Python爬蟲庫urllib使用詳解!

　　一、Python urllib庫

　　Python urllib 庫用于操作網頁 URL，并對網頁的內容進行抓取處理。

　　Python3 的 urllib。

　　urllib 包 包含以下幾個模塊：

　　●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，包含授權驗證、重定向、瀏覽器 cookies等。

　　urllib.request 可以模擬瀏覽器的一個請求發(fā)起過程。

　　這里主要介紹兩個常用方法，urlopen和Request。

　　1.urlopen函數(shù)

　　語法格式如下：

　　url：url 地址。

　　data：發(fā)送到服務器的其他數(shù)據(jù)對象，默認為 None。

　　timeout：設置訪問超時時間。

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

　　cadefault：已經被棄用。

　　context：ssl.SSLContext類型，用來指定 SSL 設置。

　　示例：

　　運行結果：

　　response對象是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()：是讀取整個網頁內容，也可以指定讀取的長度，如read(300)。獲取到的是二進制的亂碼，所以需要用到decode()命令將網頁的信息進行解碼。

　　readline() - 讀取文件的一行內容。

　　readlines() - 讀取文件的全部內容，它會把讀取的內容賦值給一個列表變量。

　　info()：返回HTTPMessage對象，表示遠程服務器返回的頭信息。

　　getcode()：返回Http狀態(tài)碼。如果是http請求，200請求成功完成;404網址未找到。

　　geturl()：返回請求的url。

　　2、Request類

　　我們抓取網頁一般需要對 headers(網頁頭信息)進行模擬，否則網頁很容易判定程序為爬蟲，從而禁止訪問。這時候需要使用到 urllib.request.Request 類：

　　url：url 地址。

　　data：發(fā)送到服務器的其他數(shù)據(jù)對象，默認為 None。

　　headers：HTTP 請求的頭部信息，字典格式。

　　origin_req_host：請求的主機地址，IP 或域名。

　　unverifiable：很少用整個參數(shù)，用于設置網頁是否需要驗證，默認是False。。

　　method：請求方法， 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，基礎異常類是 URLError。

　　urllib.error 包含了兩個方法，URLError 和 HTTPError。

　　URLError 是 OSError 的一個子類，用于處理程序在遇到問題時會引發(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 的一個子類，用于處理特殊 HTTP 錯誤例如作為認證請求的時候，包含的屬性 code 為 HTTP 的狀態(tài)碼， reason 為引發(fā)異常的原因，headers 為導致 HTTPError 的特定 HTTP 請求的 HTTP 響應頭。

　　區(qū)別：

　　URLError封裝的錯誤信息一般是由網絡引起的，包括url錯誤。

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

　　關系：

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

　　1.URLError 示例

　　返回結果：

　　reason:

　　此錯誤的原因。它可以是一個消息字符串或另一個異常實例。

　　2.HTTPError示例

　　返回結果：

　　code

　　一個 HTTP 狀態(tài)碼，具體定義見 RFC 2616。這個數(shù)字的值對應于存放在

　　http.server.BaseHTTPRequestHandler.responses 代碼字典中的某個值。

　　reason

　　這通常是一個解釋本次錯誤原因的字符串。

　　headers

　　導致 HTTPError 的特定 HTTP 請求的 HTTP 響應頭。

　　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)行結果：

　　四、urllib.parse模塊

　　模塊定義的函數(shù)可分為兩個主要門類: URL 解析和 URL 轉碼。

　　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，則無法識別片段標識符。相反，它們被解析為路徑，參數(shù)或查詢組件的一部分，并 fragment 在返回值中設置為空字符串。

　　標準鏈接格式為：

　　對象中包含了六個元素，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)行結果：

　　以上還可以通過索引獲取，如通過

　　4.1.2 urlunparse()

　　urlunparse()可以實現(xiàn)URL的構造。(構造URL)

　　urlunparse()接收一個是一個長度為6的可迭代對象，將URL的多個部分組合為一個URL。若可迭代對象長度不等于6，則拋出異常。

　　示例：

　　結果：

　　4.1.3 urlsplit()

　　urlsplit() 函數(shù)也能對 URL 進行拆分，所不同的是， urlsplit() 并不會把 路徑參數(shù)(params) 從 路徑(path) 中分離出來。

　　當 URL 中路徑部分包含多個參數(shù)時，使用 urlparse() 解析是有問題的，這時可以使用 urlsplit() 來解析.

　　4.1.4 urlsplit()

　　urlunsplit()與 urlunparse()類似，(構造URL)，傳入對象必須是可迭代對象，且長度必須是5。

　　示例：

　　結果：

　　4.1.5 urljoin()

　　同樣可以構造URL。

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

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

　　4.2 URL 轉碼

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

　　4.2.1 編碼quote(string)

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

　　語法：

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

　　string 可以是 str 或 bytes 對象。

　　示例：

　　執(zhí)行結果：

　　4.2.2 編碼urlencode()

　　quote()只能對字符串編碼，而urlencode()可以對查詢字符串進行編碼。

　　結果：

　　4.2.3 解碼unquote(string)

　　解碼就是對編碼后的url進行還原。

　　示例：

　　執(zhí)行結果：

　　五、urllib.robotparser模塊

　　(在網絡爬蟲中基本不會用到，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)是一種存放于網站根目錄下的 robots 協(xié)議，它通常用于告訴搜索引擎對網站的抓取規(guī)則。

　　Robots協(xié)議也稱作爬蟲協(xié)議，機器人協(xié)議，網絡爬蟲排除協(xié)議，用來告訴爬蟲哪些頁面是可以爬取的，哪些頁面是不可爬取的。它通常是一個robots.txt的文本文件，一般放在網站的根目錄上。

　　當爬蟲訪問一個站點的時候，會首先檢查這個站點目錄是否存在robots.txt文件，如果存在，搜索爬蟲會根據(jù)其中定義的爬取范圍進行爬取。如果沒有找到這個文件，搜索爬蟲會訪問所有可直接訪問的頁面。

　　urllib.robotparser 提供了 RobotFileParser 類，語法如下：

　　這個類提供了一些可以讀取、解析 robots.txt 文件的方法：

　　set_url(url) - 設置 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)則來獲取 url 則返回 True。

　　mtime() -返回最近一次獲取 robots.txt 文件的時間。這適用于需要定期檢查 robots.txt 文件更新情況的長時間運行的網頁爬蟲。

　　modified() - 將最近一次獲取 robots.txt 文件的時間設置為當前時間。

　　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 條目存在語法錯誤，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 條目存在語法錯誤，則返回 None。

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