Python3爬虫一之（urllib库）

urllib库是python3的内置HTTP请求库。

ython2中urllib分为 urllib2、urllib两个库来发送请求，但是在python3中只有一个urllib库，方便了许多。

urllib库官方文档地址：https://docs.python.org/3/library/urllib.html

urllib库包含四个模块：

　　request: 最基本的request请求模块，用来模拟的发送请求

　　error: 异常处理模块用来捕获异常

　　parse： 提供了许多URL处理方法，比如拆分、解析、合并

　　robotparser: 用来识别网站的robot.txt文件

发送请求：request下的urlopen()方法

import urllib.request
url = 'http://xa.meituan.com/meishi/'
response = urllib.request.urlopen(url)
print(response.read().decode())

得到的response是一个HTTPResponse类型的对象，包含了 read(), readinto(), getheader(name), getheaders(), fileno()等方法和msg, version, status, debuglevel, closed等属性。

使用urlopen()方法是也可以传递一些参数，如data， timeout 等

data参数：

　　data是可选参数，如果在请求中想要添加data参数， data参数必须用bytes()将其转化为bytes类型,并且，如果传递了参数，那么请求方式就是POST类型（urlopen请求方式默认是get）

import urllib.request
import urllib.parse
data = bytes(urllib.parse.urlencode({'world':'Hello'}), encoding='utf-8')
#传递一个data字典，使用bytes方法将data转为bytes类型，bytes方法的第一个参数是str，所以使用urllib.parse.urlencode()方法将字典转为str，第二个参数是编码格式
url = 'http://xa.meituan.com/meishi/'
response = urllib.request.urlopen(url=url, data=data)
print(response.read().decode())

timeout参数：

　　该参数用于设定超时时间。单位是秒。超时就会抛出异常。

import urllib.request
url = 'http://xa.meituan.com/meishi/'
response = urllib.request.urlopen(url=url, timeout=1)
print(response.read().decode())

其他参数：

　　context参数， 必须是ssl.SSLCentext类型， 用来指定SSL设置。

　　cafile参数和capath参数分别指定CA证书与他的路径。

request下的Request方法：

Request的构造方法：

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

import urllib.request
url = 'http://xa.meituan.com/meishi/'
request = urllib.request.Request(url=url)
response = urllib.request.urlopen(request)
print(response.read().decode())

origin_req_host: 请求方的host名称或者IP地址。

unverifiable：表示这个请求是否是无法验证的，默认是False，意思是

Handler

urllib,request.BaseHandler类。他是所有Handler的父类。

下面各种子类继承父类。

　　HTTPDefaultErrorHandler: 用于处理HTTP请求

　　HTTPRedirectHandler: 用于重定向。

　　HTTP Cookie Processor：用于处理Cookies

　　ProxyHandler:用于设置代理。

　　HTTPPasswordMgr:用于管理密码。

　　HTTPBasicAuthHandler: 用于认证管理。

URL:  scheme + netloc + path +    parms + query + fragment

协议         域名   访问路径   参数    查询条件     锚点