Python3学习笔记(urllib模块的使用)

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

-         url:  需要打开的网址

-         data:Post提交的数据

-         timeout:设置网站的访问超时时间

直接用urllib.request模块的urlopen()获取页面,page的数据格式为bytes类型,需要decode()解码,转换成str类型。

  1 from urllib import request
  2 
  3 response = request.urlopen(r'http://python.org/') # <http.client.HTTPResponse object at 0x00000000048BC908> HTTPResponse类型
  4 page = response.read()
  5 page = page.decode('utf-8')

urlopen返回对象提供方法:

-         read() , readline() ,readlines() , fileno() , close() :对HTTPResponse类型数据进行操作

-         info():返回HTTPMessage对象,表示远程服务器返回的头信息

-         getcode():返回Http状态码。如果是http请求,200请求成功完成;404网址未找到

-         geturl():返回请求的url

2.Request

urllib.request.Request(url, data=None, headers={}, method=None)

使用request()来包装请求,再通过urlopen()获取页面。

  1 url = r'http://www.lagou.com/zhaopin/Python/?labelWords=label'
  2 headers = {
  3     'User-Agent': r'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) '
  4                   r'Chrome/45.0.2454.85 Safari/537.36 115Browser/6.0.3',
  5     'Referer': r'http://www.lagou.com/zhaopin/Python/?labelWords=label',
  6     'Connection': 'keep-alive'
  7 }
  8 req = request.Request(url, headers=headers)
  9 page = request.urlopen(req).read()
 10 page = page.decode('utf-8')

用来包装头部的数据:

-         User-Agent :这个头部可以携带如下几条信息:浏览器名和版本号、操作系统名和版本号、默认语言

-         Referer:可以用来防止盗链,有一些网站图片显示来源http://***.com,就是检查Referer来鉴定的

-         Connection:表示连接状态,记录Session的状态。

3.Post数据

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

urlopen()的data参数默认为None,当data参数不为空的时候,urlopen()提交方式为Post。

  1 from urllib import request, parse
  2 url = r'http://www.lagou.com/jobs/positionAjax.json?'
  3 headers = {
  4     'User-Agent': r'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) '
  5                   r'Chrome/45.0.2454.85 Safari/537.36 115Browser/6.0.3',
  6     'Referer': r'http://www.lagou.com/zhaopin/Python/?labelWords=label',
  7     'Connection': 'keep-alive'
  8 }
  9 data = {
 10     'first': 'true',
 11     'pn': 1,
 12     'kd': 'Python'
 13 }
 14 data = parse.urlencode(data).encode('utf-8')
 15 req = request.Request(url, headers=headers, data=data)
 16 page = request.urlopen(req).read()
 17 page = page.decode('utf-8')
urllib.parse.urlencode(query, doseq=False, safe='', encoding=None, errors=None)

urlencode()主要作用就是将url附上要提交的数据。

  1 data = {
  2     'first': 'true',
  3     'pn': 1,
  4     'kd': 'Python'
  5 }
  6 data = parse.urlencode(data).encode('utf-8')

经过urlencode()转换后的data数据为?first=true?pn=1?kd=Python,最后提交的url为

http://www.lagou.com/jobs/positionAjax.json?first=true?pn=1?kd=Python

Post的数据必须是bytes或者iterable of bytes,不能是str,因此需要进行encode()编码

  1 page = request.urlopen(req, data=data).read()

当然,也可以把data的数据封装在urlopen()参数中

  1 def get_page(url):
  2     headers = {
  3         'User-Agent': r'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) '
  4                     r'Chrome/45.0.2454.85 Safari/537.36 115Browser/6.0.3',
  5         'Referer': r'http://www.lagou.com/zhaopin/Python/?labelWords=label',
  6         'Connection': 'keep-alive'
  7     }
  8     data = {
  9         'first': 'true',
 10         'pn': 1,
 11         'kd': 'Python'
 12     }
 13     data = parse.urlencode(data).encode('utf-8')
 14     req = request.Request(url, headers=headers)
 15     try:
 16         page = request.urlopen(req, data=data).read()
 17         page = page.decode('utf-8')
 18     except error.HTTPError as e:
 19         print(e.code())
 20         print(e.read().decode('utf-8'))
 21     return page

5、使用代理

urllib.request.ProxyHandler(proxies=None)

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。

  1 data = {
  2         'first': 'true',
  3         'pn': 1,
  4         'kd': 'Python'
  5     }
  6 proxy = request.ProxyHandler({'http': '5.22.195.215:80'})  # 设置proxy
  7 opener = request.build_opener(proxy)  # 挂载opener
  8 request.install_opener(opener)  # 安装opener
  9 data = parse.urlencode(data).encode('utf-8')
 10 page = opener.open(url, data).read()
 11 page = page.decode('utf-8')
 12 return page


归类 : python爬虫


上一篇:在Python的urllib2 urlopen中检测超时错误


下一篇:Python标准库:HTTP客户端库urllib3