本文介紹urllib庫在不同版本的Python中的變動(dòng)，并以Python3.X講解urllib庫的相關(guān)用法。

urllib庫對照速查表

urllib庫是用于操作URL，爬取頁面的python第三方庫，同樣的庫還有requests、httplib2。

在Python2.X中，分urllib和urllib2，但在Python3.X中，都統(tǒng)一合并到urllib中。通過上表可以看到其中常見的變動(dòng)，依據(jù)該變動(dòng)可快速寫出相應(yīng)版本的python程序。

相對來說，Python3.X對中文的支持比Python2.X友好，所以該博客接下來通過Python3.X來介紹urllib庫的一些常見用法。

發(fā)送請求

import urllib.request
r = urllib.request.urlopen(http://www.python.org/)

首先導(dǎo)入urllib.request模塊，使用urlopen()對參數(shù)中的URL發(fā)送請求，返回一個(gè)http.client.HTTPResponse對象。

在urlopen()中，使用timeout字段，可設(shè)定相應(yīng)的秒數(shù)時(shí)間之后停止等待響應(yīng)。除此之外，還可使用r.info()、r.getcode()、r.geturl()獲取相應(yīng)的當(dāng)前環(huán)境信息、狀態(tài)碼、當(dāng)前網(wǎng)頁URL。

讀取響應(yīng)內(nèi)容

import urllib.request
url = "http://www.python.org/"
with urllib.request.urlopen(url) as r:
r.read()

使用r.read()讀取響應(yīng)內(nèi)容到內(nèi)存，該內(nèi)容為網(wǎng)頁的源代碼（可用相應(yīng)的瀏覽器“查看網(wǎng)頁源代碼”功能看到），并可對返回的字符串進(jìn)行相應(yīng)解碼decode()。

傳遞URL參數(shù)

import urllib.request
import urllib.parse
params = urllib.parse.urlencode({'q': 'urllib', 'check_keywords': 'yes', 'area': 'default'})
url = "https://docs.python.org/3/search.html?{}".format(params)
r = urllib.request.urlopen(url)

以字符串字典的形式，通過urlencode()編碼，為URL的查詢字符串傳遞數(shù)據(jù)，

編碼后的params為字符串，字典每項(xiàng)鍵值對以'&'連接：'q=urllib&check_keywords=yes&area=default'

構(gòu)建后的URL：https://docs.python.org/3/search.html?q=urllib&check_keywords=yes&area=default

當(dāng)然，urlopen()支持直接構(gòu)建的URL，簡單的get請求可以不通過urlencode()編碼，手動(dòng)構(gòu)建后直接請求。上述方法使代碼模塊化，更優(yōu)雅。

傳遞中文參數(shù)

import urllib.request
searchword = urllib.request.quote(input("請輸入要查詢的關(guān)鍵字："))
url = "https://cn.bing.com/images/async?q={}&first=0&mmasync=1".format(searchword)
r = urllib.request.urlopen(url)

該URL是利用bing圖片接口，查詢關(guān)鍵字q的圖片。如果直接將中文傳入U(xiǎn)RL中請求，會導(dǎo)致編碼錯(cuò)誤。我們需要使用quote()，對該中文關(guān)鍵字進(jìn)行URL編碼，相應(yīng)的可以使用unquote()進(jìn)行解碼。

定制請求頭

import urllib.request
url = 'https://docs.python.org/3/library/urllib.request.html'
headers = {
  'User-Agent' : 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/61.0.3163.100 Safari/537.36',
  'Referer': 'https://docs.python.org/3/library/urllib.html'
}
req = urllib.request.Request(url, headers=headers)
r = urllib.request.urlopen(req)

有時(shí)爬取一些網(wǎng)頁時(shí)，會出現(xiàn)403錯(cuò)誤（Forbidden），即禁止訪問。這是因?yàn)榫W(wǎng)站服務(wù)器對訪問者的Headers屬性進(jìn)行身份驗(yàn)證，例如：通過urllib庫發(fā)送的請求，默認(rèn)以”Python-urllib/X.Y”作為User-Agent，其中X為Python的主版本號，Y為副版本號。所以，我們需要通過urllib.request.Request()構(gòu)建Request對象，傳入字典形式的Headers屬性，模擬瀏覽器。

相應(yīng)的Headers信息，可通過瀏覽器的開發(fā)者調(diào)試工具，”檢查“功能的”Network“標(biāo)簽查看相應(yīng)的網(wǎng)頁得到，或使用抓包分析軟件Fiddler、Wireshark。

