Python3 Urllib庫的基本使用
一、什麼是Urllib
Urllib庫是Python自帶的一個http請求庫，包含以下幾個模組：
- urllib.request 請求模組
- urllib.error 異常處理模組
- urllib.parse url解析模組
- urllib.robotparser robots.txt解析模組
其中前三個模組比較常用，第四個僅作了解。
二、Urllib方法介紹
將結合Urllib的官方文件進行說明。首先是urllib.request模組：
示例程式碼1：
import urllib.request
response = urllib.request.urlopen('http://www.baidu.com')
print(response.read().decode('utf-8'))這裡用到了方法的第一個引數，即為URL地址，這種請求方式為GET請求，因為沒有附加任何的引數。read()方法從返回中讀取響應體的內容，讀取完是二進位制位元組流，因此需要呼叫decode()方法通過utf8編碼方式轉換成我們所能讀懂的網頁程式碼。
示例程式碼2：
import urllib.parse
import urllib.request
d = bytes(urllib.parse.urlencode({'name':'zhangsan'}),encoding='utf8')
response = urllib.request.urlopen('http://httpbin.org/post',data=d)
print(response.read().decode('utf-8'))res:
{ "args": {}, "data": "", "files": {}, "form": { "name": "zhangsan" }, "headers": { "Accept-Encoding": "identity", "Connection": "close", "Content-Length": "13", "Content-Type": "application/x-www-form-urlencoded", "Host": "httpbin.org", "User-Agent": "Python-urllib/3.7" }, "json": null, "origin": "183.209.153.56", "url": "http://httpbin.org/post" }
這裡用到了第二個引數data，這次相當於一次post請求，該url是http測試網址。因為urlopen方法的data要求傳入的引數形式是二進位制，所以我們需要對字典進行二進位制轉碼。
示例程式碼3：
# 設定請求的超時時間
import socket
import urllib.request
try:
response = urllib.request.urlopen('http://www.baidu.com',timeout=0.01)
except urllib.error.URLError as e:
if isinstance(e.reason,socket.timeout):
print('Time Out')
這裡使用了timeout引數，設定了一個極短的時間以至於不會在時間內返回。所以程式會丟擲異常。通過判斷異常的型別去列印異常資訊是常用的手段，因此，當異常為timeout時，將列印‘Time Out’。
示例程式碼4：
1 # response有用的方法或引數
2 import urllib.request
3
4 response = urllib.request.urlopen('http://www.python.org')
5 print(response.status)
6 print(response.getHeaders()) # 元祖列表
7 print(response.getHeader('Server'))
status為狀態碼，getHeaders()返回響應頭的資訊。但是當我們想傳遞request headers的時候，urlopen就無法支援了，因此這裡需要一個新的方法。
示例程式碼1：
1 from urllib import request,parse
2
3 url = 'http://httpbin.org/post'
4 headers = {
5 'User-Agent':'Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/60.0.3100.0 Safari/537.36',
6 'Host':'httpbin.org'
7 }
8 dict = {
9 'name':'zhangsan'
10 }
11
12 data = bytes(parse.urlencode(dict),encoding='utf8')
13 req = request.Request(url=url,data=data,headers=headers,method=post)
14 response = request.urlopen(req)
15 print(response.read().decode('utf-8'))
用Request方法進行post請求並加入了請求頭。
Handler是urllib中十分好用的一個工具，當我們進行IP代理訪問或者爬蟲過程保持對話（cookie）時，可以用相應的handler進行操作。以處理cookie的handler為例。
程式碼示例2：
1 import http.cookiejar,urllib.request
2
3 cookie = http.cookiejar.CookieJar()
4 handler = urllib.request.HttpCookieProcessor(cookie)
5 opener = urllib.request.build_opener(handler)
6 response = opener.open('http://www.baidu.com')
7
8 for item in cookie:
9 print(item.name,item.value)
通過CookieJar()來構造一個cookie物件，然後呼叫urllib.request.HttpCookieProcesser()建立一個關於cookie的handler物件，通過這個handler構造opener，然後就可以進行http請求了。返回的response包含cookie資訊，這個handler就可以拿到該cookie資訊並儲存到cookie物件中。cookie的作用在於，如果爬蟲過程中需要維持會話，那可以將cookie加入到Request中。
示例程式碼3：
1 import http.cookiejar,urllib.request
2
3 filename = 'cookie.txt'
4 cookie = http.cookiejar.MozillaCookieJar(filename)
5 handler = urllib.request.HttpCookieProcessor(cookie)
6 opener = urllib.request.build_opener(handler)
