Python爬虫从入门到进阶(2)之urllib库的使用

1.什么是Urllib(官网地址：https://docs.python.org/3/library/urllib.html#module-urllib)

Urllib是python内置的HTTP请求库

包括以下模块:

　　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

2.urllib.request

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

1 参数简介：

url：是字符串类型或者 Request 对象

data:必须是指定要发送到服务器的额外数据的对象，如果不需要这样的数据，则为None。

timeout:可选，为阻塞操作指定以秒为单位的超时时间。不指定，将使用全局默认超时设置，实际上只适用于HTTP、HTTPS和FTP连接。

context：如果指定了 context，它必须是 ssl.SSLContext 的实例

cafile，capath：可选参数为HTTPS请求指定一组受信任的CA证书

2.返回值:对于HTTP和HTTPS url，该函数返回 http.client.HTTPResponse对象

 # 1.urlopen中 url 参数的使用以及 Response 的使用
 def get():
     request_url = 'http://www.python.org/'
     # 创建请求对象
     request = Request(request_url)
     response = urlopen(request, context=ssl._create_unverified_context())

     # 响应体:Response相关的使用
     print(type(response))  # <class 'http.client.HTTPResponse'>
     print(response.status)  #
     print(response.getheaders())
     print(response.getheader('Server'))  # nginx

     # response.read()读取网页的全部内容
     data = response.read()
     # response.readline() 读取网页的一行内容
     data_line = response.readline()
     print(data)
     print(data_line)

 # 2.带参数的 get 方法
 def get_params():
     request_url = 'http://httpbin.org/get?name={}'
     # 拼接参数
     # keyword = 'nalanrongruo'
     keyword = '纳兰容若'
     final_url = request_url.format(quote(keyword))
     # quote(keyword) 将包含汉字的网址进行转译,要不然会报错: UnicodeEncodeError: 'ascii' codec can't encode characters in position
     # 10-11: ordinal not in range(128) python是解释性语言;解析器只支持ascii(0-127)
     print(final_url)
     request = Request(final_url)
     response = urlopen(request)

     data = response.read().decode('utf-8')

     print(data)

 # 3.get的字典参数
 def get_dict_params():
     base_url = 'http://httpbin.org/get?'
     params = {
         'wd': '纳兰容若',
         'name': '纳兰容若',
         'age': ''
     }
     # 将字典或者元祖转换成URL可识别
     str_params = urlencode(params)
     print(str_params)
     request_url = base_url + str_params

     # 如果你的url已经是计算机可以识别的状态,那么不转换
     end_url = quote(request_url, safe=string.printable)
     print(end_url)

     # 返回的响应对象
     response = urlopen(end_url)

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

　　(2)urllib.request.build_opener([handler, ...])

 参数：BaseHandler的实例或者子类：ProxyHandler(如果检测到代理设置)、UnknownHandler、HTTPHandler、HTTPDefaultErrorHandler、HTTPRedirectHandler、
FTPHandler、FileHandler、HTTPErrorProcessor。　　

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

　　Request :这个类是URL请求的抽象。

　　url:是包含可用 URL 的字符串类型

　　data:必须是指定要发送到服务器的额外数据的对象，如果不需要这样的数据，则为None。对于 HTTP POST 请求data 必须是标准application/x-www-form-urlencoded格式化

　　headers：是一个字典，并将被视为使用每个键和值作为参数调用add_header()。这通常用于“欺骗”用户代理头值，浏览器使用该头值来标识自身——一些HTTP服务器只允许来自普通浏览器的请求，而不允许来自脚本。如果参数不为空，则应包含Content-Type头。如果没提供 header，且 data 不是 None，则应该添加默认的Content-Type: application/x-www-form-urlencoded

　　method：是一个字符串，该字符串指示将使用的HTTP请求方法。如果提供，它的值存储在方法属性中，并由get_method()使用。如果data为空，默认为“GET”，否则为“POST”。
子类可以通过在类本身中设置方法属性来指示不同的默认方法。

 # post请求
 def post():
     request_url = 'http://httpbin.org/post'
     data = {
         'wd': '纳兰容若',
         'name': '纳兰容若',
         'age': ''
     }
     # 返回的响应对象
     response = urlopen(request_url, data=data)
     print(response.read().decode('utf-8'))

 # 4.添加请求头,模拟真实浏览器器发送请求
 def request_header():
     request_url = 'http://httpbin.org/get'
     # 创建请求对象
     # 1) 添加 header
     # headers = {
     #     'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_14_0) AppleWebKit/537.36 (KHTML, like Gecko) '
     #     'Chrome/70.0.3538.102 Safari/537.36'
     # }
     # request = Request(request_url, headers=headers)

