Python爬蟲庫(kù)urllib使用詳解!

　　一、Python urllib庫(kù)

　　Python urllib 庫(kù)用于操作網(wǎng)頁(yè) URL，并對(duì)網(wǎng)頁(yè)的內(nèi)容進(jìn)行抓取處理。

　　Python3 的 urllib。

　　urllib 包 包含以下幾個(gè)模塊：

　　●urllib.request - 打開和讀取 URL。

　　●urllib.error - 包含 urllib.request 拋出的異常。

　　●urllib.parse - 解析 URL。

　　●urllib.robotparser - 解析 robots.txt 文件。

　　二、urllib.request模塊

　　urllib.request 定義了一些打開 URL 的函數(shù)和類，包含授權(quán)驗(yàn)證、重定向、瀏覽器 cookies等。

　　urllib.request 可以模擬瀏覽器的一個(gè)請(qǐng)求發(fā)起過(guò)程。

　　這里主要介紹兩個(gè)常用方法，urlopen和Request。

　　1.urlopen函數(shù)

　　語(yǔ)法格式如下：

　　url：url 地址。

　　data：發(fā)送到服務(wù)器的其他數(shù)據(jù)對(duì)象，默認(rèn)為 None。

　　timeout：設(shè)置訪問(wèn)超時(shí)時(shí)間。

　　cafile 和 capath：cafile 為 CA 證書， capath 為 CA 證書的路徑，使用 HTTPS 需要用到。

　　cadefault：已經(jīng)被棄用。

　　context：ssl.SSLContext類型，用來(lái)指定 SSL 設(shè)置。

　　示例：

　　運(yùn)行結(jié)果：

　　response對(duì)象是http.client. HTTPResponse類型，主要包含 read、readinto、getheader、getheaders、fileno 等方法，以及 msg、version、status、reason、debuglevel、closed 等屬性。

　　常用方法：

　　read()：是讀取整個(gè)網(wǎng)頁(yè)內(nèi)容，也可以指定讀取的長(zhǎng)度，如read(300)。獲取到的是二進(jìn)制的亂碼，所以需要用到decode()命令將網(wǎng)頁(yè)的信息進(jìn)行解碼。

　　readline() - 讀取文件的一行內(nèi)容。

　　readlines() - 讀取文件的全部?jī)?nèi)容，它會(huì)把讀取的內(nèi)容賦值給一個(gè)列表變量。

　　info()：返回HTTPMessage對(duì)象，表示遠(yuǎn)程服務(wù)器返回的頭信息。

　　getcode()：返回Http狀態(tài)碼。如果是http請(qǐng)求，200請(qǐng)求成功完成;404網(wǎng)址未找到。

　　geturl()：返回請(qǐng)求的url。

　　2、Request類

　　我們抓取網(wǎng)頁(yè)一般需要對(duì) headers(網(wǎng)頁(yè)頭信息)進(jìn)行模擬，否則網(wǎng)頁(yè)很容易判定程序?yàn)榕老x，從而禁止訪問(wèn)。這時(shí)候需要使用到 urllib.request.Request 類：

　　url：url 地址。

　　data：發(fā)送到服務(wù)器的其他數(shù)據(jù)對(duì)象，默認(rèn)為 None。

　　headers：HTTP 請(qǐng)求的頭部信息，字典格式。

　　origin_req_host：請(qǐng)求的主機(jī)地址，IP 或域名。

　　unverifiable：很少用整個(gè)參數(shù)，用于設(shè)置網(wǎng)頁(yè)是否需要驗(yàn)證，默認(rèn)是False。。

　　method：請(qǐng)求方法， 如 GET、POST、DELETE、PUT等。

　　示例：

　　三、urllib.error模塊

　　urllib.error 模塊為 urllib.request 所引發(fā)的異常定義了異常類，基礎(chǔ)異常類是 URLError。

　　urllib.error 包含了兩個(gè)方法，URLError 和 HTTPError。

　　URLError 是 OSError 的一個(gè)子類，用于處理程序在遇到問(wèn)題時(shí)會(huì)引發(fā)此異常(或其派生的異常)，包含的屬性 reason 為引發(fā)異常的原因。

　　HTTPError 是 URLError 的一個(gè)子類，用于處理特殊 HTTP 錯(cuò)誤例如作為認(rèn)證請(qǐng)求的時(shí)候，包含的屬性 code 為 HTTP 的狀態(tài)碼， reason 為引發(fā)異常的原因，headers 為導(dǎo)致 HTTPError 的特定 HTTP 請(qǐng)求的 HTTP 響應(yīng)頭。

