爬虫(二):Urllib库详解

什么是Urllib:

python内置的HTTP请求库

urllib.request : 请求模块

urllib.error : 异常处理模块

urllib.parse: url解析模块

urllib.robotparser  : robots.txt解析模块

    GET请求方式

    POST请求方式

    超时timeout,异常处理

    响应类型(响应码,响应头...)

    POST请求添加Headers

    代理方法

    cookie添加 读取

    ---------- parse 包下 -----------

    urlparse 解析网址

    urlunparse 拼接网址

    urlencode GET参数化(比较有用)

python3:

urlopen

# urllib参数
urllib.request.urlopen(url, data=None, [timeout, ]*, cafile=None, capath=None, cadefault=False, context=None)
# url  post数据  超时

#############################
import urllib.request

# GET方式(不加data)
response = urllib.request.urlopen(‘http://www.baidu.com‘) # 请求数据
print(response.read().decode(‘utf-8‘)) # 转换为字符串编码,read()得到的是byte格式的
#############################
import urllib.parse
import urllib.request

# POST方式(加data)
data = bytes(urllib.parse.urlencode({‘word‘: ‘hello‘}), encoding=‘utf8‘)
response = urllib.request.urlopen(‘http://httpbin.org/post‘, data=data)  # http://httpbin.org/post 用来做HTTP测试的网址
print(response.read())
#############################
import urllib.request

#超时设置
response = urllib.request.urlopen(‘http://httpbin.org/get‘, timeout=1)
print(response.read())
##############################

响应

# 响应类型
import urllib.request

response = urllib.request.urlopen(‘https://www.python.org‘)
print(type(response)) #<class ‘http.client.HTTPResponse‘>

#############################
# 状态码、响应头
import urllib.request

response = urllib.request.urlopen(‘https://www.python.org‘)
print(response.status) #获取状态码
print(response.getheaders()) # 获取响应头
print(response.getheader(‘Server‘)) # 响应的服务
#############################
import urllib.request
#获取响应内容
response = urllib.request.urlopen(‘https://www.python.org‘)
print(response.read().decode(‘utf-8‘)) # read() 获取bytes类型

Request

# 加入headers,发送一个POST请求
from urllib import request, parse

url = ‘http://httpbin.org/post‘
headers = {
    ‘User-Agent‘: ‘Mozilla/4.0 (compatible; MSIE 5.5; Windows NT)‘,
    ‘Host‘: ‘httpbin.org‘
}
dict = {
    ‘name‘: ‘Germey‘
}
data = bytes(parse.urlencode(dict), encoding=‘utf8‘)
req = request.Request(url=url, data=data, headers=headers, method=‘POST‘)
response = request.urlopen(req)
print(response.read().decode(‘utf-8‘))

Handler

# 添加代理
import urllib.request

proxy_handler = urllib.request.ProxyHandler({ # 代理设置
    ‘http‘: ‘http://127.0.0.1:9743‘,
    ‘https‘: ‘https://127.0.0.1:9742‘
})
opener = urllib.request.build_opener(proxy_handler)
response = opener.open(‘http://httpbin.org/get‘)
print(response.read())

Cookie

import http.cookiejar, urllib.request

# 获取cookies
cookie = http.cookiejar.CookieJar()
handler = urllib.request.HTTPCookieProcessor(cookie)
opener = urllib.request.build_opener(handler)
response = opener.open(‘http://www.baidu.com‘)
for item in cookie:
    print(item.name+"="+item.value)
#############################

# 将cookie保存为txt文件
import http.cookiejar, urllib.request
filename = ‘cookie.txt‘
cookie = http.cookiejar.LWPCookieJar(filename)
handler = urllib.request.HTTPCookieProcessor(cookie)
opener = urllib.request.build_opener(handler)
response = opener.open(‘http://www.baidu.com‘)
cookie.save(ignore_discard=True, ignore_expires=True)

