Python爬虫urllib库的使用

urllib

在Python2中，有urllib和urllib2两个库实现请求发送，在Python3中，统一为urllib，是Python内置的HTTP请求库

request：最基本的HTTP请求模块，可以模拟发送请求。

error：异常处理模块

parse：一个工具模块，提供了许多URL处理方法，拆分、解析、合并等

rebotparser：主要用来识别网站的robots.txt文件，判断哪些文件可以爬，哪些文件不可以爬

urlopen() ：urlopen.request模块提供了最基本的构成HTTP请求的方法，可以模拟浏览器请求的发起过程

实例：

import urllib.request   #调用 urllib的request方法

response = urllib.request.urlopen（‘http://www.baidu.com’）    #请求百度网站

print(response.read().decode('utf-8'))              #输出网站内容，设置编码utf-8

print(response.status)         #网页响应状态码

print(response.getheaders())       #获取请求头信息

print(response.getheaders('Server'))     #获取响应头中的 Server值，获取服务器

参数：

data():data参数是可选的，如果添加该参数，需要使用bytes()方法将参数转化为字节流编码格式的内容,即betyes类型,如果传递了这个参数，请求方式不再是get，二是post

实例：

import urllib.parse

import urllib.request

data = bytes(urllib.parse.urllencode({'word':'hello'}),encoding='utf8')    #传递一个参数word，值是hello，转码成bytes类 型,该方法第一个参数是要str类型，用urllib.parse模块里的urlencode()方法转化为字符串

response = urllib.request.urlopen('http://httpbin.org/post',data=data)            #请求站点是httpbin.org,可以提供http测试，这个链接可以测试post请求，可以输出请求信息，包含我们传递的data参数

print('response.read()')             #传递的参数在form字段中说明模拟了表单提交方式，以post方式传输

timeout()：timeout 参数用于设置超时时间，单位为秒,意思是如果请求超出了设置时间，还没有得到响应，就会抛出异常，如果不指定，就会使用全局默认时间，支持 HTTP  HTTPS FTP请求

实例：

import urllib.request

import socket

import urllib.error

try:

　　response = urllib.request.urlopen('http://httpbin.org/get',timeout=1)     #请求httpbin.org测试链接,设置超时时间1秒，.

except urllib.error.URLError as e:        #捕获异常

　　if isinstance(e.reason,socket.timeou)         #socket.timeout  判断异常是超市异常

　　　　pritn(‘TIME OUT’)

Request：利用urllib.urlopen()方法可以完成简单的请求，但是不足以构建一个完整的请求，如果需要加headers等信息，就需要利用更强大request方法来构建

实例：

import urllib.request

request = urllib.urlopen('https://python.org')　　　　

response = urllib.request.get(request)

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

#可以发现，我们依然用urlopen()方法来发送请求,只不过这次该方法的参数不再试url，而是request类型的对象,通过构造这个数据结构，一方面可以将请求独立成一个对象，另一方面可以灵活的配置参数

网站身份验证：

实例：

form urllib.request import HTTPPasswordMgrWithDefaultRealm, HTTPBasicAuthHandler,build_opener

from urllib.error import URLError

username = 'username'

password = 'password'

url = 'http://localhost:5000'

p = HTTPPasswordMgrWithDefaultRealm()   #实例化HTTPBasicAuthHandler对象，其参数是HTTPPasswordMgrWithDefaultRealm对象

p.add_password(None,url,username,pasword)  #通过 add_password()添加进去用户名和密码，这样就建立了一个处理验证的handler

auth_handler =HTTPBasicAuthHandler(p)

opener = buid_oppener(auth_handler)        #利用handler使用build_opener()方法构建了一个Opener，这个Opener在发送请求时就相当于验证成功

try:

　　result = opener.open(url)

　　html = result.read().decode('utf-8')

　　pritn(html)

except URLErrot as e:

　　print(e.reason)

代理IP：

from urllib.error import URLError

from urllib,request import ProxyHandler,biuld_opener

porxy_handler = Proxyhandler({

　　'http':'http://127.0.0.1:9743',

　　'https':'https://127.0.0.1:9743'

})

opener = build_opener(proxy_handler)

try:

　　response = eopner.open('https://www.baidu.com')

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

except URLError as e:

　　pritn(e.reason)

#在本地搭建一个代理，运行在9743端口，使用了Proxyhandler，参数是一个字典，健名是协议类型，值是代理链接，可以添加多个代理，然后使用handler以及build_opener()方法构造一个 opener，之后发送请求即可

urlparse():该方法可以实现入了的识别和分段

分析robots协议：

robots协议也叫爬虫协议，机器人协议，它的全貌叫忘了爬虫排除标准，用来告诉爬虫和搜索引擎哪些页面可以抓取，哪些不可以抓取，它通常是一个叫做robots.txt的文本文件，一般放在网站的根目录下

当搜索爬虫访问一个站点时，它首先检查这个站点根目录下是否存在robots.txt文件，如果存在，搜索爬虫会根据其中定义的爬取范围来爬取，如果没有找到这个文件，搜索爬虫会返耐高温所有可以直接访问的页面

robots.txt 样例：

User-agent:*

Disallow:/

Allow:/public/

这实现了对所有搜索爬虫只允许爬取public目录的功能，将上述内容保存成robots.txt文件，放在网站的根目录下，和网站的入口文件比如（index.pho  index.html  index.jsp等等）放在一起

上面的User-agent描述了搜索爬虫的名称，这里将其设置为*则代表该协议对任何爬取爬虫有效，比如，我们可以设置 ：user-agent：baiduspider

这就代表我们设置的规则对百度爬虫是有效果，如果有多条user-agent的记录，则就会有多个爬虫会受到爬取限制，但是至少指定一条

disallow指定了不允许爬取的目录。比如上个例子设置为/，则代表不允许抓取所有页面

allow一般和disallow一起使用，一般不会单独使用，用来排除某些限制，限制我们设置为/public/,则表示所有页面不允许抓取，但是可以抓取public目录

下面再看几个例子：

user-agent:*

Disallow:/                #禁止所有爬虫访问任何目录

----------------------------------------------------------------

user-agent:*

Disallow:/  private/

Disallow:/tmp/           #允许所有爬虫访问网站某些目录

-------------------------------------------------------------------------

user-agent:WebCrawler

Disallow:/

user-agent:*

Disallow:/        #只允许一个爬虫访问

---------------------------

user-agent:*

Disallow:     #允许所有爬虫访问，robots.txt留空也可以