除上述方法外，還可以使用urllib.request.build_opener()或req.add_header()定制請求頭，詳見官方樣例。

在Python2.X中，urllib模塊和urllib2模塊通常一起使用，因?yàn)閡rllib.urlencode()可以對URL參數(shù)進(jìn)行編碼，而urllib2.Request()可以構(gòu)建Request對象，定制請求頭，然后統(tǒng)一使用urllib2.urlopen()發(fā)送請求。

傳遞POST請求

import urllib.request
import urllib.parse
url = 'https://passport.cnblogs.com/user/signin?'
post = {
  'username': 'xxx',
  'password': 'xxxx'
}
postdata = urllib.parse.urlencode(post).encode('utf-8')
req = urllib.request.Request(url, postdata)
r = urllib.request.urlopen(req)

我們在進(jìn)行注冊、登錄等操作時(shí)，會通過POST表單傳遞信息。

這時(shí)，我們需要分析頁面結(jié)構(gòu)，構(gòu)建表單數(shù)據(jù)post，使用urlencode()進(jìn)行編碼處理，返回字符串，再指定'utf-8'的編碼格式，這是因?yàn)镻OSTdata只能是bytes或著file object。最后通過Request()對象傳遞postdata，使用urlopen()發(fā)送請求。

下載遠(yuǎn)程數(shù)據(jù)到本地

import urllib.request
url = "https://www.python.org/static/img/python-logo.png"
urllib.request.urlretrieve(url, "python-logo.png")

爬取圖片、視頻等遠(yuǎn)程數(shù)據(jù)時(shí)，可使用urlretrieve()下載到本地。

第一個(gè)參數(shù)為要下載的url，第二個(gè)參數(shù)為下載后的存放路徑。

該樣例下載python官網(wǎng)logo到當(dāng)前目錄下，返回元組(filename, headers)。

設(shè)置代理IP

import urllib.request
url = "https://www.cnblogs.com/"
proxy_ip = "180.106.16.132:8118"
proxy = urllib.request.ProxyHandler({'http': proxy_ip})
opener = urllib.request.build_opener(proxy, urllib.request.HTTPHandler)
urllib.request.install_opener(opener)
r = urllib.request.urlopen(url)

有時(shí)頻繁的爬取一個(gè)網(wǎng)頁，會被網(wǎng)站服務(wù)器屏蔽IP。這時(shí)，可通過上述方法設(shè)置代理IP。

首先，通過網(wǎng)上代理IP的網(wǎng)站找一個(gè)可以用的IP，構(gòu)建ProxyHandler()對象，將'http'和代理IP以字典形式作為參數(shù)傳入，設(shè)置代理服務(wù)器信息。再構(gòu)建opener對象，將proxy和HTTPHandler類傳入。通過installl_opener()將opener設(shè)置成全局，當(dāng)用urlopen()發(fā)送請求時(shí)，會使用之前設(shè)置的信息來發(fā)送相應(yīng)的請求。

異常處理

import urllib.request
import urllib.error
url = "http://www.balabalabala.org"
try:
  r = urllib.request.urlopen(url)
except urllib.error.URLError as e:
  if hasattr(e, 'code'):
    print(e.code)
  if hasattr(e, 'reason'):
    print(e.reason)

可以使用URLError類，處理一些URL相關(guān)異常。導(dǎo)入urllib.error，捕獲URLError異常后，因?yàn)橹挥邪l(fā)生HTTPError異常（URLError子類）時(shí)，才會有異常狀態(tài)碼e.code，所以需要判斷異常是否有屬性code。

Cookie的使用

import urllib.request
import http.cookiejar
url = "http://www.balabalabala.org/"
cjar = http.cookiejar.CookieJar()
opener = urllib.request.build_opener(urllib.request.HTTPCookieProcessor(cjar))
urllib.request.install_opener(opener)
r = urllib.request.urlopen(url)

通過無狀態(tài)協(xié)議HTTP訪問網(wǎng)頁時(shí)，Cookie維持會話間的狀態(tài)。例如：有些網(wǎng)站需要登錄操作，第一次可通過提交POST表單來登錄，當(dāng)爬取該網(wǎng)站下的其它站點(diǎn)時(shí)，可以使用Cookie來保持登錄狀態(tài)，而不用每次都通過提交表單來登錄。

首先，構(gòu)建CookieJar()對象cjar，再使用HTTPCookieProcessor()處理器，處理cjar，并通過build_opener()構(gòu)建opener對象，設(shè)置成全局，通過urlopen()發(fā)送請求。

最新評論