#############################
# 读取cookie文件
import http.cookiejar, urllib.request
# 用哪种格式存cookies,就用哪种方法读取
cookie = http.cookiejar.LWPCookieJar()
cookie.load(‘cookie.txt‘, ignore_discard=True, ignore_expires=True)
handler = urllib.request.HTTPCookieProcessor(cookie)
opener = urllib.request.build_opener(handler)
response = opener.open(‘http://www.baidu.com‘)
print(response.read().decode(‘utf-8‘))

异常处理

# 异常处理1
from urllib import request, error
try:
    response = request.urlopen(‘http://cuiqingcai.com/index.htm‘)
except error.URLError as e:
    print(e.reason)

#############################
# 异常处理2
from urllib import request, error

try:
    response = request.urlopen(‘http://cuiqingcai.com/index.htm‘)
except error.HTTPError as e:
    print(e.reason, e.code, e.headers, sep=‘\n‘)
except error.URLError as e:
    print(e.reason)
else:
    print(‘Request Successfully‘)
#############################
# 异常处理3
import socket
import urllib.request
import urllib.error

try:
    response = urllib.request.urlopen(‘https://www.baidu.com‘, timeout=0.01)
except urllib.error.URLError as e:
    print(type(e.reason))
    if isinstance(e.reason, socket.timeout):
        print(‘TIME OUT‘)

URL解析

# 一个参数
from urllib.parse import urlparse
result = urlparse(‘http://www.baidu.com/index.html;user?id=5#comment‘)
print(type(result), result)

##########################
# 指定协议, 如果没有取https, 有就用url带的
from urllib.parse import urlparse
result = urlparse(‘http://www.baidu.com/index.html;user?id=5#comment‘, scheme=‘https‘) # 指定协议类型
print(result)

##########################
# allow_fragments=False 一般不会用,把锚链接部分移动到参数(没有参数在往前移动#XXXX)
from urllib.parse import urlparse
result = urlparse(‘http://www.baidu.com/index.html#comment‘, allow_fragments=False)
print(result)

urlunparse

from urllib.parse import urlunparse
# 拼接网站
data = [‘http‘, ‘www.baidu.com‘, ‘index.html‘, ‘user‘, ‘a=6‘, ‘comment‘]
print(urlunparse(data)) #http://www.baidu.com/index.html;user?a=6#comment

urljoin

from urllib.parse import urljoin
# 拼接
print(urljoin(‘http://www.baidu.com‘, ‘Faq.html‘))
# 以第二个位基准
print(urljoin(‘http://www.baidu.com‘, ‘https://www.baidu.com/aaa‘))
# 拼接
print(urljoin(‘http://www.baidu.com‘, ‘?a=1‘))

urlencode

# 参数化get参数
from urllib.parse import urlencode

params = {
    ‘name‘: ‘germey‘,
    ‘age‘: 22
}
base_url = ‘http://www.baidu.com?‘
url = base_url + urlencode(params)
print(url)    # http://www.baidu.com?name=germey&age=22

原文地址:https://www.cnblogs.com/felixwang2/p/8708669.html

时间: 2024-10-08 18:56:13

爬虫(二):Urllib库详解的相关文章

python urllib库详解

Python的内置HTTP请求库 urllib.request  请求模块 urllib.error  异常处理模块 urllib.parse   url解析模块 urllib.robotparse    robots.txt解析模块 1 import urllib.request 2 from urllib.parse import urlparse,urlunparse,urljoin,urlencode 3 import http.cookiejar 4 from urllib impor

Python之urllib库详解

urllib 是 Python 标准库中用于网络请求的库. 该库有四个模块,分别是: urllib.request urllib.error urllib.parse urllib.robotparser 1 发起请求 模拟浏览器发起一个 HTTP 请求,我们需要用到 urllib.request 模块.urllib.request 的作用不仅仅是发起请求, 还能获取请求返回结果.发起请求,单靠 urlopen() 方法就可以叱咤风云.我们先看下 urlopen() 的 API: urllib.

