Python爬虫之urllib基础用法教程
综述
本系列文档用于对Python爬虫技术进行简单的教程讲解，巩固自己技术知识的同时，万一一不小心又正好对你有用那就更好了。
Python版本是3.7.4
urllib库介绍
它是Python内置的HTTP请求库，也就是说我们不需要额外安装即可使用，它包含四个模块(主要对前三个模块进行学习)：
- 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，就像在浏览器里输入网址然后敲击回车一样，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: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:用于解析URL，提供了许多URL处理方法，比如拆分、解析、合并等等的方法，以及对参数的拼接等待。
- robotparser:主要是用来识别网站的robots.txt协议文件，然后判断网站的那些数据可以爬，哪些数据不可以爬的，其实用的比较少。
urllib.request介绍
urlopen()
1.参数说明(仅写了四个最常用的参数)
url:爬取目标的URL；
data:请求参数，如果设置该参数，则请求默认为post请求；没有默认为get请求；
timeout:用于设置超时时间，单位为秒；
context:必须是一个ssl.SSLContext类型,用来指定SSL设置,忽略未认证的CA证书;
2.具体用法
GET请求方式
#导入urllib库
importurllib.request
#向指定的url发送请求，并返回服务器响应的类文件对象
url="http://www.baidu.com"
response=urllib.request.urlopen(url=url)
print(type(response))
#类文件对象支持文件对象的操作方法，如read()方法读取文件全部内容，返回字符串
html=response.read()
#html=response.readline()#读取一行
#html=response.readlines()#读取多行，返回列表
#打印响应结果（byte类型）
print(html)
#打印响应结果（utf-8类型）
#二进制和字符串之间的相互转码使用encode()和decode()函数
#encode()和decode()可带参数，不写默认utf-8，其他不再特别说明
print(html.decode())
#打印状态码
#print(response.get_code())
print(response.status)
#获取响应头
print(response.getheaders())
#获取响应头Server信息
print(response.getheader('Server'))
#获取响应结果原因
print(response.reason)
POST请求方式
#导入urllib库
importurllib.parse
importurllib.request
#向指定的url发送请求，并返回
post_url='https://fanyi.baidu.com/sug'
#传入参数
form_data={
'kw':'honey'
}
#格式化参数
form_data=urllib.parse.urlencode(form_data).encode()
response=urllib.request.urlopen(url=post_url,data=form_data)
#打印服务器响应的类文件对象
print(type(response))
#类文件对象支持文件对象的操作方法，如read()方法读取文件全部内容，返回字符串
html=response.read()
#打印响应结果（byte类型）
print(html)
#打印响应结果（utf-8类型）
print(html.decode())
#打印状态码
print(response.status)
#print(response.getcode())
#获取响应头
print(response.getheaders())
#获取响应头Server信息
print(response.getheader('Server'))
#获取响应结果原因
print(response.reason)
urlretrleve()
1.参数说明
url:下载链接地址；
filename:指定保存本地路径(如果参数未指定，urllib会生成一个临时文件保存数据)；
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；
data:指post导服务器的数据，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;
2.具体用法
#引入所需要的库
importos
importurllib.request
#定义回调函数
defcall_back(a,b,c):
"""
图片下载回调
:parama:已经下载的数据块
:paramb:数据块的大小
:paramc:远程文件的大小
:return:
"""
per=100.0*a*b/c
ifper>100:
per=100
print('%.2f%%'%per)
#定义下下载的地址
url='http://www.baidu.com'
#构造文件保存路径
path=os.path.abspath('.')
file_path=os.path.join(path,'baidu.html')
#进行下载
urllib.request.urlretrieve(url,file_path,call_back)
urllib.parse介绍
urlencode()
1.参数说明
query:url参数，可以是字符串，也可以是字典；
encoding:编码方式；
2.具体用法
#引入所需要的库
importurllib.parse
#参数数据
data={
'name':'张三',
'age':26
}
#进行编码
ret=urllib.parse.urlencode(data)
print(ret)
parse_s()
1.参数说明
qs:url参数，编码后的字符串；
encoding:字符方式；
2.具体用法
#引入所需要的库
importurllib.parse
#参数数据
data={
'name':'张三',
'age':26
}
#进行编码
ret1=urllib.parse.urlencode(data)
print(ret1)
#进行解码
ret2=urllib.parse.parse_qs(ret1)
print(ret2)
urlparse()
1.参数说明
url:url地址字符串；
2.具体用法
#引入所需要的库
importurllib.parse
#声明url
url="https://www.baidu.com/s?wd=urlparse&rsv_spt=1&rsv_iqid=0x921f00fe005646ef&issp=1&f=8"
#进行url解析
ret=urllib.parse.urlparse(url)
print(ret)
print('scheme:',ret.scheme)#协议
print('netloc:',ret.netloc)#域名服务器
print('path:',ret.path)#相对路径
print('params:',ret.params)#路径端参数
print('fragment:',ret.fragment)#片段
print('query:',ret.query)#查询
#urlunparse()与urlparse()对应相反函数
#使用urlparse的格式组合成一个url，可以直接将urlparse的返回传递组合
ret1=urllib.parse.urlunparse(ret)
print(ret1)
urlsplit()
1.参数说明
url:url地址字符串；
2.具体用法
#引入所需要的库
importurllib.parse
#声明url
url="https://www.baidu.com/s?wd=urlparse&rsv_spt=1&rsv_iqid=0x921f00fe005646ef&issp=1&f=8"
#进行url解析
ret=urllib.parse.urlsplit(url)
print(ret)
print('scheme:',ret.scheme)#协议
print('netloc:',ret.netloc)#域名服务器
print('path:',ret.path)#相对路径
print('fragment:',ret.fragment)#片段
print('query:',ret.query)#查询
#urlunsplit()与urlsplit()对应相反函数
#使用urlsplit的格式组合成一个url，可以直接将urlsplit的返回传递组合
ret1=urllib.parse.urlunsplit(ret)
print(ret1)
#此函数和urlparse函数的区别在于此函数没有params
urljoin()
1.参数说明
qs:url参数，编码后的字符串；
encoding:字符方式；
2.具体用法
#引入所需要的库
importurllib.parse
#声明url
url="https://www.baidu.com/"
#参数数据
data={
'name':'张三',
'age':26
}
#格式化参数
data=urllib.parse.urlencode(data)
#进行url拼接
ret=urllib.parse.urljoin(url,data)
print(ret)
urllib.error介绍
我们在爬虫的时候发请求的时候难免出现错误，如访问不到服务器或者访问被禁止等等，error分为URLError和HTTPError两类：
1.URLError
没有网
服务器链接失败
找不大指定服务器
2.HTTPError
是URLError的子类
3.两者区别和联系
1）.URLError封装的错误信息一般是由网络引起的，包括url错误
2）.HTTPError封装的错误信息一般是服务器返回了错误状态码
3）.URLError是OSERROR的子类，HTTPError是URLError的子类
4）.【注意】两个同时捕获的时候需要将子类放在上面，父类放在下面
用法
#引入所需要的库 importurllib.error importurllib.request #一个访问异常的url url='https://www.mz.com/156427/100' #捕获异常 try: ret=urllib.request.urlopen(url) print(ret) excepturllib.error.HTTPErrorase: print(e.getcode()) excepturllib.error.URLErrorase: print(e)
以上就是本文的全部内容，希望对大家的学习有所帮助，也希望大家多多支持毛票票。