Python爬虫常用库之urllib详解

作者：sergiojune
      个人公众号：日常学python

以下为个人在学习过程中做的笔记总结之爬虫常用库urllib

urlib库为python3的HTTP内置请求库

urilib的四个模块：

• urllib.request:用于获取网页的响应内容

• urllib.error:异常处理模块，用于处理异常的模块

• urllib.parse:用于解析url

• urllib.robotparse:用于解析robots.txt，主要用于看哪些网站不能进行爬取，不过少用

1urllib.request

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

• url:为请求网址

• data:请求时需要发送的参数

• timeout:超时设置，在该时间范围内返回请求内容就不会报错

示例代码：

 1from urllib import request
 2
 3# 请求获取网页返回内容
 4response = request.urlopen('https://movie.douban.com/')
 5# 获取网页返回内容
 6print(response.read().decode('utf-8'))
 7# 获取状态码
 8print(response.status)
 9# 获取请求头
10print(response.getheaders())

1# 对请求头进行遍历
2for k, v in response.getheaders():
3 print(k, '=', v)

可以使用上面的代码对一些网站进行请求了，但是当需要一些反爬网站时，这就不行了，这时我们需要适当地增加请求头进行请求，这时就需要使用复杂一点的代码了，这时我们需要用到Request对象

代码示例：

1# 请求头
2headers = {'User-Agent':'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/49.0.2623.221 Safari/537.36 SE 2.X MetaSr 1.0'}
3requests = request.Request('https://movie.douban.com/', headers=headers) # 加入自己的请求头更加接近浏览器
4# 进行请求,把Request对象传入urlopen参数中
5response = request.urlopen(requests)
6print(response.read().decode('utf-8'))

这个我添加了请求头进行请求，使我发送的请求更加接近浏览器的行为。可以对应一些反爬网站了

如果网站需要进行登陆，这时需要用到post方法，用上面的也是可以的。代码如下：

 1from urllib import request, parse
 2# 使用post方法来进行模拟登陆豆瓣
 3data = {'source': 'None',
 4 'redir': 'https://www.douban.com/',
 5 'form_email': 'user',
 6 'form_password': 'passwd',
 7 'remember': 'on',
 8 'login': '登录'}
 9# 将data的字典类型转换为get请求方式
10data = bytes(parse.urlencode(data), encoding='utf-8')
11requests = request.Request('https://accounts.douban.com/login', headers=headers, data=data, method='POST')
12response = request.urlopen(requests)
13print(response.read().decode('utf-8'))

这里我用到了data的参数把登陆需要的参数传进去，还加了个请求方法Method

parse.urlencode()后面有讲

这里还有另外一种添加请求头的方法

Request.add_header(): 参数有两个，分别为请求头对应的键和值，这种方法一次只能添加一个请求头，添加多个需要用到循环或者直接用前面的方法添加多个请求头

在登陆了网站之后，我们需要用到cookie来保存登陆信息，这时就需要获取cookie了。urllib获取cookie比较麻烦。

代码示例如下：

 1from http import cookiejar
 2# 获取cookie
 3cookie = cookiejar.CookieJar()
 4# 获取助手把cookie传进去
 5handler = request.HTTPCookieProcessor(cookie)
 6# 获取opener进行请求网站
 7opener = request.build_opener(handler)
 8# 请求网页
 9response = opener.open('https://movie.douban.com/')
10# 打印cookie
11for c in cookie:
12 print(c.name, '=', c.value)

单纯地打印没什么用，我们需要把他存入文件来保存，下次使用时再次加载cookie来登陆

保存cookie为文件：

1from http import cookiejar
2# 将cookie保存在文件中
3filename = 'cookie.txt'
4cookie = cookiejar.MozillaCookieJar(filename) # 表示使用Mozilla的cookie方式存储和读取
5handler = request.HTTPCookieProcessor(cookie)
6opener = request.build_opener(handler)
7opener.open('https://movie.douban.com/')
8# 保存文件
9cookie.save(ignore_discard=True, ignore_expires=True)

另一种保存方法：

1from http import cookiejar
2cookie = cookiejar.LWPCookieJar(filename) # 表示 Set-Cookie3 文件格式存储和读取
3handler = request.HTTPCookieProcessor(cookie)
4opener = request.build_opener(handler)
5opener.open('https://movie.douban.com/')
6# 保存文件
7cookie.save(ignore_discard=True, ignore_expires=True)

这两种保存格式都是不一样的，需要保存的内容一样。

保存可以了，这时就需要用到加载了，当然也可以。代码如下：

1from http import cookiejar
2# 从cookie文件加载到网页上实现记住登陆
3cookie = cookiejar.LWPCookieJar()
4# 加载文件
5cookie.load(filename, ignore_discard=True, ignore_expires=True)
6handler = request.HTTPCookieProcessor(cookie)
7opener = request.build_opener(handler)
8opener.open('https://movie.douban.com/')

这样就可以实现不用密码进行登陆了。

cookie小总结：在操作cookie时，都是分五步，如下：

1. 进行导包，至关重要的一步，不导包直接出错。

2. 获取cookie处理对象，使用cookiejar包

3. 创建cookie处理器，使用request.HTTPCookieJarProcessor()

4. 利用cookie处理器构建opener，使用request.build_opener()

5. 进行请求网站，用opener.open(),这个不能用request.urlopen()
   

如果有时你在同一ip连续多次发送请求，会有被封ip的可能，这时我们还需要用到代理ip进行爬取，代码如下：

1proxy = request.ProxyHandler({
2 'https': 'https://106.60.34.111:80'
3})
4opener = request.build_opener(proxy)
5opener.open('https://movie.douban.com/', timeout=1)

可以看到越复杂的请求都需要用到request.build_opener(),这个方法有点重要，请记住哈

2urllib.error

将上面的使用代理ip的请求进行异常处理，如下：

 1from urllib import request, error
 2try:
 3 proxy = request.ProxyHandler({
 4 'https': 'https://106.60.34.111:80'
 5 })
 6 opener = request.build_opener(proxy)
 7 opener.open('https://movie.douban.com/', timeout=1)
 8except error.HTTPError as e:
 9 print(e.reason(), e.code(), e.headers())
10except error.URLError as e:
11 print(e.reason)

因为有时这个ip或许也被封了，有可能会抛出异常，所以我们为了让程序运行下去进而进行捕捉程序

• error.URLError: 这个是url的一些问题，这个异常只有一个reason属性
  

• error.HTTPError:这个是error.URLError的子类，所以在与上面的混合使用时需要将这个异常放到前面，这个异常是一些请求错误，有三个方法，.reason(), .code(), .headers(),所以在捕捉异常时通常先使用这个

3urllib.parse

解析url:urllib.parse.urlparse(url, scheme='', allow_fragments=True)

简单的使用：

1from urllib import request, parse
2# 解析url
3print(parse.urlparse('https://movie.douban.com/'))
4print(parse.urlparse('https://movie.douban.com/', scheme='http'))
5print(parse.urlparse('movie.douban.com/', scheme='http'))
6# 下面是结果
7ParseResult(scheme='https', netloc='movie.douban.com', path='/', params='', query='', fragment='')
8ParseResult(scheme='https', netloc='movie.douban.com', path='/', params='', query='', fragment='')
9ParseResult(scheme='http', netloc='', path='movie.douban.com/', params='', query='', fragment='')

可以看出加了scheme参数和没加的返回结果是有区别的。而当scheme协议加了，而前面的url也包含协议，一般会忽略后面的scheme参数

既然后解析url，那当然也有反解析url，就是把元素串连成一个url

1from urllib import parse
2# 将列表元素拼接成url
3url = ['http', 'www', 'baidu', 'com', 'dfdf', 'eddffa'] # 这里至少需要6个元素（我乱写的，请忽视）
4print(parse.urlunparse(url))
5# 下面是结果
6http://www/baidu;com?dfdf#eddffa

urlparse()接收一个列表的参数，而且列表的长度是有要求的，是必须六个参数以上，要不会抛出异常

1Traceback (most recent call last):
2 File "E:/anaconda/python_project/python3_spider/urllib_test.py", line 107, in <module>
3 print(parse.urlunparse(url))
4 File "E:\anaconda\lib\urllib\parse.py", line 454, in urlunparse
5 _coerce_args(*components))
6ValueError: not enough values to unpack (expected 7, got 6)

urllib.parse.urljoin():这个是将第二个参数的url缺少的部分用第一个参数的url补齐

1# 连接两个参数的url, 将第二个参数中缺的部分用第一个参数的补齐
2print(parse.urljoin('https://movie.douban.com/', 'index'))
3print(parse.urljoin('https://movie.douban.com/', 'https://accounts.douban.com/login'))
4# 下面是结果
5https://movie.douban.com/index
6https://accounts.douban.com/login

urllib.parse.urlencode():这个方法是将字典类型的参数转为请求为get方式的字符串

1data = {'name': 'sergiojuue', 'sex': 'boy'}
2data = parse.urlencode(data)
3print('https://accounts.douban.com/login'+data)
4# 下面是结果
5https://accounts.douban.com/loginname=sergiojuue&sex=boy

4结语

还有个urllib.robotparse库少用，就不说了，留给以后需要再去查文档吧。

上面的只是我在学习过程中的总结，如果有什么错误的话，欢迎在留言区指出，还有就是需要查看更多用法的请查看文档https://docs.python.org/3/library/urllib.html

需要代码的可以去我的github上面fork，给个star也行！

github:https://github.com/SergioJune/gongzhonghao_code/blob/master/python3_spider/urllib_test.py

学习过程中看的大多是崔庆才大佬的视频：https://edu.hellobi.com/course/157

赞赏作者

Python爱好者社区历史文章大合集：

福利：文末扫码立刻关注公众号，“Python爱好者社区”，开始学习Python课程：

关注后在公众号内回复“课程”即可获取：

小编的Python入门视频课程！！！

崔老师爬虫实战案例免费学习视频。

丘老师数据科学入门指导免费学习视频。

陈老师数据分析报告制作免费学习视频。

玩转大数据分析！Spark2.X+Python 精华实战课程免费学习视频。

丘老师Python网络爬虫实战免费学习视频。