Lua的协程和协程库详解

我们首先介绍一下什么是协程.然后详细介绍一下coroutine库,然后介绍一下协程的简单用法,最后介绍一下协程的复杂用法. 一.协程是什么? (1)线程 首先复习一下多线程.我们都知道线程——Thread.每一个线程都代表一个执行序列. 当我们在程序中创建多线程的时候,看起来,同一时刻多个线程是同时执行的,不过实质上多个线程是并发的,因为只有一个CPU,所以实质上同一个时刻只有一个线程在执行. 在一个时间片内执行哪个线程是不确定的,我们可以控制线程的优先级,不过真正的线程调度由CPU的调度决定.

php中的PDO函数库详解

PHP中的PDO函数库详解 PDO是一个“数据库访问抽象层”,作用是统一各种数据库的访问接口,与mysql和mysqli的函数库相比,PDO让跨数据库的使用更具有亲和力:与ADODB和MDB2相比,PDO更高效.目前而言,实现“数据库抽象层”任重而道远,使用PDO这样的“数据库访问抽象层”是一个不错的选择. PDO中包含三个预定义的类 PDO中包含三个预定义的类,它们分别是 PDO.PDOStatement 和 PDOException. 一.PDO PDO->beginTransaction(

Android-- Android事件机制之二:onTouch详解

Android事件机制之二:onTouch详解 在其中对OntouchEvent中的总结中,不是很具体.本文将主要对onTouch进行总结. onTouch是Android系统中整个事件机制的基础.Android中的其他事件,如onClick.onLongClick等都是以onTouch为基础的. onTouch包括从手指按下到离开手机屏幕的整个过程,在微观形式上,具体表现为action_down.action_move和action_up等过程. onTouch两种主要定义形式如下: (1)在

Android Touch系统简介(二):实例详解onInterceptTouchEvent与onTouchEvent的调用过程

上一篇文章主要讲述了Android的TouchEvent的分发过程,其中有两个重要的函数:onInterceptTouchEvent和onTouchEvent,这两个函数可被重装以完成特定的逻辑.onInterceptTouchEvent的定义为于ViewGroup中,默认返回值为false,表示不拦截TouchEvent.onTouchEvent的定义位于View中,当ViewGroup要调用onTouchEvent时,会利用super.onTouchEvent.ViewGroup调用onTo

Python爬虫的Urllib库有哪些高级用法?

本文和大家分享的主要是python爬虫的Urllib库的高级用法相关内容,一起来看看吧,希望对大家学习python有所帮助. 1.分分钟扒一个网页下来 怎样扒网页呢?其实就是根据URL来获取它的网页信息,虽然我们在浏览器中看到的是一幅幅优美的画面,但是其实是由浏览器解释才呈现出来的,实质它 是一段HTML代码,加 JS.CSS,如果把网页比作一个人,那么HTML便是他的骨架,JS便是他的肌肉,CSS便是它的衣服.所以最重要的部分是存在于HTML中的,下面我 们就写个例子来扒一个网页下来. imp

Struts标签库详解【3】

struts2标签库详解 要在jsp中使用Struts2的标志,先要指明标志的引入.通过jsp的代码的顶部加入以下的代码: <%@taglib prefix="s" uri="/struts-tags" %> If elseif  else 描述: 执行基本的条件流转. 参数: 名称 必需 默认 类型 描述 备注 test 是 boolean 决定标志里的内容是否显示的表达式 else标志没有这个参数 id 否 Object/String 用来标识元素的

邻接矩阵有向图(二)之 C++详解

本章是通过C++实现邻接矩阵有向图. 目录 1. 邻接矩阵有向图的介绍 2. 邻接矩阵有向图的代码说明 3. 邻接矩阵有向图的完整源码 转载请注明出处:http://www.cnblogs.com/skywang12345/ 更多内容:数据结构与算法系列 目录 邻接矩阵有向图的介绍 邻接矩阵有向图是指通过邻接矩阵表示的有向图. 上面的图G2包含了"A,B,C,D,E,F,G"共7个顶点,而且包含了"<A,B>,<B,C>,<B,E>,<