Python爬蟲之urllib基礎用法教程
綜述
本系列文件用於對Python爬蟲技術進行簡單的教程講解,鞏固自己技術知識的同時,萬一一不小心又正好對你有用那就更好了。
Python 版本是3.7.4
urllib庫介紹
它是 Python 內建的HTTP請求庫,也就是說我們不需要額外安裝即可使用,它包含四個模組(主要對前三個模組進行學習):
- request : 它是最基本的 HTTP 請求模組,我們可以用它來模擬傳送一請求,就像在瀏覽器裡輸入網址然後敲擊回車一樣,只需要給庫方法傳入 URL 還有額外的引數,就可以模擬實現這個過程了。
- error : 異常處理模組,如果出現請求錯誤,我們可以捕獲這些異常,然後進行重試或其他操作保證程式不會意外終止。
- parse : 用於解析URL,提供了許多URL處理方法,比如拆分、解析、合併等等的方法,以及對引數的拼接等待。
- robotparser : 主要是用來識別網站的robots.txt協議檔案,然後判斷網站的那些資料可以爬,哪些資料不可以爬的,其實用的比較少。
urllib.request 介紹
urlopen()
1.引數說明(僅寫了四個最常用的引數)
url : 爬取目標的URL;
data : 請求引數,如果設定該引數,則請求預設為post請求;沒有預設為get請求;
timeout : 用於設定超時時間,單位為秒;
context : 必須是一個ssl.SSLContext型別,用來指定SSL設定,忽略未認證的CA證書;
2.具體用法
GET 請求方式
# 匯入urllib庫 import urllib.request # 向指定的url傳送請求,並返回伺服器響應的類檔案物件 url = "http://www.baidu.com" response = urllib.request.urlopen(url=url) print(type(response)) # 類檔案物件支援檔案物件的操作方法,如read()方法讀取檔案全部內容,返回字串 html = response.read() # html = response.readline() # 讀取一行 # html = response.readlines() # 讀取多行,返回列表 # 列印響應結果(byte型別) print(html) # 列印響應結果(utf-8型別) # 二進位制和字串之間的相互轉碼使用 encode() 和 decode() 函式 # encode() 和 decode() 可帶引數,不寫預設utf-8,其他不再特別說明 print(html.decode()) # 列印狀態碼 # print(response.get_code()) print(response.status) # 獲取響應頭 print(response.getheaders()) # 獲取響應頭Server資訊 print(response.getheader('Server')) # 獲取響應結果原因 print(response.reason)
POST 請求方式
# 匯入urllib庫 import urllib.parse import urllib.request # 向指定的url傳送請求,並返回 post_url = 'https://fanyi.baidu.com/sug' # 傳入引數 form_data = { 'kw': 'honey' } # 格式化引數 form_data = urllib.parse.urlencode(form_data).encode() response = urllib.request.urlopen(url=post_url,data=form_data) # 列印伺服器響應的類檔案物件 print(type(response)) # 類檔案物件支援檔案物件的操作方法,如read()方法讀取檔案全部內容,返回字串 html = response.read() # 列印響應結果(byte型別) print(html) # 列印響應結果(utf-8型別) print(html.decode()) # 列印狀態碼 print(response.status) # print(response.getcode()) # 獲取響應頭 print(response.getheaders()) # 獲取響應頭Server資訊 print(response.getheader('Server')) # 獲取響應結果原因 print(response.reason)
urlretrleve()
1.引數說明
url : 下載連結地址;
filename : 指定儲存本地路徑(如果引數未指定,urllib會生成一個臨時檔案儲存資料);
reporthook : 是一個回撥函式,當連線上伺服器、以及相應的資料塊傳輸完畢時會觸發該回調,我們可以利用這個回撥函式來顯示當前的下載進度;
data : 指post導伺服器的資料,該方法返回一個包含兩個元素的(filename,headers) 元組,filename 表示儲存到本地的路徑,header表示伺服器的響應頭;
2.具體用法
# 引入所需要的庫 import os import urllib.request # 定義回撥函式 def call_back(a,b,c): """ 圖片下載回撥 :param a: 已經下載的資料塊 :param b: 資料塊的大小 :param c: 遠端檔案的大小 :return: """ per = 100.0 * a * b / c if per > 100: per = 100 print('%.2f%%' % per) # 定義下下載的地址 url = 'http://www.baidu.com' # 構造檔案儲存路徑 path = os.path.abspath('.') file_path = os.path.join(path,'baidu.html') # 進行下載 urllib.request.urlretrieve(url,file_path,call_back)
urllib.parse 介紹
