python标准库--urllib库

2023-08-02 23:12:28

urllib库简介

urllib提供了一系列用于操作URL的功能。 urllib库用于操作网页 URL，并对网页的内容进行抓取处理。
urllib 包包含以下几个模块：
- urllib.request - 打开和读取 URL。
- urllib.error - 包含 urllib.request 抛出的异常。
- urllib.parse - 解析 URL。
- urllib.robotparser - 解析 robots.txt 文件。

urllib.request模块

urllib.request 定义了一些打开 URL 的函数和类，包含授权验证、重定向、浏览器 cookies等。
urllib.request 可以模拟浏览器的一个请求发起过程。

urlopen方法

我们可以使用 urllib.request 的 urlopen 方法来打开一个 URL

语法：

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

参数说明：
- url：url 地址。
- data：发送到服务器的其他数据对象，默认为 None。
- timeout：设置访问超时时间。
- cafile 和 capath：cafile 为 CA 证书， capath 为 CA 证书的路径，使用 HTTPS 需要用到。
- cadefault：已经被弃用。
- context：ssl.SSLContext类型，用来指定 SSL 设置。
```
from urllib import request
with request.urlopen(r"http://www.xbiquge.la/10/10489/4534454.html") as f:
    data = f.read()
    print(data)
```
读取HTML文档的方式：
- read(size)：读取指定长度的文档，不设置size，读取表示整个文档
- readline()：读取文档的一行
- readlines()：读取文件的全部内容，它会把读取的内容赋值给一个列表变量。

getcode方法

urllib.request.urlopen(url).getcode()：获取打开网页的状态码
我们在对网页进行抓取时，经常需要判断网页是否可以正常访问，这里我们就可以使用 getcode() 函数获取网页状态码，返回 200 说明网页正常，返回 404 说明网页不存在。
```
from urllib import request

code = request.urlopen("http://www.xbiquge.la/10/10489/4535761.html").getcode()
print(code)
```

模拟头部信息

我们抓取网页一般需要对 headers（网页头信息）进行模拟，这时候需要使用到 urllib.request.Request 类创建request对象来模拟浏览器发送请求。

语法：

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

参数描述：
- url：url 地址。
- data：发送到服务器的其他数据对象，默认为 None。
- headers：HTTP 请求的头部信息，字典格式。可以使用dom对象navigator获得
- origin_req_host：请求的主机地址，IP 或域名。
- unverifiable：很少用整个参数，用于设置网页是否需要验证，默认是False。。
- method：请求方法，如 GET、POST、DELETE、PUT等。
常用成员：
- req.host：设置或者返回请求的主机或者端口
- req.origin_req_host：设置或者返回请求的原始主机，不含端口。
- req.data：设置或者返回请求数据
- req.get_method()：返回一个表示HTTP请求方法的字符串。
- req.add_header(key,value)：添加头部信息
- req.method：设置或者返回请求方法

urllib.error模块

urllib.error 模块为 urllib.request 所引发的异常定义了异常类，基础异常类是 URLError。
urllib.error 包含了两个方法，URLError 和 HTTPError。
URLError 是 OSError 的一个子类，用于处理程序在遇到问题时会引发此异常（或其派生的异常），包含的属性 reason 为引发异常的原因。
HTTPError 是 URLError 的一个子类，用于处理特殊 HTTP 错误例如作为认证请求的时候，包含的属性 code 为 HTTP 的状态码， reason 为引发异常的原因，headers 为导致 HTTPError 的特定 HTTP 请求的 HTTP 响应头。

urllib.parse模块

urllib.parse模块用于解析 URL

urlparse方法

urlparse()：将一个URL解析为6个组件，返回一个名为tuple的6个条目。

语法：

urllib.parse.urlparse(urlstring, scheme='', allow_fragments=True)

参数：
- urlstring：为字符串的 url 地址
- scheme：为协议类型，
- allow_fragments 参数为 false，则无法识别片段标识符。相反，它们被解析为路径，参数或查询组件的一部分，并在返回值中设置为空字符串。

