords': 'yes', 'area': 'default'})
url = "https://docs.python.org/3/search.html?{}".format(params)
r = urllib.request.urlopen(url)

以字符串字典的形式，通過(guò)urlencode()編碼，為URL的查詢(xún)字符串傳遞數(shù)據(jù)，

編碼后的params為字符串，字典每項(xiàng)鍵值對(duì)以'&'連接：'q=urllib&check_keywords=yes&area=default'

構(gòu)建后的URL：https://docs.python.org/3/search.html?q=urllib&check_keywords=yes&area=default

當(dāng)然，urlopen()支持直接構(gòu)建的URL，簡(jiǎn)單的get請(qǐng)求可以不通過(guò)urlencode()編碼，手動(dòng)構(gòu)建后直接請(qǐng)求。上述方法使代碼模塊化，更優(yōu)雅。

傳遞中文參數(shù)

import urllib.request
searchword = urllib.request.quote(input("請(qǐng)輸入要查詢(xún)的關(guān)鍵字："))
url = "https://cn.bing.com/images/async?q={}&first=0&mmasync=1".format(searchword)
r = urllib.request.urlopen(url)

該URL是利用bing圖片接口，查詢(xún)關(guān)鍵字q的圖片。如果直接將中文傳入U(xiǎn)RL中請(qǐng)求，會(huì)導(dǎo)致編碼錯(cuò)誤。我們需要使用quote()，對(duì)該中文關(guān)鍵字進(jìn)行URL編碼，相應(yīng)的可以使用unquote()進(jìn)行解碼。

定制請(qǐng)求頭

import urllib.request
url = 'https://docs.python.org/3/library/urllib.request.html'
headers = {
  'User-Agent' : 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/61.0.3163.100 Safari/537.36',
  'Referer': 'https://docs.python.org/3/library/urllib.html'
}
req = urllib.request.Request(url, headers=headers)
r = urllib.request.urlopen(req)

有時(shí)爬取一些網(wǎng)頁(yè)時(shí)，會(huì)出現(xiàn)403錯(cuò)誤（Forbidden），即禁止訪(fǎng)問(wèn)。這是因?yàn)榫W(wǎng)站服務(wù)器對(duì)訪(fǎng)問(wèn)者的Headers屬性進(jìn)行身份驗(yàn)證，例如：通過(guò)urllib庫(kù)發(fā)送的請(qǐng)求，默認(rèn)以”P(pán)ython-urllib/X.Y”作為User-Agent，其中X為Python的主版本號(hào)，Y為副版本號(hào)。所以，我們需要通過(guò)urllib.request.Request()構(gòu)建Request對(duì)象，傳入字典形式的Headers屬性，模擬瀏覽器。

相應(yīng)的Headers信息，可通過(guò)瀏覽器的開(kāi)發(fā)者調(diào)試工具，”檢查“功能的”Network“標(biāo)簽查看相應(yīng)的網(wǎng)頁(yè)得到，或使用抓包分析軟件Fiddler、Wireshark。

除上述方法外，還可以使用urllib.request.build_opener()或req.add_header()定制請(qǐng)求頭，詳見(jiàn)官方樣例。

在Python2.X中，urllib模塊和urllib2模塊通常一起使用，因?yàn)閡rllib.urlencode()可以對(duì)URL參數(shù)進(jìn)行編碼，而urllib2.Request()可以構(gòu)建Request對(duì)象，定制請(qǐng)求頭，然后統(tǒng)一使用urllib2.urlopen()發(fā)送請(qǐng)求。

傳遞POST請(qǐng)求

import urllib.request
import urllib.parse
url = 'https://passport.cnblogs.com/user/signin?'
post = {
  'username': 'xxx',
  'password': 'xxxx'
}
postdata = urllib.parse.urlencode(post).encode('utf-8')
req = urllib.request.Request(url, postdata)
r = urllib.request.urlopen(req)

我們?cè)谶M(jìn)行注冊(cè)、登錄等操作時(shí)，會(huì)通過(guò)POST表單傳遞信息。

這時(shí)，我們需要分析頁(yè)面結(jié)構(gòu)，構(gòu)建表單數(shù)據(jù)post，使用urlencode()進(jìn)行編碼處理，返回字符串，再指定'utf-8'的編碼格式，這是因?yàn)镻OSTdata只能是bytes或著file object。最后通過(guò)Request()對(duì)象傳遞postdata，使用urlopen()發(fā)送請(qǐng)求。

下載遠(yuǎn)程數(shù)據(jù)到本地

import urllib.request
url = "https://www.python.org/static/img/python-logo.png"
urllib.request.urlretrieve(url, "python-logo.png")

爬取圖片、視頻等遠(yuǎn)程數(shù)據(jù)時(shí)，可使用urlretrieve()下載到本地。

第一個(gè)參數(shù)為要下載的url，第二個(gè)參數(shù)為下載后的存放路徑。

該樣例下載python官網(wǎng)logo到當(dāng)前目錄下，返回元組(filename, headers)。

設(shè)置代理IP

import urllib.request
url = "https://www.cnblogs.com/"
proxy_ip = "180.106.16.132:8118"
proxy = urllib.request.ProxyHandler({'http': proxy_ip})
opener = urllib.request.build_opener(proxy, urllib.request.HTTPHandler)
urllib.request.install_opener(opener)
r = urllib.request.urlopen(url)

有時(shí)頻繁的爬取一個(gè)網(wǎng)頁(yè)，會(huì)被網(wǎng)站服務(wù)器屏蔽IP。這時(shí)，可通過(guò)上述方法設(shè)置代理IP。

首先，通過(guò)網(wǎng)上代理IP的網(wǎng)站找一個(gè)可以用的IP，構(gòu)建ProxyHandler()對(duì)象，將'http'和代理IP以字典形式作為參數(shù)傳入，設(shè)置代理服務(wù)器信息。再構(gòu)建opener對(duì)象，將proxy和HTTPHandler類(lèi)傳入。通過(guò)installl_opener()將opener設(shè)置成全局，當(dāng)用urlopen()發(fā)送請(qǐng)求時(shí)，會(huì)使用之前設(shè)置的信息來(lái)發(fā)送相應(yīng)的請(qǐng)求。

異常處理

import urllib.request
import urllib.error
url = "http://www.balabalabala.org"
try:
  r = urllib.request.urlopen(url)
except urllib.error.URLError as e:
  if hasattr(e, 'code'):
    print(e.code)
  if hasattr(e, 'reason'):
    print(e.reason)

可以使用URLError類(lèi)，處理一些URL相關(guān)異常。導(dǎo)入urllib.error，捕獲URLError異常后，因?yàn)橹挥邪l(fā)生HTTPError異常（URLError子類(lèi)）時(shí)，才會(huì)有異常狀態(tài)碼e.code，所以需要判斷異常是否有屬性code。

Cookie的使用

import urllib.request
import http.cookiejar
url = "http://www.balabalabala.org/"
cjar = http.cookiejar.CookieJar()
opener = urllib.request.build_opener(urllib.request.HTTPCookieProcessor(cjar))
urllib.request.install_opener(opener)
r = urllib.request.urlopen(url)

通過(guò)無(wú)狀態(tài)協(xié)議HTTP訪(fǎng)問(wèn)網(wǎng)頁(yè)時(shí)，Cookie維持會(huì)話(huà)間的狀態(tài)。例如：有些網(wǎng)站需要登錄操作，第一次可通過(guò)提交POST表單來(lái)登錄，當(dāng)爬取該網(wǎng)站下的其它站點(diǎn)時(shí)，可以使用Cookie來(lái)保持登錄狀態(tài)，而不用每次都通過(guò)提交表單來(lái)登錄。

首先，構(gòu)建CookieJar()對(duì)象cjar，再使用HTTPCookieProcessor()處理器，處理cjar，并通過(guò)build_opener()構(gòu)建opener對(duì)象，設(shè)置成全局，通過(guò)urlopen()發(fā)送請(qǐng)求。

最新評(píng)論