urllib库是Python内置的HTTP请求库,包含4个模块 1)request:它是最基本的HTTP请求模板,可以用来模拟发送请求 2)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,然后可以进行重试或其他操作来保证程序不会意外终止 3)parse:一个工具模块,提供许多URL处理方法,如拆分,解析合并等 4)robotparser:主要用来识别网站的robots.txt文件,然后判断哪些网站可以爬,哪些网站不可以爬 一.发送请求使用urllib的request模块,可以方便地实现请求的发送并得到响应 1)urlopen()urlopen()方法除了第一个参数可以传递URL外,还可以传递其他内容,比如data,timeout等 A.data参数 data参数是可选的。如果要添加该参数,并且如果它是字节流编码格式的内容,即bytes类型,则需要通过bytes()方法转化。如果传递了这个参数,则它的请求方式不再是GET方式,而是POST方式 B.timeout参数 timeout参数用于设置超时时间,单位为秒,如果请求超出了设置时间,还没有得到响应,就会抛出异常,如果不知道该参数,就会使用全局默认时间,它支持HTTP,HTTPS,FTP请求 C.其他参数 context参数,它是必须是ssl.SSLContext类型用来指定SSL设置 此外,cafile和capath这两个参数用来指定CA证书和他的路径,这个在请求HTTPS链接时有用 2)Requesturlopen()方法可以实现最基本请求的发起,但其简单的参数并不足以构建一个完整的请求,如果需要在请求中/加入Headers等信息,则需要利用强大的Request来构建 Request参数构造方法 1)第一个参数url用于请求URL,这是必传参数,其他都是可选参数 2)第二个参数data如果要传,必须传bytes(字节流)类型的,如果它是字典,可以先用urllib。parse模块里的urlencode()编码 3)第三个参数headers是一个字典,它就是请求头,可以在构造请求时通过headers参数直接构造,也可以通过调用请求实例的add_header()方法调用 4)第四个参数origin_req_host指的是请求方的host名称或者IP地址 5)第五个参数unverifiable表示这个请求是否是无法验证的,默认为false,意思是用户没有足够的权限来选择接收这个请求的结果 6)第六个参数method是一个字符串,用来指示请求使用的方法,如GET,POST和PUT等 from urllib import request,parse url="http:///post" headers={ 'User-Agent':'Mozilla/4.0(compatible;MSIE 5.5;Windows NT)', 'Host':'' } dict={ 'name':'Germey' } data=bytes(parse.urlencode(dict),encoding='utf-8') req=request.Request(url=url,data=data,headers=headers,method='POST') response=request.urlopen(req) print(response.read().decode("utf-8")) 3)高级用法对于一些高级操作,如Cookies处理,代理设置等,就要用到Handler,可以把它理解为各种处理器,有专门处理登录验证的,有处理Cookies的,有处理代理设置的 urllib.request模块里的BaseHandler类是所有其他Handler的父类,它提供了最基本的方法 下面是各种Handler子类继承这个BaseHandler类 1)HTTPDefaultErroeHandler: 用于处理HTTP响应错误,错误都会抛出HTTPError类型的异常 2)HTTPRedirectHandler: 用于处理重定向 3)HTTPCookieProcessor: 用于处理Cookies 4)ProxyHandler:用于设置代理,默认代理为空 5)HTTPPasswordMgr:用于管理密码,它维护了用户名和密码的表 6)HTTPBasicAuthHandler:用于管理认证,如果一个链接打开时需要认证,那么可以用它来解决认证问题 另外一个比较重要的类是OpenerDirector,我们可以称为Opener,之前用过的urlopen()实际上就是urllib为我们提供的一个Opener 我们需要实现更高级的功能,所以需要深入一层进行配置,使用更底层的实例来完成操作,所以就用到Opener,Opener可以使用open()方法,返回类型和urlopen()一样 利用Hanler来构建Opener 用法: A.验证 有些网站需要输入用户名和密码,验证成功后才能查看页面,要请求这样的页面,需要借助HTTPBasicAuthHandler就可以完成 from urllib.request import HTTPPasswordWithDefaultRealm,HTTPBasicAuthHandler,build_opener from urllib.error import URLError username='username' password='password' url='http://localhost:5000/' p=HTTPPasswordWithDefaultRealm() p.add_passsword(None,url,username,password) auth_handler=HTTPBasicAuthHandler(p) opener=built_opener(auth_handler) try: result=opener.open(url) html=result.read().decode('utf-8') print(html) except URLError as e: print(e.reason) B.