python爬虫基础之urllib的使用

一、urllib 和 urllib2的关系

在python2中，主要使用urllib和urllib2，而python3对urllib和urllib2进行了重构，拆分成了urllib.request, urllib.parse, urllib.error，urllib.robotparser等几个子模块，这样的架构从逻辑和结构上说更加合理。urllib库无需安装，python3自带。python 3.x中将urllib库和urilib2库合并成了urllib库。

urllib2.urlopen() 变成了 urllib.request.urlopen() urllib2.Request() 变成了 urllib.request.Request() python2中的 cookielib 改为 http.cookiejar. import http.cookiejar 代替 import cookielib urljoin 现在对应的函数是 urllib.parse.urljoin

二、python3下的urllib库 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，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 ，即异常处理模块，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 ，是一个工具模块，提供了许多 URL 处理方法，比如拆分、解析、合并等等的方法。 robotparser，主要是用来识别网站的 robots.txt 文件，然后判断哪些网站可以爬，哪些网站不可以爬的，其实用的比较少。三、request的基础类（一）request.urlopen

urlopen方法最主要的参数就是目标网站的url地址，可以使str类型，也可以是一个request对象。

get方法请求如下：

from urllib import request,parserespones = request.urlopen(http://www.baidu.com/)

post方法请求，需要添加data参数（字典格式），它要是字节流编码格式的内容，即 bytes 类型，通过 bytes() 方法可以进行转化，另外如果传递了这个 data 参数，不添加data参数就默认为 GET 方式请求。

from urllib import request,parseurl = 'http://www.baidu.com/'wd = {’wd’:’哇哈哈哈’}data = bytes(parse.urlencode(wd),’utf-8’)respones = request.urlopen(url,data=data)（二）request.Request

由于单独使用urlopen() 方法的不能添加User-Agent、Cookie等headers信息，需要构建一个 Request 类型的对象，通过构造这个这个数据结构，一方面我们可以将请求独立成一个对象，另一方面可配置参数更加丰富和灵活。主要参数有：

url 参数是请求 URL，这个是必传参数，其他的都是可选参数。 data 参数如果要传必须传 bytes（字节流）类型的，如果是一个字典，可以先用 urllib.parse 模块里的 urlencode() 编码。 headers 参数是一个字典，这个就是 Request Headers 了，你可以在构造 Request 时通过 headers 参数直接构造，也可以通过调用 Request 实例的 add_header() 方法来添加, Request Headers 最常用的用法就是通过修改 User-Agent 来伪装浏览器，默认的 User-Agent 是 Python-urllib，我们可以通过修改它来伪装浏览器。 origin_req_host 参数指的是请求方的 host 名称或者 IP 地址。 unverifiable 参数指的是这个请求是否是无法验证的，默认是False。意思就是说用户没有足够权限来选择接收这个请求的结果。例如我们请求一个 HTML 文档中的图片，但是我们没有自动抓取图像的权限，这时 unverifiable 的值就是 True。 method 参数是一个字符串，它用来指示请求使用的方法，比如GET，POST，PUT等等。 通过随机的方法，选择user-agent:

import randomUA_LIST = [ ’Mozilla/5.0 (compatible; U; ABrowse 0.6; Syllable) AppleWebKit/420+ (KHTML, like Gecko)’, ’Mozilla/5.0 (compatible; MSIE 8.0; Windows NT 6.0; Trident/4.0; Acoo Browser 1.98.744; .NET CLR 3.5.30729)’, ’Mozilla/5.0 (compatible; MSIE 8.0; Windows NT 6.0; Trident/4.0; Acoo Browser 1.98.744; .NET CLR 3.5.30729)’, ’Mozilla/4.0 (compatible; MSIE 8.0; Windows NT 6.0; Trident/4.0; Acoo Browser; GTB5; Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1; SV1) ; InfoPath.1; .NET CLR 3.5.30729; .NET CLR 3.0.30618)’, ’Mozilla/4.0 (compatible; MSIE 8.0; Windows NT 5.1; Trident/4.0; SV1; Acoo Browser; .NET CLR 2.0.50727; .NET CLR 3.0.4506.2152; .NET CLR 3.5.30729; Avant Browser)’, ’Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 6.0; Acoo Browser; SLCC1; .NET CLR 2.0.50727; Media Center PC 5.0; .NET CLR 3.0.04506)’, ’Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 6.0; Acoo Browser; GTB5; Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1; SV1) ; Maxthon; InfoPath.1; .NET CLR 3.5.30729; .NET CLR 3.0.30618)’, ’Mozilla/4.0 (compatible; Mozilla/5.0 (compatible; MSIE 8.0; Windows NT 6.0; Trident/4.0; Acoo Browser 1.98.744; .NET CLR 3.5.30729); Windows NT 5.1; Trident/4.0)’, ’Mozilla/4.0 (compatible; Mozilla/4.0 (compatible; MSIE 8.0; Windows NT 5.1; Trident/4.0; GTB6; Acoo Browser; .NET CLR 1.1.4322; .NET CLR 2.0.50727); Windows NT 5.1; Trident/4.0; Maxthon; .NET CLR 2.0.50727; .NET CLR 1.1.4322; InfoPath.2)’, ’Mozilla/4.0 (compatible; MSIE 8.0; Windows NT 6.0; Trident/4.0; Acoo Browser; GTB6; Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1; SV1) ; InfoPath.1; .NET CLR 3.5.30729; .NET CLR 3.0.30618)’]#随机获取一个user-agentuser_agent = random.choice(UA_LIST)添加headers头部信息的方法1:

url=’http://www.baidu.com/’user_agent = random.choice(UA_LIST)headers = { ’User-Agent’: user_agent}req = request.Request(url=url,headers=headers)respones = request.urlopen(req)添加headers头部信息的方法2:

url=’http://www.baidu.com’headers = { ’User-Agent’: user_agent}#添加user-agent的方法2req = request.Request(url)#请求添加user-agentreq.add_header('User-Agent',user_agent)#获取请求的user-agent agent的a要小写print(req.get_header('User-agent'))response = request.urlopen(req)print(respones.read().decode(’utf-8’))三、request的高级类

