python爬蟲基礎(chǔ)之urllib的使用
更新時(shí)間：2020年12月31日 11:44:09 作者：過去圍觀
這篇文章主要介紹了python爬蟲基礎(chǔ)之urllib的使用，幫助大家更好的理解和使用python，感興趣的朋友可以了解下
一、urllib 和 urllib2的關(guān)系
在python2中，主要使用urllib和urllib2，而python3對(duì)urllib和urllib2進(jìn)行了重構(gòu)，拆分成了urllib.request, urllib.parse, urllib.error，urllib.robotparser等幾個(gè)子模塊，這樣的架構(gòu)從邏輯和結(jié)構(gòu)上說更加合理。urllib庫無需安裝，python3自帶。python 3.x中將urllib庫和urilib2庫合并成了urllib庫。
urllib2.urlopen() 變成了 urllib.request.urlopen()
urllib2.Request() 變成了 urllib.request.Request()
python2中的 cookielib 改為 http.cookiejar.
import http.cookiejar 代替 import cookielib
urljoin 現(xiàn)在對(duì)應(yīng)的函數(shù)是 urllib.parse.urljoin
二、python3下的urllib庫
- request，它是最基本的 HTTP 請(qǐng)求模塊，我們可以用它來模擬發(fā)送一請(qǐng)求，只需要給庫方法傳入 URL 還有額外的參數(shù)，就可以模擬實(shí)現(xiàn)這個(gè)過程了。
- error ，即異常處理模塊，如果出現(xiàn)請(qǐng)求錯(cuò)誤，我們可以捕獲這些異常，然后進(jìn)行重試或其他操作保證程序不會(huì)意外終止。
- parse ，是一個(gè)工具模塊，提供了許多 URL 處理方法，比如拆分、解析、合并等等的方法。
- robotparser，主要是用來識(shí)別網(wǎng)站的 robots.txt 文件，然后判斷哪些網(wǎng)站可以爬，哪些網(wǎng)站不可以爬的，其實(shí)用的比較少。
三、request的基礎(chǔ)類
（一）request.urlopen
urlopen方法最主要的參數(shù)就是目標(biāo)網(wǎng)站的url地址，可以使str類型，也可以是一個(gè)request對(duì)象。
get方法請(qǐng)求如下：
from urllib import request,parse respones = request.urlopen(http://www.baidu.com/)
post方法請(qǐng)求，需要添加data參數(shù)（字典格式），它要是字節(jié)流編碼格式的內(nèi)容，即 bytes 類型，通過 bytes() 方法可以進(jìn)行轉(zhuǎn)化，另外如果傳遞了這個(gè) data 參數(shù)，不添加data參數(shù)就默認(rèn)為 GET 方式請(qǐng)求。
from urllib import request,parse
url = "http://www.baidu.com/"
wd = {'wd':'哇哈哈哈'}
data = bytes(parse.urlencode(wd),'utf-8')
respones = request.urlopen(url,data=data)
（二）request.Request
由于單獨(dú)使用urlopen() 方法的不能添加User-Agent、Cookie等headers信息，需要構(gòu)建一個(gè) Request 類型的對(duì)象，通過構(gòu)造這個(gè)這個(gè)數(shù)據(jù)結(jié)構(gòu)，一方面我們可以將請(qǐng)求獨(dú)立成一個(gè)對(duì)象，另一方面可配置參數(shù)更加豐富和靈活。主要參數(shù)有：
- url 參數(shù)是請(qǐng)求 URL，這個(gè)是必傳參數(shù)，其他的都是可選參數(shù)。
- data 參數(shù)如果要傳必須傳 bytes（字節(jié)流）類型的，如果是一個(gè)字典，可以先用 urllib.parse 模塊里的 urlencode() 編碼。
- headers 參數(shù)是一個(gè)字典，這個(gè)就是 Request Headers 了，你可以在構(gòu)造 Request 時(shí)通過 headers 參數(shù)直接構(gòu)造，也可以通過調(diào)用 Request 實(shí)例的 add_header() 方法來添加, Request Headers 最常用的用法就是通過修改 User-Agent 來偽裝瀏覽器，默認(rèn)的 User-Agent 是 Python-urllib，我們可以通過修改它來偽裝瀏覽器。
- origin_req_host 參數(shù)指的是請(qǐng)求方的 host 名稱或者 IP 地址。
- unverifiable 參數(shù)指的是這個(gè)請(qǐng)求是否是無法驗(yàn)證的，默認(rèn)是False。意思就是說用戶沒有足夠權(quán)限來選擇接收這個(gè)請(qǐng)求的結(jié)果。例如我們請(qǐng)求一個(gè) HTML 文檔中的圖片，但是我們沒有自動(dòng)抓取圖像的權(quán)限，這時(shí) unverifiable 的值就是 True。
- method 參數(shù)是一個(gè)字符串，它用來指示請(qǐng)求使用的方法，比如GET，POST，PUT等等。
通過隨機(jī)的方法，選擇user-agent:
