快捷導(dǎo)航

python3使用urllib模塊制作網(wǎng)絡(luò)爬蟲

更新時間：2016年04月08日 08:58:46 作者：mrmusic

本文給大家介紹的是利用urllib模塊通過指定的URL抓取網(wǎng)頁內(nèi)容所謂網(wǎng)頁抓取,就是把URL地址中指定的網(wǎng)絡(luò)資源從網(wǎng)絡(luò)流中讀取出來,保存到本地，有需要的小伙伴可以參考下

urllib

urllib模塊是python3的URL處理包

其中：

1、urllib.request主要是打開和閱讀urls

個人平時主要用的1：

打開對應(yīng)的URL：urllib.request.open(url)

用urllib.request.build_opener([handler, ...])，來偽裝成對應(yīng)的瀏覽器

import urllib
#要偽裝成的瀏覽器(我這個是用的chrome)
headers = ('User-Agent','Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/46.0.2490.86 Safari/537.36')
url='http://hotels.ctrip.com/'
opener = urllib.request.build_opener()
#將要偽裝成的瀏覽器添加到對應(yīng)的http頭部
opener.addheaders=[headers]
#讀取相應(yīng)的url
data = opener.open(url).read()
#將獲得的html解碼為utf-8
data=data.decode('utf-8')
print(data)

2、urllib.parse主要是用來解析url

主要方法：

urllib.parse.urlparse(urlstring)

功能：將對應(yīng)的URL解析成六部分，并以元組的數(shù)據(jù)格式返回來。(在功能上和urlsplit()幾乎一模一樣)

import urllib
o = urllib.parse.urlparse('http://www.cwi.nl:80/%7Eguido/Python.html')
print(o)
print(o.path)
print(o.scheme)
print(o.port)
print(o.geturl())

對應(yīng)的結(jié)果：

ParseResult(scheme='http', netloc='www.cwi.nl:80', path='/%7Eguido/Python.html', params='', query='', fragment='')
/%7Eguido/Python.html
http
80
http://www.cwi.nl:80/%7Eguido/Python.html

2、構(gòu)建一個新的url——urllib.parse.urljoin(base, url)

參數(shù)：base:基本的URL鏈接

url:另一個url

from urllib.parse import urljoin
a=urljoin('http://www.cwi.nl/%7Eguido/Python.html', 'FAQ.html')
print(a)

結(jié)果：http://www.cwi.nl/%7Eguido/FAQ.html

這個函數(shù)在爬蟲的時候應(yīng)該方便多了，我之前用的是比較笨的方法直接字符串拼接

3、異常處理 urllib.error

用 try-except來捕捉異常

主要的錯誤方式就兩種 URLError和HTTPError

因為HTTPError是URLError的子類，所以URLError應(yīng)該寫在HttpError后面,說白了就是找到兒子一定知道父親，找到父親，不一定知道兒子。

try:
  data=urllib.request.urlopen(url)
  print(data.read().decode('utf-8'))
except urllib.error.HTTPError as e:
  print(e.code)
except urllib.error.URLError as e:
  print(e.reason)

結(jié)果：[WinError 10060] 由于連接方在一段時間后沒有正確答復(fù)或連接的主機沒有反應(yīng)，連接嘗試失敗。

如果捕獲到了HTTPError，則輸出code，不會再處理URLError異常。如果發(fā)生的不是HTTPError，則會去捕獲URLError異常，輸出錯誤原因

您可能感興趣的文章: