爬虫基础之urllib库（代码演示）

# 自定义opener

 

from urllib.request import ProxyHandler,build_opener

from urllib.error import URLError

#设置代理

Proxy_Handler = ProxyHandler({

'http': 'http://127.o.o .1:9743',

'https': 'https://127.0 .0.1:9743'

})

opener = build_opener(Proxy_Handler)

try:

response = opener.open('http://www.baidu.com')

print(response.read().decode('utf-8'))

except URLError as e:

print(e.reason)

 

#获取cookie

import http.cookiejar,urllib.request

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)

 

#处理异常

URLError

from urllib import request,error

#打开一个不存在的网页

try:

respense = request.urlopen( 'https://cuiqingcai.com/index.htm')

except error.URLError as e:

print(e.reason)

#reason ：同父类一样，用于返回错误的原因

 

因为 URLError 是 HTTP Error 的父类，所以可以先选择捕获子类的错误，再去捕获父类的错误，所
以上述代码更好的写法如下：
from urllib import request, error
try:
response = request.urlopen(’ https://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')
这样就可以做到先捕获 HTTP Error ，获取它的错误状态码 、原因、 headers 等信息 。 如果不是
HTTP Error 异常，就会捕获 URLError 异常，输出错误原因 。 最后，用 else 来处理正常的逻辑 。 这是一
个较好的异常处理写法 。
有时候， reason 属性返回的不一定是字符串，也可能是一个对象 。 再看下面的实例：
import socket
import urllib.request
import urllib .error
try:
response = urllib.request.urlopen(’ https://WvM.baidu.com’, tim
except l」rllib . err口r.URLError as e:
print(type(e.reason))
if isinstance(e .reason, socket .tir陀out):
print(' TIME OUT')
这里我们直接设置超时时间来强制抛出 timeout 异常 。
运行结果如下：
<class ’ socket .timeout ’>
TIME OUT
可以发现， reason 属性的结果是 socket.timeout 类。 所以，这里我们可以用 is instance （）方法来
判断它的类型，作出更详细的异常判断。

#urlparse（）该函数实现url识别与分段

from urllib.parse import urlparse

res = urlparse('https://i.cnblogs.com/EditPosts.aspx?postid=9531564')

print(type(res), res)

结果：

<class 'urllib.parse.ParseResult'> ParseResult(scheme='https', netloc='i.cnblogs.com', path='/EditPosts.aspx', params='', query='postid=9531564', fragment='')

 

from urllib import parse

params = {

'name':'123',

'age':22

}

url = 'http://www.baidu.com?'

n_url = url + parse.urlencode(params)

print(n_url)

结果http://www.baidu.com?name=123&age=22

这个方法非常常用 。 有时为了更加方便地构造参数，我们会事先用字典来表示 。 要转化为 URL
的参数时，只需要调用该方法即可 。

# quote()
该方法可以将内容转化为 URL 编码的格式 。 URL 中带有中文参数时，有时可能会导致乱码的问
题，此时用这个方法可以将巾文字符转化为 URL 编码，示例如下：
from urllib.parse import quote
keyword ＝’壁纸’
url =’ https://www.baidu.com/s?wd=’+ quote(keyword)
print(url)
这里我们声明了一个中文的搜索文字，然后用 quote （）方法对其进行 URL 编码，最后得到的结果
如下：
https://www.baidu.com/s?wd＝%81%E7%BA%B8

#有了 quote （）方法，当然还有 unquote （）方法，它可以进行 URL 解码，示例如下：

from urllib.parse import unquote

url = 'http://www.baidu.com/s?wd=%E5%A3%81%E7%BA%B'

print(unquote(url))