import randomUA_LIST = [ 'Mozilla/5.0 (compatible; U; ABrowse 0.6; Syllable) AppleWebKit/420+ (KHTML, like Gecko)', 'Mozilla/5.0 (compatible; MSIE 8.0; Windows NT 6.0; Trident/4.0; Acoo Browser 1.98.744; .NET CLR 3.5.30729)', 'Mozilla/5.0 (compatible; MSIE 8.0; Windows NT 6.0; Trident/4.0; Acoo Browser 1.98.744; .NET CLR 3.5.30729)', 'Mozilla/4.0 (compatible; MSIE 8.0; Windows NT 6.0; Trident/4.0; Acoo Browser; GTB5; Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1; SV1) ; InfoPath.1; .NET CLR 3.5.30729; .NET CLR 3.0.30618)', 'Mozilla/4.0 (compatible; MSIE 8.0; Windows NT 5.1; Trident/4.0; SV1; Acoo Browser; .NET CLR 2.0.50727; .NET CLR 3.0.4506.2152; .NET CLR 3.5.30729; Avant Browser)', 'Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 6.0; Acoo Browser; SLCC1; .NET CLR 2.0.50727; Media Center PC 5.0; .NET CLR 3.0.04506)', 'Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 6.0; Acoo Browser; GTB5; Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1; SV1) ; Maxthon; InfoPath.1; .NET CLR 3.5.30729; .NET CLR 3.0.30618)', 'Mozilla/4.0 (compatible; Mozilla/5.0 (compatible; MSIE 8.0; Windows NT 6.0; Trident/4.0; Acoo Browser 1.98.744; .NET CLR 3.5.30729); Windows NT 5.1; Trident/4.0)', 'Mozilla/4.0 (compatible; Mozilla/4.0 (compatible; MSIE 8.0; Windows NT 5.1; Trident/4.0; GTB6; Acoo Browser; .NET CLR 1.1.4322; .NET CLR 2.0.50727); Windows NT 5.1; Trident/4.0; Maxthon; .NET CLR 2.0.50727; .NET CLR 1.1.4322; InfoPath.2)', 'Mozilla/4.0 (compatible; MSIE 8.0; Windows NT 6.0; Trident/4.0; Acoo Browser; GTB6; Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1; SV1) ; InfoPath.1; .NET CLR 3.5.30729; .NET CLR 3.0.30618)' ] #隨機(jī)獲取一個(gè)user-agent user_agent = random.choice(UA_LIST)
添加headers頭部信息的方法1:
url='http://www.baidu.com/'user_agent = random.choice(UA_LIST)
headers = {
'User-Agent': user_agent
}
req = request.Request(url=url,headers=headers)
respones = request.urlopen(req)
添加headers頭部信息的方法2:
url='http://www.baidu.com'
headers = {
'User-Agent': user_agent
}
#添加user-agent的方法2
req = request.Request(url)
#請(qǐng)求添加user-agent
req.add_header("User-Agent",user_agent)
#獲取請(qǐng)求的user-agent agent的a要小寫
print(req.get_header("User-agent"))
response = request.urlopen(req)print(respones.read().decode('utf-8'))
三、request的高級(jí)類
在urllib.request模塊里的BaseHandler類，他是所有其他Handler的父類，他是一個(gè)處理器，比如用它來處理登錄驗(yàn)證，處理cookies，代理設(shè)置，重定向等。它提供了直接使用和派生類使用的方法：
- add_parent(director)：添加director作為父類
- close()：關(guān)閉它的父類
- parent()：打開使用不同的協(xié)議或處理錯(cuò)誤
- defautl_open(req)：捕獲所有的URL及子類，在協(xié)議打開之前調(diào)用
Handler的子類包括：
HTTPDefaultErrorHandler：用來處理http響應(yīng)錯(cuò)誤，錯(cuò)誤會(huì)拋出HTTPError類的異常
HTTPRedirectHandler：用于處理重定向
HTTPCookieProcessor：用于處理cookies
ProxyHandler：用于設(shè)置代理，默認(rèn)代理為空
