综述
本系列文档用于对Python爬虫技术的学习进行记录总结。
Python 版本是3.7.4
urllib库介绍
它是 Python 内置的HTTP请求库，也就是说我们不需要额外安装即可使用，它包含四个模块(主要对前三个模块进行学习)：
- request : 它是最基本的 HTTP 请求模块，我们可以用它来模拟发送一请求，就像在浏览器里输入网址然后敲击回车一样，只需要给库方法传入 URL 还有额外的参数，就可以模拟实现这个过程了。
- error : 异常处理模块，如果出现请求错误，我们可以捕获这些异常，然后进行重试或其他操作保证程序不会意外终止。
- parse : 用于解析URL，提供了许多URL处理方法，比如拆分、解析、合并等等的方法，以及对参数的拼接等待。
- robotparser : 主要是用来识别网站的robots.txt协议文件，然后判断网站的那些数据可以爬，哪些数据不可以爬的，其实用的比较少。
urllib.request 介绍
urlopen()
-
参数说明(仅写了四个最常用的参数)
- url : 爬取目标的URL；
- data : 请求参数，如果设置该参数，则请求默认为post请求；没有默认为get请求；
- timeout : 用于设置超时时间，单位为秒；
- context : 必须是一个ssl.SSLContext类型,用来指定SSL设置,忽略未认证的CA证书;
-
具体用法
- GET 请求方式
# 导入urllib库 import urllib.request # 向指定的url发送请求，并返回服务器响应的类文件对象 url = "http://www.baidu.com" response = urllib.request.urlopen(url=url) print(type(response)) # 类文件对象支持文件对象的操作方法，如read()方法读取文件全部内容，返回字符串 html = response.read() # html = response.readline() # 读取一行 # html = response.readlines() # 读取多行，返回列表 # 打印响应结果（byte类型） print(html) # 打印响应结果（utf-8类型） # 二进制和字符串之间的相互转码使用 encode() 和 decode() 函数 # encode() 和 decode() 可带参数，不写默认utf-8，其他不再特别说明 print(html.decode()) # 打印状态码 # print(response.get_code()) print(response.status) # 获取响应头 print(response.getheaders()) # 获取响应头Server信息 print(response.getheader('Server')) # 获取响应结果原因 print(response.reason)- POST 请求方式
# 导入urllib库 import urllib.parse import urllib.request # 向指定的url发送请求，并返回 post_url = 'https://fanyi.baidu.com/sug' # 传入参数 form_data = { 'kw': 'honey' } # 格式化参数 form_data = urllib.parse.urlencode(form_data).encode() response = urllib.request.urlopen(url=post_url, data=form_data) # 打印服务器响应的类文件对象 print(type(response)) # 类文件对象支持文件对象的操作方法，如read()方法读取文件全部内容，返回字符串 html = response.read() # 打印响应结果（byte类型） print(html) # 打印响应结果（utf-8类型） print(html.decode()) # 打印状态码 print(response.status) # print(response.getcode()) # 获取响应头 print(response.getheaders()) # 获取响应头Server信息 print(response.getheader('Server')) # 获取响应结果原因 print(response.reason)
urlretrleve()
-
参数说明
- url : 下载链接地址；
- filename : 指定保存本地路径(如果参数未指定，urllib会生成一个临时文件保存数据)；
- reporthook : 是一个回调函数，当连接上服务器、以及相应的数据块传输完毕时会触发该回调，我们可以利用这个回调函数来显示当前的下载进度；
- data : 指post导服务器的数据，该方法返回一个包含两个元素的(filename, headers) 元组，filename 表示保存到本地的路径，header表示服务器的响应头;
-
具体用法
# 引入所需要的库 import os import urllib.request # 定义回调函数 def call_back(a, b, c): """ 图片下载回调 :param a: 已经下载的数据块 :param b: 数据块的大小 :param c: 远程文件的大小 :return: """ per = 100.0 * a * b / c if per > 100: per = 100 print('%.2f%%' % per) # 定义下下载的地址 url = 'http://www.baidu.com' # 构造文件保存路径 path = os.path.abspath('.') file_path = os.path.join(path, 'baidu.html') # 进行下载 urllib.request.urlretrieve(url, file_path, call_back)
urllib.parse 介绍