在urllib.request模块里的BaseHandler类，他是所有其他Handler的父类，他是一个处理器，比如用它来处理登录验证，处理cookies，代理设置，重定向等。它提供了直接使用和派生类使用的方法：

add_parent(director)：添加director作为父类 close()：关闭它的父类 parent()：打开使用不同的协议或处理错误 defautl_open(req)：捕获所有的URL及子类，在协议打开之前调用 Handler的子类包括：

HTTPDefaultErrorHandler：用来处理http响应错误，错误会抛出HTTPError类的异常HTTPRedirectHandler：用于处理重定向HTTPCookieProcessor：用于处理cookiesProxyHandler：用于设置代理，默认代理为空HTTPPasswordMgr：永远管理密码，它维护用户名和密码表HTTPBasicAuthHandler：用户管理认证，如果一个链接打开时需要认证，可以使用它来实现验证功能

（一）ProxyHandler

如果爬虫需要大量爬取网站数据，为了避免被封号，需要使用代理，通过request.build_opener()方法生成一个opener对象，添加代理的方法如下：

from urllib import request#代理开关，表示是否开启代理proxyswitch =True#构建一个handler处理器对象，参数是一个字典类型，包括代理类型和代理服务器IP+PORTproxyhandler = request.ProxyHandler({'http':'191.96.42.80:3128'})#如果是带用户名和密码的代理，格式为{'http':'username:passwd@191.96.42.80:3128'}#不加代理的handler处理器对象nullproxyhandler = request.ProxyHandler()if proxyswitch: opener = request.build_opener(proxyhandler)else: opener = request.build_opener(nullproxyhandler)req = request.Request('http://www.baidu.com/')response = opener.open(req)print(response.read().decode('utf-8'))（二）ProxyBasicAuthHandler

通过密码管理器的方法实现代理服务器功能

from urllib import request#代理密码管理，也可以管理服务器账户密码#账户密码user = 'username'passwd = 'passwd'#代理服务器proxyserver = '1.1.1.1:9999'#构建密码管理对象，保存需要处理的用户名和密码passmgr = request.HTTPPasswordMgrWithDefaultRealm()#添加账户信息，第一个参数realm是与远程服务器相关的域信息passmgr.add_password(None,proxyserver,user,passwd)#构建基础ProxyBasicAuthHandler处理器对象proxyauth_handler = request.ProxyBasicAuthHandler(passmgr)opener = request.build_opener(proxyauth_handler)req = request.Request('http://www.baidu.com/')response = opener.open(req)（三）ProxyBasicAuthHandler

通过密码管理器的方法实现web认证登陆功能

#web验证from urllib import requesttest = 'test'passwd = '123456'webserver = '1.1.1.1'#构建密码管理器handlerpasswdmgr = request.HTTPPasswordMgrWithDefaultRealm()#添加密码信息passwdmgr.add_password(None,webserver,test,passwd)#HTTP基础验证处理器类http_authhandler = request.HTTPBasicAuthHandler(passwdmgr)opener = request.build_opener(http_authhandler)req = request.Request('http://'+webserver)response = opener.open(req)四、Cookie处理

通过http.cookiejar中的HTTPCookieProcessor构建cookie处理器对象，处理cookie信息

import http.cookiejarfrom urllib import request,parse#模拟登陆先post账户密码#然后保存生成的cookie#通过CookieJar类构件一个coociejar对象,从来保存cookie值cookie = http.cookiejar.CookieJar()#构件cookie处理器对象，用来处理cookiecookie_handler = request.HTTPCookieProcessor(cookie)#构件一个自定义的openeropener = request.build_opener(cookie_handler)#通过自定义的opener的addheaders参数，可以添加HTTP报头参数opener.addheaders = [('User-Agent','Mozilla/5.0 (compatible; U; ABrowse 0.6; Syllable) AppleWebKit/420+ (KHTML, like Gecko)'),]#需要登陆的接口url = ’http://www.renren.com/PLogin.do’#需要登陆的账户密码data = { 'email':'renren账号', 'password':'密码'}#数据处理data = bytes(parse.urlencode(data),’utf-8’)#第一次是POST请求，通过登陆账户密码，得到cookiereq = request.Request(url,data=data)#发送第一次POST请求，生成登陆后的cookieresponse = opener.open(req)print(response.read().decode('utf-8'))#此时的opener已经包含了该链接下的cookie，此时使用该opener就可以直接访问该站点下其他的网页而不需要再登陆了opener.open(http://www.renren.com/PLogin.doxxxxxxxxxxxxx)

以上就是python爬虫基础之urllib的使用的详细内容，更多关于python 爬虫urllib的资料请关注好吧啦网其它相关文章！