HTTPPasswordMgr：永遠(yuǎn)管理密碼，它維護(hù)用戶名和密碼表
HTTPBasicAuthHandler：用戶管理認(rèn)證，如果一個(gè)鏈接打開時(shí)需要認(rèn)證，可以使用它來實(shí)現(xiàn)驗(yàn)證功能
（一）ProxyHandler
如果爬蟲需要大量爬取網(wǎng)站數(shù)據(jù)，為了避免被封號(hào)，需要使用代理，通過request.build_opener()方法生成一個(gè)opener對(duì)象，添加代理的方法如下：
from urllib import request
#代理開關(guān)，表示是否開啟代理
proxyswitch =True
#構(gòu)建一個(gè)handler處理器對(duì)象，參數(shù)是一個(gè)字典類型，包括代理類型和代理服務(wù)器IP+PORT
proxyhandler = request.ProxyHandler({"http":"191.96.42.80:3128"})
#如果是帶用戶名和密碼的代理，格式為{"http":"username:passwd@191.96.42.80:3128"}
#不加代理的handler處理器對(duì)象
nullproxyhandler = request.ProxyHandler()
if proxyswitch:
opener = request.build_opener(proxyhandler)
else:
opener = request.build_opener(nullproxyhandler)
req = request.Request("http://www.baidu.com/")
response = opener.open(req)
print(response.read().decode("utf-8"))
（二）ProxyBasicAuthHandler
通過密碼管理器的方法實(shí)現(xiàn)代理服務(wù)器功能
from urllib import request
#代理密碼管理，也可以管理服務(wù)器賬戶密碼
#賬戶密碼
user = "username"
passwd = "passwd"
#代理服務(wù)器
proxyserver = "1.1.1.1:9999"
#構(gòu)建密碼管理對(duì)象，保存需要處理的用戶名和密碼
passmgr = request.HTTPPasswordMgrWithDefaultRealm()
#添加賬戶信息，第一個(gè)參數(shù)realm是與遠(yuǎn)程服務(wù)器相關(guān)的域信息
passmgr.add_password(None,proxyserver,user,passwd)
#構(gòu)建基礎(chǔ)ProxyBasicAuthHandler處理器對(duì)象
proxyauth_handler = request.ProxyBasicAuthHandler(passmgr)
opener = request.build_opener(proxyauth_handler)
req = request.Request("http://www.baidu.com/")
response = opener.open(req)
（三）ProxyBasicAuthHandler
通過密碼管理器的方法實(shí)現(xiàn)web認(rèn)證登陸功能
#web驗(yàn)證
from urllib import request
test = "test"
passwd = "123456"
webserver = "1.1.1.1"
#構(gòu)建密碼管理器handler
passwdmgr = request.HTTPPasswordMgrWithDefaultRealm()
#添加密碼信息
passwdmgr.add_password(None,webserver,test,passwd)
#HTTP基礎(chǔ)驗(yàn)證處理器類
http_authhandler = request.HTTPBasicAuthHandler(passwdmgr)
opener = request.build_opener(http_authhandler)
req = request.Request("http://"+webserver)
response = opener.open(req)
四、Cookie處理
通過http.cookiejar中的HTTPCookieProcessor構(gòu)建cookie處理器對(duì)象，處理cookie信息
import http.cookiejar
from urllib import request,parse
#模擬登陸先post賬戶密碼
#然后保存生成的cookie
#通過CookieJar類構(gòu)件一個(gè)coociejar對(duì)象,從來保存cookie值
cookie = http.cookiejar.CookieJar()
#構(gòu)件cookie處理器對(duì)象，用來處理cookie
cookie_handler = request.HTTPCookieProcessor(cookie)
#構(gòu)件一個(gè)自定義的opener
opener = request.build_opener(cookie_handler)
#通過自定義的opener的addheaders參數(shù)，可以添加HTTP報(bào)頭參數(shù)
opener.addheaders = [("User-Agent","Mozilla/5.0 (compatible; U; ABrowse 0.6; Syllable) AppleWebKit/420+ (KHTML, like Gecko)"),]
#需要登陸的接口
url = 'http://www.renren.com/PLogin.do'
#需要登陸的賬戶密碼
data = {
"email":"renren賬號(hào)",
"password":"密碼"
}