     # 2).动态的添加header的信息
     request = Request(request_url)
     request.add_header('User-Agent',
                        'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_14_0) AppleWebKit/537.36 (KHTML, like Gecko) '
                        'Chrome/70.0.3538.102 Safari/537.36')

     response = urlopen(request)
     print(response.read().decode('utf-8'))

 # 5.随机添加User-Agent,避免被屏蔽
 def random_request_header():
     # 百度一下:https://blog.csdn.net/rookie_is_me/article/details/81634048
     user_agent_list = [
         'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/535.1 (KHTML, like Gecko) Chrome/14.0.835.163 Safari/535.1',
         'Mozilla/5.0 (Windows NT 6.1; WOW64; rv:6.0) Gecko/20100101 Firefox/6.0',
         'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/534.50 (KHTML, like Gecko) Version/5.1 Safari/534.50',
         'Opera/9.80 (Windows NT 6.1; U; zh-cn) Presto/2.9.168 Version/11.50',
         'Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; Win64; x64; Trident/5.0; .NET CLR 2.0.50727; SLCC2; .NET '
         'CLR 3.5.30729; .NET CLR 3.0.30729; Media Center PC 6.0; InfoPath.3; .NET4.0C; Tablet PC 2.0; .NET4.0E)']

     # 每次请求的浏览器都是不一样
     random_user_agent = random.choice(user_agent_list)
     print(random_user_agent)
     request_url = 'http://www.python.org/'
     request = Request(request_url)
     # 增加对应请求头的信息
     request.add_header("User-Agent", random_user_agent)
     response = urlopen(request, context=ssl._create_unverified_context())

     print(response)

     # 打印请求头信息
     print(request.get_header("User-agent"))

　　(4)各种高级用法handler

 # 6.高级用法各种handler
 def http_handler_opener():
     # 系统的方法_have_ssl CA证书安全 套阶层
     # 系统的urlopen这个方法没有实现加ip的方法
     url = "http://www.baidu.com/"

     # 创建自己的处理器
     handler = HTTPHandler()
     # 创建自己的opener
     opener = build_opener(handler)
     # 用自己创建的opener来发送请求
     response = opener.open(url)

     data = response.read().decode("utf-8")
     print(data)

 def proxy_handler():
     url = "http://www.baidu.com/"

     # 添加代理
     # 免费ip
     proxy = {
         "http": "http://112.87.71.146:9999"
     }

     # 代理ip处理器
     ip_handler = ProxyHandler(proxy)
     # 创建自己的opener
     opener = build_opener(ip_handler)
     # 拿着代理ip发送网络请求
     response = opener.open(url, timeout=10)
     data = response.read().decode("utf-8")
     print(data)

 def random_proxy_handler():
     proxy_list = [
         {"http": "http://119.101.116.204:9999"},
         {"http": "hhttp://119.101.119.33:9999"},
         {"http": "http://117.85.49.123:9999"},
         {"http": "http://112.85.167.223:9999"},
         {"http": "http://119.101.112.145:9999"}
     ]
     for proxy in proxy_list:
         # print(proxy)
         # 利用对应遍历出来的ip地址创建处理器
         ip_handler = ProxyHandler(proxy)
         # 利用处理器创建opener
         opener = build_opener(ip_handler)
         try:
             response = opener.open("http://www.baidu.com", timeout=10)
             data = response.read()
             print(data)
         except Exception as e:
             print(e)

 def auth_user():
     # 1.定义账号和密码
     user = "admin"
     pwd = ""
     nei_url = "http://www.baidu.com"

     # 创建密码管理器
     pwd_manager = HTTPPasswordMgrWithDefaultRealm()

     pwd_manager.add_password(None, nei_url, user, pwd)

     # 创建认证处理器
     auth_handler = HTTPBasicAuthHandler()

     opener = build_opener(auth_handler)

     response = opener.open(nei_url, timeout=10)
     print(response.read())

3.urllib.error

是urllib.request引发的异常定义异常类。基本异常类是URLError

urllib.error.URLError

urllib.error.HTTPError

 def error():
     url = "https://blog.csdn.net/weidan0302/article/details/110"

     try:
         urlopen(url, context=ssl._create_unverified_context())
     except urllib.error.HTTPError as error:
         print(error.code)

     except urllib.request.URLError as error:
         print(error)

点击下载代码