Python爬虫从入门到进阶(2)之urllib库的使用

1.什么是Urllib(官网地址：https://docs.python.org/3/library/urllib.html#module-urllib)

Urllib是python内置的HTTP请求库

包括以下模块:

　　urllib.request 请求模块

　　urllib.error 异常处理模块

　　urllib.parse url解析模块

　　urllib.robotparser robots.txt解析模块

2.urllib.request

　　(1)urllib.request.urlopen(url, data=None, [timeout, ]*, cafile=None, capath=None, cadefault=False, context=None)

1 参数简介：

url：是字符串类型或者 Request 对象

data:必须是指定要发送到服务器的额外数据的对象，如果不需要这样的数据，则为None。

timeout:可选，为阻塞操作指定以秒为单位的超时时间。不指定，将使用全局默认超时设置，实际上只适用于HTTP、HTTPS和FTP连接。

context：如果指定了 context，它必须是 ssl.SSLContext 的实例

cafile，capath：可选参数为HTTPS请求指定一组受信任的CA证书

2.返回值:对于HTTP和HTTPS url，该函数返回 http.client.HTTPResponse对象

# 1.urlopen中 url 参数的使用以及 Response 的使用
def get():
    request_url = 'http://www.python.org/'
    # 创建请求对象
    request = Request(request_url)
    response = urlopen(request, context=ssl._create_unverified_context())

    # 响应体:Response相关的使用
    print(type(response))  # <class 'http.client.HTTPResponse'>
    print(response.status)  # 200
    print(response.getheaders())
    print(response.getheader('Server'))  # nginx

    # response.read()读取网页的全部内容
    data = response.read()
    # response.readline() 读取网页的一行内容
    data_line = response.readline()
    print(data)
    print(data_line)


# 2.带参数的 get 方法
def get_params():
    request_url = 'http://httpbin.org/get?name={}'
    # 拼接参数
    # keyword = 'nalanrongruo'
    keyword = '纳兰容若'
    final_url = request_url.format(quote(keyword))
    # quote(keyword) 将包含汉字的网址进行转译,要不然会报错: UnicodeEncodeError: 'ascii' codec can't encode characters in position
    # 10-11: ordinal not in range(128) python是解释性语言;解析器只支持ascii(0-127)
    print(final_url)
    request = Request(final_url)
    response = urlopen(request)

    data = response.read().decode('utf-8')

    print(data)


# 3.get的字典参数
def get_dict_params():
    base_url = 'http://httpbin.org/get?'
    params = {
        'wd': '纳兰容若',
        'name': '纳兰容若',
        'age': '21'
    }
    # 将字典或者元祖转换成URL可识别
    str_params = urlencode(params)
    print(str_params)
    request_url = base_url + str_params

    # 如果你的url已经是计算机可以识别的状态,那么不转换
    end_url = quote(request_url, safe=string.printable)
    print(end_url)

    # 返回的响应对象
    response = urlopen(end_url)

    print(response.read().decode('utf-8'))

　　(2)urllib.request.build_opener([handler, ...])

参数：BaseHandler的实例或者子类：ProxyHandler(如果检测到代理设置)、UnknownHandler、HTTPHandler、HTTPDefaultErrorHandler、HTTPRedirectHandler、
FTPHandler、FileHandler、HTTPErrorProcessor。　　

　　(3)class urllib.request.Request(url, data=None, headers={}, origin_req_host=None, unverifiable=False, method=None)

 　　Request :这个类是URL请求的抽象。

　　url:是包含可用 URL 的字符串类型

　　data:必须是指定要发送到服务器的额外数据的对象，如果不需要这样的数据，则为None。对于 HTTP POST 请求data 必须是标准application/x-www-form-urlencoded格式化

　　headers：是一个字典，并将被视为使用每个键和值作为参数调用add_header()。这通常用于“欺骗”用户代理头值，浏览器使用该头值来标识自身——一些HTTP服务器只允许来自普通浏览器的请求，而不允许来自脚本。如果参数不为空，则应包含Content-Type头。如果没提供 header，且 data 不是 None，则应该添加默认的Content-Type: application/x-www-form-urlencoded

　　method：是一个字符串，该字符串指示将使用的HTTP请求方法。如果提供，它的值存储在方法属性中，并由get_method()使用。如果data为空，默认为“GET”，否则为“POST”。
子类可以通过在类本身中设置方法属性来指示不同的默认方法。

# post请求
def post():
    request_url = 'http://httpbin.org/post'
    data = {
        'wd': '纳兰容若',
        'name': '纳兰容若',
        'age': '21'
    }
    # 返回的响应对象
    response = urlopen(request_url, data=data)
    print(response.read().decode('utf-8'))


