URLLib库使用

Date: 2019-06-19

Author: Sun

urllib

​ 在Python 3以后的版本中，urllib2这个模块已经不单独存在（也就是说当你import urllib2时，系统提示你没这个模块），urllib2被合并到了urllib中，叫做urllib.request 和 urllib.error

urllib整个模块分为urllib.request, urllib.parse, urllib.error。

urllib是一个包含几个模块来处理请求的库。

分别是：

• urllib.request 发送http请求
• urllib.error 处理请求过程中,出现的异常。
• urllib.parse 解析url
• urllib.robotparser 解析robots.txt 文件

网页抓取

​ 所谓网页抓取，就是把URL地址中指定的网络资源从网络流中读取出来，保存到本地。 在Python中有很多库可以用来抓取网页，我们先学习urllib.request库。

1. urlopen

定义：

urlopen(url, data=None, timeout=socket._GLOBAL_DEFAULT_TIMEOUT,
*, cafile=None, capath=None, cadefault=False, context=None)

功能：

像读文件一样读网页

案例1：

采用urllib抓取百度网页

# -*- coding: utf-8 -*-
__author__ = 'sun'
__date__ = '2019/6/19 9:54'

#import urllib.request
from urllib import request

# 向指定的url地址发送请求，并返回服务器响应的类文件对象
response = request.urlopen("http://www.baidu.com/")

# 服务器返回的类文件对象支持Python文件对象的操作方法
# read()方法就是读取文件里的全部内容，返回字符串
html = response.read().decode('utf-8')   # bytes  ---》 str   decode
                                         # str    --> bytes   encode

# 打印响应内容
print(html)

2. urlretrieve

`>>> ``help``(urllib.urlretrieve)`

urlretrieve(url, filename=None, reporthook=None, data=None) 

- 参数 finename 指定了保存本地路径（如果参数未指定，urllib会生成一个临时文件保存数据。）
- 参数 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。
- 参数 data 指 post 到服务器的数据，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。

功能：下载网页到文件

url = 'http://www.python.org/ftp/python/2.7.5/Python-2.7.5.tar.bz2'
urllib.urlretrieve(url,local)

下载百度网站，保存到本地文件

from urllib import request

baidu = request.urlretrieve('http://www.baidu.com','F:\\TX课堂\\授课内容\\第二部分-网络爬虫\\课件\\day02\\doc\\badu.html')

#如果urlretrieve不传文件名的话会自动生成，运行完程序可以删除
request.urlcleanup()
#urlcleanup 
#清除urlretrieve产生的临时文件，及opener对象 

扩展：

加入下载进度

from urllib import  request
import os
def Schedule(a,b,c):
    '''''
    a:已经下载的数据块
    b:数据块的大小
    c:远程文件的大小
    '''
    per = 100.0 * a * b / c
    if per > 100 :
        per = 100
    print('%.2f%%' % per)

url = 'http://www.python.org/ftp/python/2.7.5/Python-2.7.5.tar.bz2'
#local = url.split('/')[-1]
#local = os.path.join('/data/software','Python-2.7.5.tar.bz2')
local = os.path.join('F:\\TX课堂\\授课内容\\第二部分-网络爬虫\\课件\\day02\\doc','Python-2.7.5.tar.bz2')
request.urlretrieve(url,local,Schedule)

3. Request对象

class Request:
    def __init__(self, url, data=None, headers={},  origin_req_host=None, unverifiable=False, method=None)
# url是网址，data数据，header头消息，origin_req_host相当于referrer，method请求的方法（如get，post）

