本文的文字及图片来源于网络,仅供学习、交流使用,不具有任何商业用途,版权归原作者所有,如有问题请及时联系我们以作处理
以下文章来源于腾讯云 作者:keinYe
( 想要学习Python?Python学习交流群:1039649593,满足你的需求,资料都已经上传群文件流,可以自行下载!还有海量最新2020python学习资料。 )
urllib 是 Python 自带的网络请求标准库,包含了多个处理 URL 功能的模块。
-
urllib.request 用于请求和读取 URL『包含网页认证、重定向、cookies 等等』,可以方便的获取 URL 内容。
-
urllib.error 用于 urlib.request 的异常处理。
-
urllib.parse 用于 urls 解析。
-
urllib.robotparse 用于 robot.txt 文件解析。
urllib.request 和 urllib.error 是我们常用的两个库,这两个库也是在爬虫程序中使用频繁的库。
urllib.request
通过 urllib.request 模块可以发送 http 请求,并读取请求结果。
urllib.request.urlopen(url, data=None, [timeout, ]*, cafile=None, capath=None, cadefault=False
, context=None
参数信息如下:
- url 是网页网址,可以是域名也可以是 IP 地址。
- data 是发往服务器的数据,当无数据发送时可省略该参数,是 bytes 类型的内容,可通过 bytes()函数转为化字节流
- timeout 用于设置请求超时时间;单位是秒。
- cafile 和 capath 代表 CA 证书和 CA 证书的路径。如果使用HTTPS则需要用到。
- cadefault 目前已弃用。
- context 参数必须是 ssl.SSLContext 类型,用来指定 SSL 设置
抓取网页内容
使用 urllib.request.urlopen 可以很方便的获取网页内容,我们以获取 httpbin.org 内容为例,介绍 urlopen 的使用方法
运行结果如下:
网络请求难免会遇到长时间无法正常连接的问题,此时可以通过设置超时时间「timeout」,使 urlopen 方法在一定时间内无法连接时自动退出,以免影响整个程序的运行。我们可以通过以下方式来设置超时时间
以上代码设置 5 秒钟内无法正常连接,则退出 urlopen 方法。
向服务器提交数据
向服务器提交数据或请求某些需要携带数据的网页时,需要用到 POST 请求,此时只需要将数据以 bytes 的格式传入参数 data 即可。
使用 POST 提交数据的示例如下
执行结果如下
模拟浏览器请求
在前面使用 urlopen 方法完成了简单的 get 和 post 请求,但是仅仅 urlopen 方法中的几个参数不足以构建完整的请求,完整的请求通常包含有 header 等信息,我们可以使用 urllib.request.Request 类来构建含有 header 以及请求方法的网络请求。
以下是 urllib.request.Request 的定义:
class urllib.request.Request(url, data=None, headers={}, origin_req_host=None, unverifiable=False, method=None)
# -*- coding:utf-8 -*-
from urllib import request
url ='https://httpbin.org/get'
headers =
{'User-Agent':"Mozilla/5.0 (Macintosh; Intel Mac OS X 10_14_2) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/72.0.3626.119 Safari/537.36"
}
运行结果
"User-Agent"
:
"Mozilla/5.0 (Macintosh; Intel Mac OS X 10_14_2) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/72.0.3626.119 Safari/537.36"
},
"origin":
"119.137.3.11, 119.137.3.11",
"url": "https://httpbin.org/get"
}
从运行结果中可以看出,httpbin.org 的放回数据中包含有我们提交给 httpbin.org 的浏览器信息。
urllib.error
网络通信是一个异步的通信过程,不可避免的会出现异常,此时就要用到 urllib.error 来处理错误『若不处理错误会造成程序中断执行』,这个会增加程序的健壮性。
urlib.error 中有三个异常处理类,分别是 URLError、HTTPError 和 ContentToolShortError。
URLError 是 urllib.error 异常的类的基类,URLError 是 OSError 的子类,当程序在运行过程中出现错误时会触发该异常。URLError 类带有一个 reason 属性,返回异常的原因,reason 是一个消息字符串或者是一个异常实例。
URLError 示例代码:
HTTPError 是专门用于处理 http 和 https 请求错误的异常类,HTTPError 也可以作为一个特殊的文件返回值「它与 URLopen 的返回相同」。HTTPError 是 URLError 的子类,它有 code、reason 和 headers 三个属性,code 是 HTTP 请求的返回吗,reason 同 URLError 中相同是一个表示异常原因的消息字符串,headers 是 HTTP 请求返回的请求头信息。