腳本之家服務(wù)器常用軟件

快捷導(dǎo)航

Python爬蟲(chóng)庫(kù)urllib的使用教程詳解

更新時(shí)間：2022年11月19日 15:41:18 作者：關(guān)于數(shù)據(jù)分析與可視化

Python?給人的印象是抓取網(wǎng)頁(yè)非常方便，提供這種生產(chǎn)力的，主要依靠的就是?urllib、requests這兩個(gè)模塊。本文主要給大家介紹一下urllib的使用，感興趣的可以了解一下

Python urllib庫(kù)

Python urllib庫(kù)用于操作網(wǎng)頁(yè)URL，并對(duì)網(wǎng)頁(yè)的內(nèi)容進(jìn)行抓取處理。

urllib包包含以下幾個(gè)模塊：

urllib.request - 打開(kāi)和讀取URL。
urllib.error - 包含urllib.request拋出的異常。
urllib.parse - 解析URL。
urllib.robotparser - 解析robots.txt文件。

需要用的就是每個(gè)模塊的內(nèi)置方法和函數(shù)。大概方法如下圖：

urllib.request模塊

urllib.request定義了一些打開(kāi)URL的函數(shù)和類，包含授權(quán)驗(yàn)證、重定向、瀏覽器cookies等。

urllib.request可以模擬瀏覽器的一個(gè)請(qǐng)求發(fā)起過(guò)程。

這里主要介紹兩個(gè)常用方法，urlopen和Request。

urlopen函數(shù)

語(yǔ)法格式如下：

urllib.request.urlopen(url,?data=None,?[timeout,?]*,?cafile=None,?capath=None,?cadefault=False,?context=None)

url：url地址。
data：發(fā)送到服務(wù)器的其他數(shù)據(jù)對(duì)象，默認(rèn)為None。
timeout：設(shè)置訪問(wèn)超時(shí)時(shí)間。
cafile 和 capath：cafile為CA證書，capath為CA證書的路徑，使用HTTPS需要用到。
cadefault：已經(jīng)被棄用。
context：ssl.SSLContext類型，用來(lái)指定SSL設(shè)置。

示例：

import?urllib.request
#導(dǎo)入urllib.request模塊
url=urllib.request.urlopen("https://www.baidu.com")
#打開(kāi)讀取baidu信息
print(url.read().decode('utf-8'))
#read獲取所有信息，并decode()命令將網(wǎng)頁(yè)的信息進(jìn)行解碼

運(yùn)行結(jié)果

<!DOCTYPE html><html><head><meta http-equiv="Content-Type" content="text/html;charset=utf-8"><meta http-equiv="X-UA-Compatible" content="IE=edge,chrome=1"><meta content="always" name="
html{color:#000;overflow-y:scroll;overflow:-moz-scrollbars}
body,button,input,select,textarea{font-size:12px;font-family:Arial,sans-serif}
h1,h2,h3,h4,h5,h6{font-size:100%}
em{font-style:normal}
small{font-size:12px}
ol,ul{list-style:none}
a{text-decoration:none}
a:hover{text-decoration:underline}
legend{color:#000}
fieldset,img{border:0}
button,input,select,textarea{font-size:100%}
...

response對(duì)象是http.client.HTTPResponse類型，主要包含read、readinto、getheader、getheaders、fileno等方法，以及msg、version、status、reason、debuglevel、closed等屬性。

常用方法：

read()：是讀取整個(gè)網(wǎng)頁(yè)內(nèi)容，也可以指定讀取的長(zhǎng)度，如read(300)。獲取到的是二進(jìn)制的亂碼，所以需要用到decode()命令將網(wǎng)頁(yè)的信息進(jìn)行解碼。
readline(): 讀取文件的一行內(nèi)容。
readlines(): 讀取文件的全部?jī)?nèi)容，它會(huì)把讀取的內(nèi)容賦值給一個(gè)列表變量。
info()：返回HTTPMessage對(duì)象，表示遠(yuǎn)程服務(wù)器返回的頭信息。
getcode()：返回Http狀態(tài)碼。如果是http請(qǐng)求，200請(qǐng)求成功完成;404網(wǎng)址未找到。
geturl()：返回請(qǐng)求的鏈接。