代理 在做爬虫时,如果要添加代理,可以这样做 from urllib.error import URLError from urllib.request import ProxyHandler,build_opener proxy_handler =ProxyHandler({ 'http':'http://127.0.0.1:9743', 'https':'https://127.0.0.1:9743' }) opener=build_opener(proxy_handler) try: response=opener.open('https://www.baidu.com') print(resposne.read().decode("urtf-8")) except URLError as e: print(e.reason) 使用ProxyHandler,其参数是一个字典,键名是协议类型(如HTTP或HTTTPS),键值是代理链接,可以添加多个代理 C.Cookies Cookies的处理就需要相关的Handler from urllib.request import HTTPCookieProcessor,build_opener import http.cookiejar cookie=http.cookiejar.CookieJar() handler=HTTPCookieProcessor(cookie) opener=build_opener(handler) response=opener.open("https://www.baidu.com") for i in cookie: print(i.name '=' i.value) 这样可以看到每条Cookie的名称和值 将cookie以文本形式保存代码如下 import http.cookiejar,urllib.request filename='Cookies.text' cookie=http.cookiejar.MozillaCookieJar(filename) handler=urllib.request.HTTPCookieProcessor(cookie) opener=urllib.request.build_opener(handler) response=opener.open("https://www.baidu.com") cookie.save(ignore_discard=True,ignore_expires=True) MozillaCookieJar才生成文件时会用到,时CookieJar的子类。可以用来处理Cookies和文件相关的事件,比如读取和保存Cookies,可以将Cookies保存成Mozilla型浏览器的Cookies格式 LWPCookieJar也可以读取和保存Cookies,但是保存的格式和MozillaCookieJar的不一样,它会保存成libwww-perl(LWP)格式的Cookies文件 从文件中读取: import http.cookiejar,urllib.request cookie=http.cookiejar.MozillaCookieJar() cookie.load('Cookies.txt',ignore_discard=True,ignore_expires=True) handler=urllib.request.HTTPCookieProcessor(cookie) opener=urllib.request.build_opener(handler) response=opener.open("https://www.baidu.com") print(response.read().decode('utf-8')) 二.处理异常urllib的error模块定义了由request模块产生的异常。如果出现了问题,request模块便会抛出error中定义的异常 A.URLError URLError类来自urllib库的error模块,它继承自OSError类,是error异常模块的基类,有request模块生的异常都可以通过这个类来处理 from urllib import request,error try: response=request.urlopen("https://www.") except error.URLError as e: print(e.reason) B.HTTPError 它是URLError的子类,专门用来处理HTTP请求错误,比如认证请求失败,它有三个属性 1)code:返回HTTP状态码,比如404表示网页不存在,500表示服务器内部错误 2)reason:同父类一样,用于返回错误的原因 3)headers:返回请求头 from urllib import request,error try: response=request.urlopen("https:///index.htm") except error.HTTPError as e: print(e.code,e.reason,e.headers) 三.解析链接urllib库还提供了parse模块,它定义了处理URL的标准接口,例如实现URL各部分的抽取,合并以及链接转换 1)urlparse该方法可以实现URL的识别和分段 from urllib.parse import urlparse result=urlparse("https://www.dengwenxiong/index.html;user?id=5#comment") print(result) ParseResult(scheme='https', netloc='www.dengwenxiong', path='/index.html', params='user', query='id=5', fragment='comment') 其将url分为6部分scheme表示协议,netloc表示域名,path表示访问路径,params表示参数,query表示查询条件,fragment表示锚点,用于直接定位页面内部的下拉位置 urlparse()有三个参数:urlstring,scheme和allow_fragments uslstring是必填项,即待解析的URL scheme:它是默认的协议,假如链接没有协议,会将这个作为默认的协议 allow_fragments:即是否忽略fragment,如果它被设置为false,fragment部分被忽略,它会被解析成path,parameters或者query的一部分,而fragment部分为空 2)urlunparse它接受的参数是一个可迭代对象,但是它的长度必须是6,否则会抛出参数数量不足或者过多的问题 from urllib.parse import urlunparse data=('https','www.baidu.com','index.html','user','a=6','comment') print(urlunparse(data)) 3)urlsplit()这个方法和urlparse()方法非常相似,只不过它不在单独解析params这一部分,只返回5个结果,params会合并到path中,可以用属性获取值,也可以用索引来获取 