　　區(qū)別：

　　URLError封裝的錯(cuò)誤信息一般是由網(wǎng)絡(luò)引起的，包括url錯(cuò)誤。

　　HTTPError封裝的錯(cuò)誤信息一般是服務(wù)器返回了錯(cuò)誤狀態(tài)碼。

　　關(guān)系：

　　URLError是OSERROR的子類，HTTPError是URLError的子類。

　　1.URLError 示例

　　返回結(jié)果：

　　reason:

　　此錯(cuò)誤的原因。它可以是一個(gè)消息字符串或另一個(gè)異常實(shí)例。

　　2.HTTPError示例

　　返回結(jié)果：

　　code

　　一個(gè) HTTP 狀態(tài)碼，具體定義見 RFC 2616。這個(gè)數(shù)字的值對(duì)應(yīng)于存放在

　　http.server.BaseHTTPRequestHandler.responses 代碼字典中的某個(gè)值。

　　reason

　　這通常是一個(gè)解釋本次錯(cuò)誤原因的字符串。

　　headers

　　導(dǎo)致 HTTPError 的特定 HTTP 請(qǐng)求的 HTTP 響應(yīng)頭。

　　3.URLError和HTTPError混合使用

　　注意：由于HTTPError是URLError的子類，所以捕獲的時(shí)候HTTPError要放在URLError的上面。

　　示例：

　　如果不用上面的方法，可以直接用判斷的形式。

　　執(zhí)行結(jié)果：

　　四、urllib.parse模塊

　　模塊定義的函數(shù)可分為兩個(gè)主要門類: URL 解析和 URL 轉(zhuǎn)碼。

　　4.1 URL 解析

　　4.1.1 urlparse()

　　urllib.parse 用于解析 URL，格式如下：

　　urlstring 為 字符串的 url 地址，scheme 為協(xié)議類型。

　　allow_fragments 參數(shù)為 false，則無(wú)法識(shí)別片段標(biāo)識(shí)符。相反，它們被解析為路徑，參數(shù)或查詢組件的一部分，并 fragment 在返回值中設(shè)置為空字符串。

　　標(biāo)準(zhǔn)鏈接格式為：

　　對(duì)象中包含了六個(gè)元素，分別為：協(xié)議(scheme)、域名(netloc)、路徑(path)、路徑參數(shù)(params)、查詢參數(shù)(query)、片段(fragment)。

　　示例：

　　執(zhí)行結(jié)果：

　　以上還可以通過(guò)索引獲取，如通過(guò)

　　4.1.2 urlunparse()

　　urlunparse()可以實(shí)現(xiàn)URL的構(gòu)造。(構(gòu)造URL)

　　urlunparse()接收一個(gè)是一個(gè)長(zhǎng)度為6的可迭代對(duì)象，將URL的多個(gè)部分組合為一個(gè)URL。若可迭代對(duì)象長(zhǎng)度不等于6，則拋出異常。

　　示例：

　　結(jié)果：

　　4.1.3 urlsplit()

　　urlsplit() 函數(shù)也能對(duì) URL 進(jìn)行拆分，所不同的是， urlsplit() 并不會(huì)把 路徑參數(shù)(params) 從 路徑(path) 中分離出來(lái)。

　　當(dāng) URL 中路徑部分包含多個(gè)參數(shù)時(shí)，使用 urlparse() 解析是有問(wèn)題的，這時(shí)可以使用 urlsplit() 來(lái)解析.

　　4.1.4 urlsplit()

　　urlunsplit()與 urlunparse()類似，(構(gòu)造URL)，傳入對(duì)象必須是可迭代對(duì)象，且長(zhǎng)度必須是5。

　　示例：

　　結(jié)果：

　　4.1.5 urljoin()

　　同樣可以構(gòu)造URL。

　　傳遞一個(gè)基礎(chǔ)鏈接,根據(jù)基礎(chǔ)鏈接可以將某一個(gè)不完整的鏈接拼接為一個(gè)完整鏈接.