Request 類

我們抓取網(wǎng)頁(yè)一般需要對(duì)headers（網(wǎng)頁(yè)頭信息）進(jìn)行模擬，否則網(wǎng)頁(yè)很容易判定程序?yàn)榕老x(chóng)，從而禁止訪問(wèn)。這時(shí)候需要使用到urllib.request.Request類：

class?urllib.request.Request(url,?data=None,?headers={},?origin_req_host=None,?unverifiable=False,?method=None)

url：url地址。
data：發(fā)送到服務(wù)器的其他數(shù)據(jù)對(duì)象，默認(rèn)為None。
headers：HTTP請(qǐng)求的頭部信息，字典格式。
origin_req_host：請(qǐng)求的主機(jī)地址，IP或域名。
unverifiable：很少用整個(gè)參數(shù)，用于設(shè)置網(wǎng)頁(yè)是否需要驗(yàn)證，默認(rèn)是False。
method：請(qǐng)求方法，如 GET、POST、DELETE、PUT等。

示例：

import?urllib.request
#導(dǎo)入模塊
url?=?"https://www.baidu.com"
#網(wǎng)頁(yè)連接
headers?=?{
"User-Agent":?"Mozilla/5.0?(Windows?NT?10.0;?Win64;?x64)?AppleWebKit/537.36?(KHTML,?like?Gecko)?Chrome/80.0.3987.122?Safari/537.36"
}
#定義headers，模擬瀏覽器訪問(wèn)
req?=?urllib.request.Request(url=url,headers=headers)
#模擬瀏覽器發(fā)送，訪問(wèn)網(wǎng)頁(yè)
response?=?urllib.request.urlopen(req)
#獲取頁(yè)面信息
print(response.read().decode("utf-8"))

urllib.error模塊

urllib.error模塊為urllib.request所引發(fā)的異常定義了異常類，基礎(chǔ)異常類是URLError。

urllib.error包含了兩個(gè)方法，URLError和HTTPError。

URLError是OSError的一個(gè)子類，用于處理程序在遇到問(wèn)題時(shí)會(huì)引發(fā)此異常（或其派生的異常），包含的屬性reason為引發(fā)異常的原因。

HTTPError是URLError的一個(gè)子類，用于處理特殊HTTP錯(cuò)誤例如作為認(rèn)證請(qǐng)求的時(shí)候，包含的屬性code為HTTP的狀態(tài)碼，reason為引發(fā)異常的原因，headers為導(dǎo)致HTTPError的特定HTTP請(qǐng)求的HTTP響應(yīng)頭。

區(qū)別：

URLError封裝的錯(cuò)誤信息一般是由網(wǎng)絡(luò)引起的，包括url錯(cuò)誤。
HTTPError封裝的錯(cuò)誤信息一般是服務(wù)器返回了錯(cuò)誤狀態(tài)碼。

關(guān)系：

URLError是OSERROR的子類，HTTPError是URLError的子類。

URLError 示例

from?urllib?import?request
from?urllib?import?error

if?__name__?==?"__main__":
????#一個(gè)不存在的連接
????url?=?"http://www.baiiiduuuu.com/"
????req?=?request.Request(url)
????try:
????????response?=?request.urlopen(req)
????????html?=?response.read().decode('utf-8')
????????print(html)
????except?error.URLError?as?e:
????????print(e.reason)

返回結(jié)果

[Errno -2] Name or service not known

此錯(cuò)誤的原因。它可以是一個(gè)消息字符串或另一個(gè)異常實(shí)例。

HTTPError示例

from?urllib?import?request
from?urllib?import?error

if?__name__?==?"__main__":
????#網(wǎng)站服務(wù)器上不存在資源
????url?=?"http://www.baidu.com/no.html"
????req?=?request.Request(url)
????try:
????????response?=?request.urlopen(req)
????????html?=?response.read().decode('utf-8')
????????print(html)
????except?error.HTTPError?as?e:
????????print(e.code)

output

404

URLError和HTTPError混合使用

注意：由于HTTPError是URLError的子類，所以捕獲的時(shí)候HTTPError要放在URLError的上面。

示例：

from?urllib?import?request
from?urllib?import?error

if?__name__?==?"__main__":
????#網(wǎng)站服務(wù)器上不存在資源
????url?=?"http://www.baidu.com/no.html"
????req?=?request.Request(url)
????try:
????????response?=?request.urlopen(req)
?#???????html?=?response.read().decode('utf-8')
????except?error.HTTPError?as?e:
????????print(e.code)
????except?error.URLError?as?e:
????????print(e.code)

