Python----Urllib的学习

测试积点老人

Urllib库

Urllib库的定义：Urllib库是Python提供来操作URL的模块。

1.Python2.X 和    Python3.X的区别：Python2.X中包括Urllib库、Urllib2库，而在Python3.X中，将Urllib2合并到Urllib中。

Python2.x到Python3.X之间的变化：

1. 爬取百度网页并保存在本地

1. import urllib.request
   
2. 
   
3. # 方式1
   
4. url = "http://www.baidu.com"
   
5. data = urllib.request.urlopen(url).read()
   
6. handlelData = open("D:/python/file/1.html", "wb")
   
7. handlelData.write(data)
   
8. handlelData.close()
   
9. 
   
10. # 方式2 可以直接通过urllib.request.urlretrieve()方法直接将网页内容保存在本地
    
11. filename = urllib.request.urlretrieve(url,filename = "D:/python/file/1.html")

复制代码

注意：

read()、readlines()、readline()三者的区别：

read(): 读取网页的所有的内容，并且将读取的内容返回一个字符串。

readlines(): 也是读取网页全部内容，不同的是它会将读取对的内容赋值给一个列表

readline(): 它是读取网页每一行的内容。

2. 对url中含有中文的字符，我们需要对其进行编码和解码

1. encode = urllib.request.quote("http://www.sina.com.cn")
   
2. decode = urllib.request.unquote(encode)
   
3. print(encode)
   
4. print(decode)

复制代码

3.模拟浏览器访问网页

1. # 方式1 通过build_opener()修改报头
   
2. url = "http://www.baidu.com"
   
3. header = ('Uesr-Agent','Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/67.0.3396.79 Safari/537.36')
   
4. opener = urllib.request.build_opener()
   
5. opener.addheaders = [header]
   
6. data = opener.open(url).read()
   
7. print(data)
   
8. # 方式2 通过urlib.request.Request()来添加报头
   
9. req = urllib.request.Request(url)
   
10. req.add_header('User-Agent','Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/67.0.3396.79 Safari/537.36')
    
11. data = urllib.request.urlopen(req).read()
    
12. print(data)

复制代码

4. 超时设置

1. for i in range(1,100):
   
2.     try:
   
3.         file = urllib.request.urlopen("http://yum.iqianyue.com",timeout=1)
   
4.         data = file.read()
   
5.         print(len(data))
   
6.     except Exception as e:
   
7.         print('出现异常----》',e)

复制代码

5.请求方式的使用：post、get、put等

post请求的实例

1. url = "http://www.iqianyue.com/mypost/"
   
2. 
   
3. # 1.构建post请求参数
   
4. postdata = {"name":"ceo@iqianyue.com","pass":"aA123456"}
   
5. 
   
6. # 2.采用urllib.parse.urlencode()来编码数据，然后设置成utf-8来编码
   
7. encode_postdata = urllib.parse.urlencode(postdata).encode('utf-8')
   
8. 
   
9. # 3.用post参数来构建request的请求
   
10. req = urllib.request.Request(url,encode_postdata)
    
11. 
    
12. # 4.模拟浏览器访问，给request请求添加报头
    
13. req.add_header('User-Agent','Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/67.0.3396.79 Safari/537.36')
    
14. 
    
15. # 5.通过urllib.request.urlopen()来发送请求，得到响应结果.
    
16. data = urllib.request.urlopen(req).read()
    
17. 
    
18. # 6.将数据保存在本地
    
19. os_handle = open("D:/python/file/5.html","wb")
    
20. os_handle.write(data)
    
21. 
    
22. # 7.关闭流
    
23. os_handle.close()

复制代码

get请求需要注意的是，如果请求的url中含有中文字符或者特需字符，需要进行转码在发送请求。

6.代理请求的设置

1. def user_proxy(proxy_address, url):
   
2. 
   
3.     # 1.代理的设置(包括端口号，用户名，密码，ip地址等)，采用什么样的来设置代理(http、ftp、https)
   
4.     proxy = urllib.request.ProxyHandler({'http': proxy_address})
   
5. 
   
6.     # 2.通过 build_opener()来设置代理(HTTPHandler、HTTPSHandler、FTPHandler)
   
7.     opener = urllib.request.build_opener(proxy, urllib.request.HTTPHandler)
   
8. 
   
9.     # 3.模拟浏览器访问网页
   
10.     headers = "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/67.0.3396.79 Safari/537.36"
    
11.     opener.addheaders = [('User-Agent', headers)]
    
12. 
    
13.     # 4. 创建全局的opener
    
14.     urllib.request.install_opener(opener)
    
15. 
    
16.     # 5.使用全局的opener来发送请求
    
17.     data = urllib.request.urlopen(url).read()
    
18.     return data
    
19. 
    
20. 
    
21. self_url = "https://www.baidu.com"
    
22. proxy_ip = '144.48.4.214:8989'
    
23. data = user_proxy(proxy_ip, self_url)
    
24. print(len(data))

复制代码

7. DebugLog的实战

1. # 1.通过将urllib.request.HTTPHandler 和 urllib.request.HTTPSHandler（debuglevel=1）
   
2. http_hd = urllib.request.HTTPHandler(debuglevel=1)
   
3. https_hd = urllib.request.HTTPSHandler(debuglevel=1)
   
4. 
   
5. # 2. 通过 build_opener()来设置debug，创建全局的opener
   
6. opener = urllib.request.build_opener(http_hd, https_hd)
   
7. urllib.request.install_opener(opener)
   
8. 
   
9. # 3. 通过全局的opener来发送请求
   
10. data = urllib.request.urlopen("http://edu.51cto.com")

复制代码

8.异常的处理: 分为两种 HTTPError 和 URLError

  HTTPError主要是http协议中状态码的错误

  URLError主要是请求url中发生的错误

1. try:
   
2.     data = urllib.request.urlopen("https://www.jiangcxczxc.com").read()
   
3.     print(len(data))
   
4. except urllib.error.URLError as e:
   
5.     if hasattr(e, 'code'):
   
6.         print(e.code)
   
7.     if hasattr(e, 'reason'):
   
8.         print(e.reason)

复制代码

区别在于：HTTPError只能处理状态码的错误，不能处理URL不存在，服务器出现异常等，而URLError是都能处理的。

总结：

我们在使用urllib模块时，应该注意哪些细节。

• Urllib是我们操作URL中的一个模块，我们在爬虫过程汇总经常会使用到这个模块
• 一般来说，标准的URL只允许一部分ASCII字符，比如字母、数字、部分符号等，如果我们在使用不标准的URL做请求就会出现错误，我们经常会在URL中遇到的中文、":" 、"&"等字符，我们需要将其编码，然后在使用编码过后的url发送请求。
• 我们在爬虫过程中经常会遇到403的错误，这是别人网页采取了反爬虫设置，此时我们需要通过其他方式来做。比如模拟浏览器来访问、或者设置代理来做请求，在或者保存cookie等
• 就是异常的处理，我们在爬虫过冲中必须捕获异常，防止在爬虫过程中中断。
  

Miss_love

支持分享