需要添加headers头信息，urlopen不支持，需要使用Request

案例：访问简书网站信息

# -*- coding: utf-8 -*-
__author__ = 'sun'
__date__ = '2019/6/19 9:54'

from urllib import  request
from urllib.request import Request

url = 'https://www.jianshu.com'
# 增加header
headers = {
'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/58.0.3029.96 Safari/537.36',
}
req = Request(url,headers=headers)    #多一层封装
# or   req.add_header("Connection", "keep-alive")
response = request.urlopen(req)
html = response.read().decode('utf-8')    # read()方法就是读取文件里的全部内容，返回字符串
#在urllib里面 判断是get请求还是post请求，就是判断是否提交了data参数
print(f'method:{req.get_method()}')
code = response.getcode()   #返回码
resp_url = response.geturl()
resp_head_info = response.info()
print("#####################")
print(f"response code:{code}, url:{resp_url}")
print(f"head_info:{resp_head_info}")

4. urllib.error

urllib.error可以接收有urllib.request产生的异常。urllib.error中常用的有两个方法，URLError和HTTPError。URLError是OSError的一个子类，

HTTPError是URLError的一个子类，服务器上HTTP的响应会返回一个状态码，根据这个HTTP状态码，我们可以知道我们的访问是否成功。

URLError

URLError产生原因一般是: 网络无法连接、服务器不存在等。

例如访问一个不存在的url

import urllib.error
from urllib  import  request
requset = urllib.request.Request('http://www.usahfkjashfj.com/')   #无效url
try:
    urllib.request.urlopen(requset).read()
except urllib.error.URLError as e:
    print(e.reason)
else:
    print('success')

5. 设置代理

（1）UA代理

USER_AGENTS = [
    "Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; Win64; x64; Trident/5.0; .NET CLR 3.5.30729; .NET CLR 3.0.30729; .NET CLR 2.0.50727; Media Center PC 6.0)",
    "Mozilla/5.0 (compatible; MSIE 8.0; Windows NT 6.0; Trident/4.0; WOW64; Trident/4.0; SLCC2; .NET CLR 2.0.50727; .NET CLR 3.5.30729; .NET CLR 3.0.30729; .NET CLR 1.0.3705; .NET CLR 1.1.4322)",
    "Mozilla/4.0 (compatible; MSIE 7.0b; Windows NT 5.2; .NET CLR 1.1.4322; .NET CLR 2.0.50727; InfoPath.2; .NET CLR 3.0.04506.30)",
    "Mozilla/5.0 (Windows; U; Windows NT 5.1; zh-CN) AppleWebKit/523.15 (KHTML, like Gecko, Safari/419.3) Arora/0.3 (Change: 287 c9dfb30)",
    "Mozilla/5.0 (X11; U; Linux; en-US) AppleWebKit/527+ (KHTML, like Gecko, Safari/419.3) Arora/0.6",
    "Mozilla/5.0 (Windows; U; Windows NT 5.1; en-US; rv:1.8.1.2pre) Gecko/20070215 K-Ninja/2.1.1",
    "Mozilla/5.0 (Windows; U; Windows NT 5.1; zh-CN; rv:1.9) Gecko/20080705 Firefox/3.0 Kapiko/3.0",
    "Mozilla/5.0 (X11; Linux i686; U;) Gecko/20070322 Kazehakase/0.4.5"
]
user_agent = random.choice(USER_AGENTS)

headers = {
    'User-Agent': user_agent
}

（2）IP代理

当需要抓取的网站设置了访问限制，这时就需要用到代理来抓取数据。

# -*- coding: utf-8 -*-
__author__ = 'sun'
__date__ = '2019/6/19 9:54'

from urllib import  request
from urllib.request import Request

from urllib.error import URLError

from urllib.request import ProxyHandler, build_opener

url = 'http://httpbin.org/get'
#url = 'http://www.baidu.com'

proxy = '39.134.108.89:8080'
# 参数是字典，键名是协议类型，健值是代理
proxy_handler = ProxyHandler({
    'http': 'http://' + proxy,
    'https': 'https://' + proxy
})
# Opener已经设置好代理了
opener = build_opener(proxy_handler)
try:
    response = opener.open(url)
    # 运行结果是一个JSON
    print(response.read().decode('utf-8'))
except URLError as e:
    print(e.reason)

client --------> server

IP proxy

client ----> proxy ----> server