如果不用上面的方法，可以直接用判斷的形式

from?urllib?import?request
from?urllib?import?error

if?__name__?==?"__main__":
????#網(wǎng)站服務(wù)器上不存在資源
????url?=?"http://www.baidu.com/no.html"
????req?=?request.Request(url)
????try:
????????response?=?request.urlopen(req)
?#???????html?=?response.read().decode('utf-8')
????except?error.URLError?as?e:
????????if?hasattr(e,?'code'):
????????????print("HTTPError")
????????????print(e.code)
????????elif?hasattr(e,?'reason'):
????????????print("URLError")
????????????print(e.reason)

output

HTTPError
404

urllib.parse模塊

模塊定義的函數(shù)可分為兩個(gè)主要門類:URL解析和URL轉(zhuǎn)碼。

urlparse()

urllib.parse用于解析URL，格式如下：

urllib.parse.urlparse(urlstring,?scheme='',?allow_fragments=True)

urlstring為字符串的url地址，scheme為協(xié)議類型。

allow_fragments參數(shù)為false，則無(wú)法識(shí)別片段標(biāo)識(shí)符。相反，它們被解析為路徑，參數(shù)或查詢組件的一部分，并fragment在返回值中設(shè)置為空字符串。

標(biāo)準(zhǔn)鏈接格式為：

scheme://netloc/path;params?query#fragment

對(duì)象中包含了六個(gè)元素，分別為：協(xié)議（scheme）、域名（netloc）、路徑（path）、路徑參數(shù)（params）、查詢參數(shù)（query）、片段（fragment）。

示例：

from?urllib.parse?import?urlparse

o?=?urlparse("https://docs.python.org/zh-cn/3/library/urllib.parse.html#module-urllib.parse")

print('scheme??:',?o.scheme)
print('netloc??:',?o.netloc)
print('path????:',?o.path)
print('params??:',?o.params)
print('query???:',?o.query)
print('fragment:',?o.fragment)
print('hostname:',?o.hostname)

output

scheme  : https
netloc  : docs.python.org
path    : /zh-cn/3/library/urllib.parse.html
params  :
query   :
fragment: module-urllib.parse
hostname: docs.python.org

以上還可以通過(guò)索引獲取，如通過(guò)

print(o[0])
...
print(o[5])

urlunparse()

urlunparse()可以實(shí)現(xiàn)URL的構(gòu)造。（構(gòu)造URL）

urlunparse()接收一個(gè)是一個(gè)長(zhǎng)度為6的可迭代對(duì)象，將URL的多個(gè)部分組合為一個(gè)URL。若可迭代對(duì)象長(zhǎng)度不等于6，則拋出異常。

示例：

from?urllib.parse?import?urlunparse
url_compos?=?['http','www.baidu.com','index.html','user=?test','a=6','comment']
print(urlunparse(url_compos))

output

http://www.baidu.com/index.html;user= test?a=6#comment

urlsplit()

urlsplit()函數(shù)也能對(duì) URL進(jìn)行拆分，所不同的是，urlsplit()并不會(huì)把路徑參數(shù)(params) 從路徑(path) 中分離出來(lái)。

當(dāng)URL中路徑部分包含多個(gè)參數(shù)時(shí)，使用urlparse()解析是有問(wèn)題的，這時(shí)可以使用urlsplit()來(lái)解析.

urlunsplit()與urlunparse()類似，（構(gòu)造URL），傳入對(duì)象必須是可迭代對(duì)象，且長(zhǎng)度必須是5。

示例：

from?urllib.parse?import?urlunsplit
url_compos?=?['http','www.baidu.com','index.html','user=?test','a?=?2']
print(urlunsplit(url_compos))urlunsplit()

output

http://www.baidu.com/index.html?user= test#a = 2

urljoin()

同樣可以構(gòu)造URL。

傳遞一個(gè)基礎(chǔ)鏈接,根據(jù)基礎(chǔ)鏈接可以將某一個(gè)不完整的鏈接拼接為一個(gè)完整鏈接.

注：連接兩個(gè)參數(shù)的url, 將第二個(gè)參數(shù)中缺的部分用第一個(gè)參數(shù)的補(bǔ)齊,如果第二個(gè)有完整的路徑，則以第二個(gè)為主。

URL 轉(zhuǎn)碼

python中提供urllib.parse模塊用來(lái)編碼和解碼，分別是urlencode()與unquote()。

編碼quote(string)

URL轉(zhuǎn)碼函數(shù)的功能是接收程序數(shù)據(jù)并通過(guò)對(duì)特殊字符進(jìn)行轉(zhuǎn)碼并正確編碼非ASCII文本來(lái)將其轉(zhuǎn)為可以安全地用作URL組成部分的形式。它們還支持逆轉(zhuǎn)此操作以便從作為URL組成部分的內(nèi)容中重建原始數(shù)據(jù)，如果上述的URL解析函數(shù)還未覆蓋此功能的話

語(yǔ)法：

urllib.parse.quote(string,?safe='/',?encoding=None,?errors=None)