4)urlunsplit()与urlunparse()类似,也是将链接各个部分组合成完整链接的方法,传入的参数也是一个可迭代对象,唯一的区别是长度必须为5 5)urljoin()生成链接除了上面两个方法,还有就是urljoin()方法,可以提供一个base_url(基础链接)作为第一个参数,将新的链接作为第二个参数,该方法会分析base_url的scheme,netloc和path这三个内容并对新链接缺失的部分进行补充 base_url提供三项内容scheme,netloc和path,如果这3项在新的链接里不存在,就予以补充,如果新的链接存在,就使用新的链接的部分,而base_url中的params,query和fragment是不起作用的 from urllib.parse import urljoin print(urljoin('http://www.baidu.com','FAQ.html')) 6)urlencode()它在构造get请求参数的时候非常有用 from urllib.parse import urlencode params={ 'name':'dwx', 'age':22 } base_url='http://www.baidu.com?' url=base_url urlencode(params) print(url) 7)parse_qs()有了序列化就要有反序列化,如果有一串GET请求参数,利用parse_qs()方法能将其转回字典 from urllib.parse import parse_qs query="name=dengwenxiong&age=22" print(parse_qs(query)) 8)parse_qsl()它用于将参数转化为元组组成的列表 9)quote()该方法可以将内容转化为URL格式 from urllib.parse import quote key="邓文雄" url="http://www.baidu.com/s?wd=" quote(key) print(url) 10)unquote()可以对URL进行解码 from urllib.parse import unquote key="邓文雄" print(unquote(key)) 三.分析Robots协议利用urllib的robotparser模块,我们可以实现网站Robots协议的分析 1)Robots协议Robots协议也称为爬虫协议,机器人协议,全名为网络爬虫排除标准(Robots Exclusion Protocol),用来告诉爬虫和搜索引擎哪些页面可以抓取,哪些页面不可抓取。它通常是一个叫作robots.txt的文本文件,一般放在网站的根目录下。 当搜索爬虫访问一个站点时,它会首先检查这。个站点根目录下是否存在robots.txt文件,如果存在,搜索爬虫会根据其中定义的爬取范围来爬取,如果没有找到这个文件,搜索爬虫便会访问所以可直接访问的页面 下面是一个robot.txt的样例 A.对所有搜索爬虫只允许爬取public目录 User-agent:* Disallow:/ Allow:/public/ User-agent描述了搜索爬虫的名称,这里设置为*则代表该协议对任何爬取爬虫有效 Disallow指定了不允许抓取的目录,设置为/则代表不允许抓取所有页面 Allow一般和Disallow一起使用,一般不会单独使用,用来排除某些限制,这里设置为/public/则表示所有页面不允许抓取,但可以抓取public目录 B.禁止所有爬虫访问任何目录 User-agent:* Disallow:/ C.允许所有爬虫访问任何目录 User-agent:* Disallow: D.禁止所有爬虫访问网站某些目录 User-agent:* Disallow:/private/ Disallow:/tmp/ E.只允许某一个爬虫访问 User-agent:WebCrawler Disallow: User-agent:* Disallow:/ 2)爬虫名称一些常见搜索爬虫的名称即其对应的网站
3)robotparser可以用robotparser模块来解析robots.txt;该模块提供了一个类RobotFileParser,它可以根据某网站的robots.txt文件来判断一个爬取爬虫是否有权限来爬取这个网页;这个类用起来非常简单,只需要在构造方法里传入robots.txt的链接即可,其声明如下: urllib.robotparser.RobotFileParser(url=' ') 也可以在声明时不传入,默认为空,使用set_url()方法设置也行; 这个类常用的几个方法: 1)set_url():用来设置robots.txt文件的链接。如果在创建RobotFileParser对象时传入了链接,那么就不需要再使用这个方法设置了 2)read():读取robots.txt文件并进行分析,这个方法执行一个读取和分析操作,如果不调用这个方法,接下来的判断都会为false,所以一定要调用这个方法,这个方法不返回任何内容,但是执行了读取操作 3)parse():用来解析robots.txt文件,传入的参数是robots.txt某些行的内容,它会按照robots.txt的语法规则来分析这些内容 4)can_fetch():该方法传入两个参数,第一个是User-agent,第二个是要抓取的URL。返回的内容是该搜索引擎是否可以抓取这个URL,返回的结果是True或False 5)mtime():返回的是上次抓取和分析robots.txt的时间,这对于长时间分析和抓取的搜索爬虫是很有必要的,你可能需要定期检查来抓取最新的robots.txt 6)modified():它对长时间分析和抓取的搜索爬虫很有帮助,将当前时间设置为上次抓取和分析robots.txt的时间 from urllib.robotparser import RobotFileParser rp=RobotFileParser() rp.set_url('http://www.jianshu.com/robots.txt') rp.read()#也可用parse()读取和分析rp.parse(urlopen('http://www.jianshu.com/robots.txt').read().decode('utf-8').split('\n')) print(rp.can_fetch('*','http://www.jianshu.com/')) 来源:https://www./content-4-369601.html |
|