urlencode()
-
参数说明
- query : url参数，可以是字符串，也可以是字典；
- encoding : 编码方式；
-
具体用法
# 引入所需要的库 import urllib.parse # 参数数据 data = { 'name': '张三', 'age': 26 } # 进行编码 ret = urllib.parse.urlencode(data) print(ret)
parse_s()
-
参数说明
- qs : url参数，编码后的字符串；
- encoding : 字符方式；
-
具体用法
# 引入所需要的库 import urllib.parse # 参数数据 data = { 'name': '张三', 'age': 26 } # 进行编码 ret1 = urllib.parse.urlencode(data) print(ret1) # 进行解码 ret2 = urllib.parse.parse_qs(ret1) print(ret2)
urlparse()
-
参数说明
- url : url地址字符串；
-
具体用法
# 引入所需要的库 import urllib.parse # 声明url url = "https://www.baidu.com/s?wd=urlparse&rsv_spt=1&rsv_iqid=0x921f00fe005646ef&issp=1&f=8" # 进行url解析 ret = urllib.parse.urlparse(url) print(ret) print('scheme:', ret.scheme) # 协议 print('netloc:', ret.netloc) # 域名服务器 print('path:', ret.path) # 相对路径 print('params:', ret.params) # 路径端参数 print('fragment:', ret.fragment) # 片段 print('query:', ret.query) # 查询 # urlunparse() 与 urlparse() 对应相反函数 # 使用urlparse的格式组合成一个url，可以直接将urlparse的返回传递组合 ret1 = urllib.parse.urlunparse(ret) print(ret1)
urlsplit()
-
参数说明
- url : url地址字符串；
-
具体用法
# 引入所需要的库 import urllib.parse # 声明url url = "https://www.baidu.com/s?wd=urlparse&rsv_spt=1&rsv_iqid=0x921f00fe005646ef&issp=1&f=8" # 进行url解析 ret = urllib.parse.urlsplit(url) print(ret) print('scheme:', ret.scheme) # 协议 print('netloc:', ret.netloc) # 域名服务器 print('path:', ret.path) # 相对路径 print('fragment:', ret.fragment) # 片段 print('query:', ret.query) # 查询 # urlunsplit() 与 urlsplit() 对应相反函数 # 使用urlsplit的格式组合成一个url，可以直接将urlsplit的返回传递组合 ret1 = urllib.parse.urlunsplit(ret) print(ret1) # 此函数和urlparse函数的区别在于此函数没有params
urljoin()
-
参数说明
- qs : url参数，编码后的字符串；
- encoding : 字符方式；
-
具体用法
# 引入所需要的库 import urllib.parse # 声明url url = "https://www.baidu.com/" # 参数数据 data = { 'name': '张三', 'age': 26 } # 格式化参数 data = urllib.parse.urlencode(data) # 进行url拼接 ret = urllib.parse.urljoin(url, data) print(ret)
urllib.error 介绍
我们在爬虫的时候发请求的时候难免出现错误，如访问不到服务器或者访问被禁止等等，error分为URLError和HTTPError两类：
-
URLError
- 没有网
- 服务器链接失败
- 找不大指定服务器
-
HTTPError
- 是URLError的子类
-
两者区别和联系
- URLError封装的错误信息一般是由网络引起的，包括url错误
- HTTPError封装的错误信息一般是服务器返回了错误状态码
- URLError是OSERROR的子类，HTTPError是URLError的子类
- 【注意】两个同时捕获的时候需要将子类放在上面，父类放在下面
-
用法
# 引入所需要的库 import urllib.error import urllib.request # 一个访问异常的url url = 'https://www.mz.com/156427/100' # 捕获异常 try: ret = urllib.request.urlopen(url) print(ret) except urllib.error.HTTPError as e: print(e.getcode()) except urllib.error.URLError as e: print(e)
