urllib的使用

urllib库是python内置的HTTP请求库。

包含以下四个模块：

1) request 最基本的HTTP请求模块，可以用来模拟发送请求。

2)error 异常处理模块

3)parse 一个工具模块，提供了许多URL处理方法，比如拆分，解析，合并等。

4)robotparser 用来识别网站的robots.txt文件，从而判断哪些网站可以爬，哪些网站不可以爬。

1.request 模块

1.1  urlopen()

import urllib.request

response = urllib.request.urlopen(url)

得到的response是一个HTTPResponse类型的对象，主要包含read(),readinto(),getheader(name),getheaders(),fileno()等方法，以及msg,version,status,reason等属性。

通过urlopen()得到response这个对象后，就可以调用上面提到的这些方法和属性，从而得到返回结果的一系列对象，

• urlopen函数的API

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

  • data 参数
    data参数是可选的，如果要添加这个参数，就需要使用bytes()方法将参数转化为字节流编码格式的内容，即bytes类型。如果使用了这个参数就不在是GET请求而是POST请求了。

    import urllib.parseimport urllib.request
    
    data = bytes(urllib.parse.urlencode({'word':'hello'}),encoding='utf8')
    response = urllib.request.urlopen(url,data=data)
    print(response.read())

    在这里我们传递了一个参数为word,值是hello。它需要被转码成bytes类型，采用的方法就是bytes()方法，该方法的第一个参数需要的是str类型，需要使用urllib.parse模块里的urlencode方法来将参数字典转换为字符串，第二个参数指定编码格式，这里指定为utf8。

  • timeout参数

    该参数用于设置超时时间，单位为秒，超过设置的这个时间还没有得到响应就会抛出异常，如果不指定，就会使用全局默认时间。

1.2 Request

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

• URL用来请求URL，必传参数，其他的都是可选参数

• data如果要传，就必须传bytes类型的，如果参数为字典，可以先用urllib.parse模块里的urlencode编码。

• headers是一个字典，请求头，可以在构造请求是通过headers参数直接构造，也可以通过调用请求实例的add_header()方法添加re。

• Method是一个字符串，用来指示请求使用的方法

1.3高级用法

• 代理

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

  这里使用了ProxyHandler其参数是一个字典，键名是协议类型(http或者https)，键值是代理链接，可以添加多个代理IP。

  然后利用这个Handler以及build_opener()方法构造了一个Opener，之后发送即可。

• Cookies

  • 获取网站的Cookies

    import http.cookiejar,urllib.request
    
    cookie = http.cookiejar.CookieJar()
    handler = urllib.request.HTTPCookieProcessor(cookie)
    opener = urllib.request.build_opener(handler)
    response = opener.oepn(url)for item in cookie:
        print(item.name+"="+item.value)

    首先声明一个CookieJar对象，然后利用HTTPCookieProcessor来构建一个Handler,最后利用build_opener()方法来构建出opener,执行open即可。

  • 以文件形式获取Cookie

    filename = 'cookies.txt'cookie = http.cookiejar.MozillaCookieJar(filename)
    handler = urllib.request.HTTPCookieProcessor(cookie)
    opener = urllib.request.build_opener(handler)
    response = opener.oepn(url)
    cookie.save(ignore_discard=True,ignore_expires=True)

2.处理异常

urllib的error模块定义了由request模块产生的异常。

2.1URLError

URLError类来自urllib库的error模块，它继承自OSError类，是error异常模块的基类，由request模块产生的异常都可以通过捕获和这个类来处理

这个类具有一个reason属性，即返回的错误的原因。

from urllib import request,errortry:
    .....except error.URLError as e:
    print(e.reason)

2.2HTTPError

它是URLError的子类，专门用来处理HTTP请求错误。它有三个属性

• code  返回HTTP状态码

• reason  返回错误信息

• headers 返回请求头

3解析链接

urllib库里提供了一个parse模块，定义处理URL的标准接口，例如实现URL各部分的抽取，合并以及链接转换

3.1 urlparse(urlstring,shcme='',allow_fragments=True)

• urlstring 必填项  待解析的url

• Scheme 默认的协议，如果这个链接没有带协议信息，会将这个作为默认的协议。

• allow_fragments 即是否忽略fragment，如果设置为False，则fragment部分就会被忽略，会成为其他的一部分，而fragment则为空

from urllib.parse import urlparse

result = urlparse('http://www.baidu.com/index.html;user?id=5#comment')
print(type(result),result)

<class 'urllib.parse.ParseResult'> ParseResult(scheme='http', netloc='www.baidu.com', path='/index.html', params='user', query='id=5', fragment='comment')

从打印的结果可以看出，返回的是一个ParseResult类型的对象，它包含了6个部分，分别是scheme(协议，比如http,https),netloc(域名),path(访问路径),params(参数),query(问号后面的查询条件),fragment(#后面的内容).

一个标准的链接格式： scheme://netloc/path;params?query#fragment

3.2urlunparse()

与urlparse()方法的对立。它接受的参数是一个可迭代对象，长度必须为6，即传入6个参数，返回的结果是组装好的URL.

data = ['http','www.baidu.com','index.html','user','a=6','comment']
print(urlunparse(data))

得到的结果为

http://www.baidu.com/index.html;user?a=6#comment

3.3urlsplit()与urlunsplit()

这个方法和urlparse()方法类似，只不过不在解析parms这个部分，只返回五个结果。parms部分会合并到path中。

3.4 urljoin()

使用URLjoin方法 需要提供一个base_url作为第一参数，将新的链接作为第二个参数，然后会合成一个新的链接。

Base_url 提供了三项内容，scheme,netloc,path.如果这三项在新的链接中不存在就补充，如果新的链接存在，就使用新的链接中的部分。

3.5 urlencode()  与 parse_qs()

from urllib.parse import urlencode

params = {    'name':'germey',    'age':22}
base_url = 'http://www.baidu.com?'url = base_url + urlencode(params)
print(url)

结果为：

http://www.baidu.com?name=germey&age=22

将字典类型转换为GET请求参数。

如果我们有一串GET请求参数，利用parse_qs()方法，就可以将参数转换为字典

3.5 quote()与unquote()

Quote将中文转化为URL编码的格式

from urllib.parse import quote

url_word = quote(keyword)

unquote将URL编码解码成中文

作者：Fizz翊
链接：https://www.jianshu.com/p/38ca9ac27447