# 4.添加请求头,模拟真实浏览器器发送请求
def request_header():
    request_url = 'http://httpbin.org/get'
    # 创建请求对象
    # 1) 添加 header
    # headers = {
    #     'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_14_0) AppleWebKit/537.36 (KHTML, like Gecko) '
    #     'Chrome/70.0.3538.102 Safari/537.36'
    # }
    # request = Request(request_url, headers=headers)

    # 2).动态的添加header的信息
    request = Request(request_url)
    request.add_header('User-Agent',
                       'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_14_0) AppleWebKit/537.36 (KHTML, like Gecko) '
                       'Chrome/70.0.3538.102 Safari/537.36')

    response = urlopen(request)
    print(response.read().decode('utf-8'))


# 5.随机添加User-Agent,避免被屏蔽
def random_request_header():
    # 百度一下:https://blog.csdn.net/rookie_is_me/article/details/81634048
    user_agent_list = [
        'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/535.1 (KHTML, like Gecko) Chrome/14.0.835.163 Safari/535.1',
        'Mozilla/5.0 (Windows NT 6.1; WOW64; rv:6.0) Gecko/20100101 Firefox/6.0',
        'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/534.50 (KHTML, like Gecko) Version/5.1 Safari/534.50',
        'Opera/9.80 (Windows NT 6.1; U; zh-cn) Presto/2.9.168 Version/11.50',
        'Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; Win64; x64; Trident/5.0; .NET CLR 2.0.50727; SLCC2; .NET '
        'CLR 3.5.30729; .NET CLR 3.0.30729; Media Center PC 6.0; InfoPath.3; .NET4.0C; Tablet PC 2.0; .NET4.0E)']

    # 每次请求的浏览器都是不一样
    random_user_agent = random.choice(user_agent_list)
    print(random_user_agent)
    request_url = 'http://www.python.org/'
    request = Request(request_url)
    # 增加对应请求头的信息
    request.add_header("User-Agent", random_user_agent)
    response = urlopen(request, context=ssl._create_unverified_context())

    print(response)

    # 打印请求头信息
    print(request.get_header("User-agent"))

　　(4)各种高级用法handler

# 6.高级用法各种handler
def http_handler_opener():
    # 系统的方法_have_ssl CA证书安全 套阶层
    # 系统的urlopen这个方法没有实现加ip的方法
    url = "http://www.baidu.com/"

    # 创建自己的处理器
    handler = HTTPHandler()
    # 创建自己的opener
    opener = build_opener(handler)
    # 用自己创建的opener来发送请求
    response = opener.open(url)

    data = response.read().decode("utf-8")
    print(data)


def proxy_handler():
    url = "http://www.baidu.com/"

    # 添加代理
    # 免费ip
    proxy = {
        "http": "http://112.87.71.146:9999"
    }

    # 代理ip处理器
    ip_handler = ProxyHandler(proxy)
    # 创建自己的opener
    opener = build_opener(ip_handler)
    # 拿着代理ip发送网络请求
    response = opener.open(url, timeout=10)
    data = response.read().decode("utf-8")
    print(data)


def random_proxy_handler():
    proxy_list = [
        {"http": "http://119.101.116.204:9999"},
        {"http": "hhttp://119.101.119.33:9999"},
        {"http": "http://117.85.49.123:9999"},
        {"http": "http://112.85.167.223:9999"},
        {"http": "http://119.101.112.145:9999"}
    ]
    for proxy in proxy_list:
        # print(proxy)
        # 利用对应遍历出来的ip地址创建处理器
        ip_handler = ProxyHandler(proxy)
        # 利用处理器创建opener
        opener = build_opener(ip_handler)
        try:
            response = opener.open("http://www.baidu.com", timeout=10)
            data = response.read()
            print(data)
        except Exception as e:
            print(e)


def auth_user():
    # 1.定义账号和密码
    user = "admin"
    pwd = "123456"
    nei_url = "http://www.baidu.com"

    # 创建密码管理器
    pwd_manager = HTTPPasswordMgrWithDefaultRealm()

    pwd_manager.add_password(None, nei_url, user, pwd)

    # 创建认证处理器
    auth_handler = HTTPBasicAuthHandler()

    opener = build_opener(auth_handler)

    response = opener.open(nei_url, timeout=10)
    print(response.read())

3.urllib.error

是urllib.request引发的异常定义异常类。基本异常类是URLError

urllib.error.URLError

urllib.error.HTTPError

def error():
    url = "https://blog.csdn.net/weidan0302/article/details/110"

    try:
        urlopen(url, context=ssl._create_unverified_context())
    except urllib.error.HTTPError as error:
        print(error.code)

    except urllib.request.URLError as error:
        print(error)

点击下载代码