python的urllib學習
1.基本方法
urllib.request.urlopen(url, data=None, [timeout, ]*, cafile=None, capath=None, cadefault=False, context=None)
- url: 需要打開的網址
- data：Post提交的數據
- timeout：設置網站的訪問超時時間
直接用urllib.request模塊的urlopen（）獲取頁面，page的數據格式為bytes類型，需要decode（）解碼，轉換成str類型。
1 from urllib import request 2 response = request.urlopen(r‘http://python.org/‘) # <http.client.HTTPResponse object at 0x00000000048BC908> HTTPResponse類型 3 page = response.read() 4 page = page.decode(‘utf-8‘)
urlopen返回對象提供方法：
- read() , readline() ,readlines() , fileno() , close() ：對HTTPResponse類型數據進行操作
- info()：返回HTTPMessage對象，表示遠程服務器返回的頭信息
- getcode()：返回Http狀態碼。如果是http請求，200請求成功完成;404網址未找到
- geturl()：返回請求的url
2.使用Request
urllib.request.Request(url, data=None, headers={}, method=None
使用request（）來包裝請求，再通過urlopen（）獲取頁面。
1 url = r‘http://www.lagou.com/zhaopin/Python/?labelWords=label‘
2 headers = {
3 ‘User-Agent‘: r‘Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) ‘
4 r‘Chrome/45.0.2454.85 Safari/537.36 115Browser/6.0.3‘,
5 ‘Referer‘: r‘http://www.lagou.com/zhaopin/Python/?labelWords=label‘,
6 ‘Connection‘: ‘keep-alive‘
7 }
8 req = request.Request(url, headers=headers)
9 page = request.urlopen(req).read()
10 page = page.decode(‘utf-8‘)
用來包裝頭部的數據：
- User-Agent ：這個頭部可以攜帶如下幾條信息：瀏覽器名和版本號、操作系統名和版本號、默認語言
- Referer：可以用來防止盜鏈，有一些網站圖片顯示來源http://***.com，就是檢查Referer來鑒定的
- Connection：表示連接狀態，記錄Session的狀態。
3.Post數據
urllib.request.urlopen(url, data=None, [timeout, ]*, cafile=None, capath=None, cadefault=False, context=None)
urlopen（）的data參數默認為None，當data參數不為空的時候，urlopen（）提交方式為Post。
1 from urllib import request, parse
2 url = r‘http://www.lagou.com/jobs/positionAjax.json?‘
3 headers = {
4 ‘User-Agent‘: r‘Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) ‘
5 r‘Chrome/45.0.2454.85 Safari/537.36 115Browser/6.0.3‘,
6 ‘Referer‘: r‘http://www.lagou.com/zhaopin/Python/?labelWords=label‘,
7 ‘Connection‘: ‘keep-alive‘
8 }
9 data = {
10 ‘first‘: ‘true‘,
11 ‘pn‘: 1,
12 ‘kd‘: ‘Python‘
13 }
14 data = parse.urlencode(data).encode(‘utf-8‘)
15 req = request.Request(url, headers=headers, data=data)
16 page = request.urlopen(req).read()
17 page = page.decode(‘utf-8‘)
urllib.parse.urlencode(query, doseq=False, safe=‘‘, encoding=None, errors=None)
urlencode（）主要作用就是將url附上要提交的數據。
1 data = {
2 ‘first‘: ‘true‘,
3 ‘pn‘: 1,
4 ‘kd‘: ‘Python‘
5 }
6 data = parse.urlencode(data).encode(‘utf-8‘)
經過urlencode（）轉換後的data數據為?first=true?pn=1?kd=Python，最後提交的url為
http://www.lagou.com/jobs/positionAjax.json?first=true?pn=1?kd=Python
Post的數據必須是bytes或者iterable of bytes，不能是str，因此需要進行encode（）編碼
1 page = request.urlopen(req, data=data).read()
當然，也可以把data的數據封裝在urlopen（）參數中
4.異常處理
1 def get_page(url):
2 headers = {
3 ‘User-Agent‘: r‘Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) ‘
4 r‘Chrome/45.0.2454.85 Safari/537.36 115Browser/6.0.3‘,
5 ‘Referer‘: r‘http://www.lagou.com/zhaopin/Python/?labelWords=label‘,
6 ‘Connection‘: ‘keep-alive‘
7 }
8 data = {
9 ‘first‘: ‘true‘,
10 ‘pn‘: 1,
11 ‘kd‘: ‘Python‘
12 }
13 data = parse.urlencode(data).encode(‘utf-8‘)
14 req = request.Request(url, headers=headers)
15 try:
16 page = request.urlopen(req, data=data).read()
17 page = page.decode(‘utf-8‘)
18 except error.HTTPError as e:
19 print(e.code())
20 print(e.read().decode(‘utf-8‘))
21 return page
5、使用代理
urllib.request.ProxyHandler(proxies=None)
當需要抓取的網站設置了訪問限制，這時就需要用到代理來抓取數據。
1 data = {
2 ‘first‘: ‘true‘,
3 ‘pn‘: 1,
4 ‘kd‘: ‘Python‘
5 }
6 proxy = request.ProxyHandler({‘http‘: ‘5.22.195.215:80‘}) # 設置proxy
7 opener = request.build_opener(proxy) # 掛載opener
8 request.install_opener(opener) # 安裝opener
9 data = parse.urlencode(data).encode(‘utf-8‘)
10 page = opener.open(url, data).read()
11 page = page.decode(‘utf-8‘)
12 return page
python的urllib學習