使用%xx轉(zhuǎn)義符替換string中的特殊字符。字母、數(shù)字和 '_.-~' 等字符一定不會(huì)被轉(zhuǎn)碼。在默認(rèn)情況下，此函數(shù)只對(duì)URL的路徑部分進(jìn)行轉(zhuǎn)碼?？蛇x的safe形參額外指定不應(yīng)被轉(zhuǎn)碼的ASCII字符 --- 其默認(rèn)值為 '/'。

string可以是str或bytes對(duì)象。

示例：

from?urllib?import?parse

url?=?"http://www.baidu.com/s?wd={}"
words?=?"爬蟲(chóng)"

#quote()只能對(duì)字符串進(jìn)行編碼
query_string?=?parse.quote(words)
url?=?url.format(query_string)
print(url)

執(zhí)行結(jié)果：

http://www.baidu.com/s?wd=%E7%88%AC%E8%99%AB

編碼urlencode()

quote()只能對(duì)字符串編碼，而urlencode()可以對(duì)查詢字符串進(jìn)行編碼。

#?導(dǎo)入parse模塊
from?urllib?import?parse

#調(diào)用parse模塊的urlencode()進(jìn)行編碼
query_string?=?{'wd':'爬蟲(chóng)'}
result?=?parse.urlencode(query_string)

#?format函數(shù)格式化字符串，進(jìn)行url拼接
url?=?'http://www.baidu.com/s?{}'.format(result)
print(url)

output

http://www.baidu.com/s?wd=%E7%88%AC%E8%99%AB

解碼 unquote(string)

解碼就是對(duì)編碼后的url進(jìn)行還原。

示例：

from?urllib?import?parse
string?=?'%E7%88%AC%E8%99%AB'
result?=?parse.unquote(string)
print(result)

執(zhí)行結(jié)果：

爬蟲(chóng)

urllib.robotparser模塊

（在網(wǎng)絡(luò)爬蟲(chóng)中基本不會(huì)用到，使用較少，僅作了解）

urllib.robotparser用于解析robots.txt文件。

robots.txt（統(tǒng)一小寫）是一種存放于網(wǎng)站根目錄下的robots協(xié)議，它通常用于告訴搜索引擎對(duì)網(wǎng)站的抓取規(guī)則。

Robots協(xié)議也稱作爬蟲(chóng)協(xié)議，機(jī)器人協(xié)議，網(wǎng)絡(luò)爬蟲(chóng)排除協(xié)議，用來(lái)告訴爬蟲(chóng)哪些頁(yè)面是可以爬取的，哪些頁(yè)面是不可爬取的。它通常是一個(gè)robots.txt的文本文件，一般放在網(wǎng)站的根目錄上。

當(dāng)爬蟲(chóng)訪問(wèn)一個(gè)站點(diǎn)的時(shí)候，會(huì)首先檢查這個(gè)站點(diǎn)目錄是否存在robots.txt文件，如果存在，搜索爬蟲(chóng)會(huì)根據(jù)其中定義的爬取范圍進(jìn)行爬取。如果沒(méi)有找到這個(gè)文件，搜索爬蟲(chóng)會(huì)訪問(wèn)所有可直接訪問(wèn)的頁(yè)面。

urllib.robotparser提供了RobotFileParser類，語(yǔ)法如下：

class?urllib.robotparser.RobotFileParser(url='')

這個(gè)類提供了一些可以讀取、解析robots.txt文件的方法：

set_url(url) - 設(shè)置robots.txt文件的URL。
read() - 讀取robots.txt URL并將其輸入解析器。
parse(lines) - 解析行參數(shù)。
can_fetch(useragent, url) - 如果允許useragent按照被解析robots.txt文件中的規(guī)則來(lái)獲取url則返回True。
mtime() - 返回最近一次獲取robots.txt文件的時(shí)間。這適用于需要定期檢查robots.txt文件更新情況的長(zhǎng)時(shí)間運(yùn)行的網(wǎng)頁(yè)爬蟲(chóng)。
modified() - 將最近一次獲取robots.txt文件的時(shí)間設(shè)置為當(dāng)前時(shí)間。
crawl_delay(useragent) - 為指定的useragent從robots.txt 返回Crawl-delay形參。如果此形參不存在或不適用于指定的useragent 或者此形參的robots.txt條目存在語(yǔ)法錯(cuò)誤，則返回None。
request_rate(useragent) -以 named tuple RequestRate(requests, seconds)的形式從robots.txt返回Request-rate形參的內(nèi)容。如果此形參不存在或不適用于指定的useragent或者此形參的robots.txt條目存在語(yǔ)法錯(cuò)誤，則返回None。
site_maps() - 以list()的形式從robots.txt返回Sitemap形參的內(nèi)容。如果此形參不存在或者此形參的robots.txt條目存在語(yǔ)法錯(cuò)誤，則返回None。