7 response = opener.open('http://www.baidu.com')
8 cookie.save(ignore_discard=True,ignore_expires=True)
MozillaCookieJar是CookieJar的子類，可以將cookie寫入本地檔案。
示例程式碼4：
1 import http.cookiejar,urllib.request
2
3 cookie = http.cookiejar.MozillaCookieJar()
4 cookie.load('cookie.txt',Ignore_discard=True,Ignore_expires=True)
5 handler = urllib.request.HttpCookieProcessor(cookie)
6 opener = urllib.request.build_opener(handler)
7 response = opener.open('http://www.baidu.com')
8 print(response.read().decode('utf-8'))
通過cookie物件的load()方法可以從本地檔案讀取cookie內容，然後可以在request中維持會話狀態。
其次是urllib.error模組。
示例程式碼1：
1 from urllib import request,error
2
3 try:
4 response = request.urlopen('http://bucunzai.com/index.html')
5 except error.HTTPError as e:
6 print(e.reason,e.code.e.header,sep='\n')
7 except error.URLError as e:
8 print(e.reason)
9 else:
10 print('Request Successfully')
通過官方文件可以看出，httperror是URLerror的子類，所以需要先捕捉子類異常。例項證明HTTPError被捕獲。文件中可以看出，HTTPError有三個引數，分別是reason，code和header。通過例項可以得到code為404。下面將說明一種常見的用法，顯示異常時哪一類異常的方法。
示例程式碼2：
1 from urllib import request,error
2 import socket
3
4 try:
5 response = request.urlopen('http://www.baidu.com',timeout=0.01)
6 except error.URLError as e:
7 if isinstance(e.reason,socket.timeout):
8 print('Time Out')
最後看一下urllib.parse中提供的常用方法。
示例程式碼1：
1 from urllib.parse import urlparse
2
3 result = urlparse('http://www.baidu.com/index.html;user?id=5#comment',scheme='https')
4 print(result)
5 # ParseResult(scheme='http', netloc='www.baidu.com', path='/index.html', params='user', query='id=5', fragment='comment')
最後一行為輸出結果。urlparse方法分析傳入的url結構，並且拆分成相應的元組。scheme引數的作用是提供一個預設值，當url沒有協議資訊時，分析結果的scheme為預設值，如果有則預設值被覆蓋。
示例程式碼2：
1 from urllib.parse import urlparse
2
3 result = urlparse('http://www.baidu.com/index.html;user#comment',allow_fragments=False)
4 print(result)
5 # ParseResult(scheme='http', netloc='www.baidu.com', path='/index.html',params='user#comment', query='', fragment='')
可以看到，當fragment引數被設定為false的時候，url中的fragment會被新增到前面有資料的那一項中。如果不清楚URL各部分的含義，可參考本篇備註。
進行url各部分的拼接，引數形式是一個列表型別。
示例程式碼1：
1 from urllib.parse import urlunparse
2
3 data = ['http','www.baidu.com','index.html','user','a=6','comment']
4 print(urlunparse(data))
5
6 # http://www.baidu.com/index.html;user?a=6#comment
示例程式碼1：
1 from urllib.parse import urljoin
2
3 print(urljoin('http://www.baidu.com','index.html'))
4 print(urljoin('http://www.baidu.com#comment','?username="zhangsan"'))
5 print(urljoin('http://www.baidu.com','www.sohu.com'))
6
7 # http://www.baidu.com/index.html
8 # http://www.baidu.com?username="zhangsan"
9 # http://www.baidu.com/www.sohu.com
這種拼接需要注意其規則，如果第二個引數是第一個引數中沒有的url組成部分，那將進行新增，否則進行覆蓋。第二個print則是一種需要避免的現象，這種join方式會覆蓋掉低級別的引數。這裡的第三個print是一個反例，很多人認為解析是從域名開始的，實際上是從‘//’開始解析的，官方文件給出了很明確的解釋：If url is an absolute URL (that is, starting with // or scheme://), the url‘s host name and/or scheme will be present in the result。所以再次建議，官方文件是最好的學習工具。
urlencode()方法將字典轉換成url的query引數形式的字串 。
示例程式碼1：
1 from urllib.parse import urlencode
2
3 params = {
4 'name':'zhangsan',
5 'age':22
6 }
7
8 base_url = 'http://www.baidu.com?'
9 url = base_url + urlencode(params)
10 print(url)
11
12 # 'http://www.baidu.com?name=zhangsan&age=22'