#數(shù)據(jù)處理
data = bytes(parse.urlencode(data),'utf-8')
#第一次是POST請(qǐng)求，通過登陸賬戶密碼，得到cookie
req = request.Request(url,data=data)
#發(fā)送第一次POST請(qǐng)求，生成登陸后的cookie
response = opener.open(req)
print(response.read().decode("utf-8"))
#此時(shí)的opener已經(jīng)包含了該鏈接下的cookie，此時(shí)使用該opener就可以直接訪問該站點(diǎn)下其他的網(wǎng)頁而不需要再登陸了
opener.open(http://www.renren.com/PLogin.doxxxxxxxxxxxxx)
以上就是python爬蟲基礎(chǔ)之urllib的使用的詳細(xì)內(nèi)容，更多關(guān)于python 爬蟲urllib的資料請(qǐng)關(guān)注腳本之家其它相關(guān)文章！
您可能感興趣的文章:
- python urllib.request模塊的使用詳解
- python 如何用urllib與服務(wù)端交互(發(fā)送和接收數(shù)據(jù))
- python urllib和urllib3知識(shí)點(diǎn)總結(jié)
- Python urllib request模塊發(fā)送請(qǐng)求實(shí)現(xiàn)過程解析
- Python urllib3軟件包的使用說明
- Python urllib庫如何添加headers過程解析
- 詳解python內(nèi)置模塊urllib
- python3 中使用urllib問題以及urllib詳解
- Python urllib2運(yùn)行過程原理解析
- Python urllib.request對(duì)象案例解析
- python中urllib.request和requests的使用及區(qū)別詳解
- python urllib庫的使用詳解
相關(guān)文章
這篇文章主要介紹了Python中幾個(gè)比較常見的名詞解釋,本文解釋同樣適應(yīng)其它編程語言,本文講解了循環(huán)、迭代、遞歸、遍歷等名詞的含義,需要的朋友可以參考下2015-07-07
Python Flask自定義URL路由參數(shù)過濾器的方法詳解
Flask是一個(gè)輕量級(jí)的Python Web應(yīng)用框架,它允許開發(fā)者以一種簡(jiǎn)潔明了的方式來構(gòu)建Web應(yīng)用,Flask自定義URL的主要功能在于使得開發(fā)者能夠通過簡(jiǎn)單的路由規(guī)則來自定義應(yīng)用程序的URL結(jié)構(gòu),本文給大家介紹了Python Flask自定義URL路由參數(shù)過濾器的方法,需要的朋友可以參考下2024-07-07
Python 實(shí)現(xiàn)Serial 與STM32J進(jìn)行串口通訊
今天小編就為大家分享一篇Python 實(shí)現(xiàn)Serial 與STM32J進(jìn)行串口通訊，具有很好的參考價(jià)值，希望對(duì)大家有所幫助。一起跟隨小編過來看看吧2019-12-12
linux下安裝python3和對(duì)應(yīng)的pip環(huán)境教程詳解
這篇文章主要介紹了linux下安裝python3和對(duì)應(yīng)的pip環(huán)境,本文給大家介紹的非常詳細(xì)，具有一定的參考借鑒價(jià)值，需要的朋友可以參考下2019-07-07
八皇后問題，是一個(gè)古老而著名的問題，是回溯算法的典型案例。該問題是國際西洋棋棋手馬克斯·貝瑟爾于1848年提出：在8X8格的國際象棋上擺放八個(gè)皇后，使其不能互相攻擊，即任意兩個(gè)皇后都不能處于同一行、同一列或同一斜線上，問有多少種擺法。2014-07-07
django中使用Celery 布式任務(wù)隊(duì)列過程詳解
這篇文章主要介紹了django中使用Celery 布式任務(wù)隊(duì)列實(shí)現(xiàn)過程詳解,文中通過示例代碼介紹的非常詳細(xì)，對(duì)大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值,需要的朋友可以參考下2019-07-07
Python中使用__new__實(shí)現(xiàn)單例模式并解析
單例模式是一個(gè)經(jīng)典設(shè)計(jì)模式，簡(jiǎn)要的說，一個(gè)類的單例模式就是它只能被實(shí)例化一次，實(shí)例變量在第一次實(shí)例化時(shí)就已經(jīng)固定。 這篇文章主要介紹了Python中使用__new__實(shí)現(xiàn)單例模式并解析 ,需要的朋友可以參考下2019-06-06
Python 實(shí)現(xiàn)將數(shù)組/矩陣轉(zhuǎn)換成Image類
今天小編就為大家分享一篇Python 實(shí)現(xiàn)將數(shù)組/矩陣轉(zhuǎn)換成Image類，具有很好的參考價(jià)值，希望對(duì)大家有所幫助。一起跟隨小編過來看看吧2020-01-01
tensorflow如何繼續(xù)訓(xùn)練之前保存的模型實(shí)例
今天小編就為大家分享一篇tensorflow如何繼續(xù)訓(xùn)練之前保存的模型實(shí)例，具有很好的參考價(jià)值，希望對(duì)大家有所幫助。一起跟隨小編過來看看吧2020-01-01
Python Web編程之WSGI協(xié)議簡(jiǎn)介
這篇文章主要介紹了Python Web編程之WSGI協(xié)議,簡(jiǎn)單說明了WSGI的概念、功能并結(jié)合實(shí)例形式分析了Gunicorn和uWSGI相關(guān)實(shí)現(xiàn)技巧,需要的朋友可以參考下2018-07-07