　　注：連接兩個(gè)參數(shù)的url, 將第二個(gè)參數(shù)中缺的部分用第一個(gè)參數(shù)的補(bǔ)齊,如果第二個(gè)有完整的路徑，則以第二個(gè)為主。

　　4.2 URL 轉(zhuǎn)碼

　　python中提供urllib.parse模塊用來(lái)編碼和解碼，分別是urlencode()與unquote()。

　　4.2.1 編碼quote(string)

　　URL 轉(zhuǎn)碼函數(shù)的功能是接收程序數(shù)據(jù)并通過(guò)對(duì)特殊字符進(jìn)行轉(zhuǎn)碼并正確編碼非 ASCII 文本來(lái)將其轉(zhuǎn)為可以安全地用作 URL 組成部分的形式。它們還支持逆轉(zhuǎn)此操作以便從作為 URL 組成部分的內(nèi)容中重建原始數(shù)據(jù)，如果上述的 URL 解析函數(shù)還未覆蓋此功能的話

　　語(yǔ)法：

　　使用 %xx 轉(zhuǎn)義符替換 string 中的特殊字符。字母、數(shù)字和 '_.-~' 等字符一定不會(huì)被轉(zhuǎn)碼。在默認(rèn)情況下，此函數(shù)只對(duì) URL 的路徑部分進(jìn)行轉(zhuǎn)碼。可選的 safe 形參額外指定不應(yīng)被轉(zhuǎn)碼的 ASCII 字符 --- 其默認(rèn)值為 '/'。

　　string 可以是 str 或 bytes 對(duì)象。

　　示例：

　　執(zhí)行結(jié)果：

　　4.2.2 編碼urlencode()

　　quote()只能對(duì)字符串編碼，而urlencode()可以對(duì)查詢字符串進(jìn)行編碼。

　　結(jié)果：

　　4.2.3 解碼unquote(string)

　　解碼就是對(duì)編碼后的url進(jìn)行還原。

　　示例：

　　執(zhí)行結(jié)果：

　　五、urllib.robotparser模塊

　　(在網(wǎng)絡(luò)爬蟲中基本不會(huì)用到，使用較少，僅作了解)

　　urllib.robotparser 用于解析 robots.txt 文件。

　　robots.txt(統(tǒng)一小寫)是一種存放于網(wǎng)站根目錄下的 robots 協(xié)議，它通常用于告訴搜索引擎對(duì)網(wǎng)站的抓取規(guī)則。

　　Robots協(xié)議也稱作爬蟲協(xié)議，機(jī)器人協(xié)議，網(wǎng)絡(luò)爬蟲排除協(xié)議，用來(lái)告訴爬蟲哪些頁(yè)面是可以爬取的，哪些頁(yè)面是不可爬取的。它通常是一個(gè)robots.txt的文本文件，一般放在網(wǎng)站的根目錄上。

　　當(dāng)爬蟲訪問(wèn)一個(gè)站點(diǎn)的時(shí)候，會(huì)首先檢查這個(gè)站點(diǎn)目錄是否存在robots.txt文件，如果存在，搜索爬蟲會(huì)根據(jù)其中定義的爬取范圍進(jìn)行爬取。如果沒(méi)有找到這個(gè)文件，搜索爬蟲會(huì)訪問(wèn)所有可直接訪問(wèn)的頁(yè)面。

　　urllib.robotparser 提供了 RobotFileParser 類，語(yǔ)法如下：

　　這個(gè)類提供了一些可以讀取、解析 robots.txt 文件的方法：

　　set_url(url) - 設(shè)置 robots.txt 文件的 URL。

　　read() - 讀取 robots.txt URL 并將其輸入解析器。

　　parse(lines) - 解析行參數(shù)。

　　can_fetch(useragent, url) - 如果允許 useragent 按照被解析 robots.txt 文件中的規(guī)則來(lái)獲取 url 則返回 True。

　　mtime() -返回最近一次獲取 robots.txt 文件的時(shí)間。這適用于需要定期檢查 robots.txt 文件更新情況的長(zhǎng)時(shí)間運(yùn)行的網(wǎng)頁(yè)爬蟲。

　　modified() - 將最近一次獲取 robots.txt 文件的時(shí)間設(shè)置為當(dāng)前時(shí)間。

　　crawl_delay(useragent) -為指定的 useragent 從 robots.txt 返回 Crawl-delay 形參。如果此形參不存在或不適用于指定的 useragent 或者此形參的 robots.txt 條目存在語(yǔ)法錯(cuò)誤，則返回 None。

　　request_rate(useragent) -以 named tuple RequestRate(requests, seconds) 的形式從 robots.txt 返回 Request-rate 形參的內(nèi)容。如果此形參不存在或不適用于指定的 useragent 或者此形參的 robots.txt 條目存在語(yǔ)法錯(cuò)誤，則返回 None。

　　site_maps() - 以 list() 的形式從 robots.txt 返回 Sitemap 形參的內(nèi)容。如果此形參不存在或者此形參的 robots.txt 條目存在語(yǔ)法錯(cuò)誤，則返回 None。