urlencode()
1.引數說明
query : url引數,可以是字串,也可以是字典;
encoding : 編碼方式;
2.具體用法
# 引入所需要的庫 import urllib.parse # 引數資料 data = { 'name': '張三','age': 26 } # 進行編碼 ret = urllib.parse.urlencode(data) print(ret)
parse_s()
1.引數說明
qs : url引數,編碼後的字串;
encoding : 字元方式;
2.具體用法
# 引入所需要的庫 import urllib.parse # 引數資料 data = { 'name': '張三','age': 26 } # 進行編碼 ret1 = urllib.parse.urlencode(data) print(ret1) # 進行解碼 ret2 = urllib.parse.parse_qs(ret1) print(ret2)
urlparse()
1.引數說明
url : url地址字串;
2.具體用法
# 引入所需要的庫 import urllib.parse # 宣告url url = "https://www.baidu.com/s?wd=urlparse&rsv_spt=1&rsv_iqid=0x921f00fe005646ef&issp=1&f=8" # 進行url解析 ret = urllib.parse.urlparse(url) print(ret) print('scheme:',ret.scheme) # 協議 print('netloc:',ret.netloc) # 域名伺服器 print('path:',ret.path) # 相對路徑 print('params:',ret.params) # 路徑端引數 print('fragment:',ret.fragment) # 片段 print('query:',ret.query) # 查詢 # urlunparse() 與 urlparse() 對應相反函式 # 使用urlparse的格式組合成一個url,可以直接將urlparse的返回傳遞組合 ret1 = urllib.parse.urlunparse(ret) print(ret1)
urlsplit()
1.引數說明
url : url地址字串;
2.具體用法
# 引入所需要的庫 import urllib.parse # 宣告url url = "https://www.baidu.com/s?wd=urlparse&rsv_spt=1&rsv_iqid=0x921f00fe005646ef&issp=1&f=8" # 進行url解析 ret = urllib.parse.urlsplit(url) print(ret) print('scheme:',ret.path) # 相對路徑 print('fragment:',ret.query) # 查詢 # urlunsplit() 與 urlsplit() 對應相反函式 # 使用urlsplit的格式組合成一個url,可以直接將urlsplit的返回傳遞組合 ret1 = urllib.parse.urlunsplit(ret) print(ret1) # 此函式和urlparse函式的區別在於此函式沒有params
urljoin()
1.引數說明
qs : url引數,編碼後的字串;
encoding : 字元方式;
2.具體用法
# 引入所需要的庫 import urllib.parse # 宣告url url = "https://www.baidu.com/" # 引數資料 data = { 'name': '張三','age': 26 } # 格式化引數 data = urllib.parse.urlencode(data) # 進行url拼接 ret = urllib.parse.urljoin(url,data) print(ret)
urllib.error 介紹
我們在爬蟲的時候發請求的時候難免出現錯誤,如訪問不到伺服器或者訪問被禁止等等,error分為URLError和HTTPError兩類:
1.URLError
沒有網
伺服器連結失敗
找不大指定伺服器
2.HTTPError
是URLError的子類
3.兩者區別和聯絡
1).URLError封裝的錯誤資訊一般是由網路引起的,包括url錯誤
2).HTTPError封裝的錯誤資訊一般是伺服器返回了錯誤狀態碼
3).URLError是OSERROR的子類,HTTPError是URLError的子類
4).【注意】兩個同時捕獲的時候需要將子類放在上面,父類放在下面
用法
# 引入所需要的庫 import urllib.error import urllib.request # 一個訪問異常的url url = 'https://www.mz.com/156427/100' # 捕獲異常 try: ret = urllib.request.urlopen(url) print(ret) except urllib.error.HTTPError as e: print(e.getcode()) except urllib.error.URLError as e: print(e)
以上就是本文的全部內容,希望對大家的學習有所幫助,也希望大家多多支援我們。