返回值：内容是一个元组，包含 6 个字符串：协议，位置，路径，参数，查询，判断。

属性	索引	值	值（如果不存在）
`scheme`	0	URL协议	scheme 参数
`netloc`	1	网络位置部分	空字符串
`path`	2	分层路径	空字符串
`params`	3	最后路径元素的参数	空字符串
`query`	4	查询组件	空字符串
`fragment`	5	片段识别	空字符串
`username`		用户名	`None`
`password`		密码	`None`
`hostname`		主机名（小写）	`None`
`port`		端口号为整数（如果存在）	`None`

quote方法

URL引用函数关注于获取程序数据，并通过引用特殊字符和对 非ascii 文本进行适当编码，使其作为URL组件使用时更加安全。如果上面的URL解析函数还没有覆盖该任务，它们还支持颠倒这些操作，从URL组件的内容重新创建原始数据。

quote()：使用%xx转义替换字符串中的特殊字符。用于将中文编码（因为中文使用Unicode）。字母、数字和字符“_”。-~'从不被引用，

语法：

urllib.parse.quote(string, safe='/', encoding=None, errors=None)

参数：
- 可选的safe参数指定了不应该用引号括起来的其他ASCII字符——它的默认值是'/'。
- String可以是STR对象，也可以是bytes对象。
- 可选的encoding和errors参数指定如何处理非ascii字符，如str.encode()方法所接受的那样。
  - 编码默认为'utf-8'。
  - errors默认为'strict'，意味着不支持的字符会引发UnicodeEncodeError。
  - 如果string是bytes，或引发TypeError，则不能提供encoding和errors。

unquote方法

unquote()：用对应的单字符替换%xx转义。一般用于把字符串解码为中文（非ASCII码字符）

语法：

urllib.parse.unquote(string, encoding='utf-8', errors='replace')

参数：可选encoding和errors参数指定如何将百分比编码的序列解码为bytes.decode()方法所接受的Unicode字符。

urlencode方法

urlencode()：将映射对象或可能包含str或bytes对象的二元元组序列转换为百分比编码的ASCII文本字符串。如果生成的字符串被用作带有urlopen()函数的POST操作的数据，那么它应该被编码为字节（encode('utf-8')），否则将导致TypeError。

语法：

urllib.parse.urlencode(query, doseq=False, safe='', encoding=None, errors=None, quote_via=quote_plus)

参数：
返回值：结果字符串是由'&'字符分隔的一系列键=值对，其中键和值都被quote_via函数引用。默认情况下，quote_plus()用于引用值，这意味着空格被引用为'+'字符，'/'字符被编码为%2F，这符合GET请求的标准(application/x-www-form-urlencoded)。可以作为quote_via传递的另一个函数是quote()，它将空格编码为%20，而不编码'/'字符。为了最大限度地控制引用的内容，请使用quote并指定一个值以保证安全。

urllib.robotparser模块

urllib.robotparser 用于解析 robots.txt 文件。
robots.txt（统一小写）是一种存放于网站根目录下的 robots 协议，它通常用于告诉搜索引擎对网站的抓取规则。
urllib.robotparser 提供了 RobotFileParser 类

语法：

class urllib.robotparser.RobotFileParser(url='')

这个类提供了一些可以读取、解析 robots.txt 文件的方法：
- set_url(url) - 设置 robots.txt 文件的 URL。
- read() - 读取 robots.txt URL 并将其输入解析器。
- parse(lines) - 解析行参数。
- can_fetch(useragent, url) - 如果允许 useragent 按照被解析 robots.txt 文件中的规则来获取 url 则返回 True。
- mtime() -返回最近一次获取 robots.txt 文件的时间。这适用于需要定期检查 robots.txt 文件更新情况的长时间运行的网页爬虫。
- modified() - 将最近一次获取 robots.txt 文件的时间设置为当前时间。
- crawl_delay(useragent) -为指定的 useragent 从 robots.txt 返回 Crawl-delay 形参。如果此形参不存在或不适用于指定的 useragent 或者此形参的 robots.txt 条目存在语法错误，则返回 None。
- request_rate(useragent) -以 named tuple RequestRate(requests, seconds) 的形式从 robots.txt 返回 Request-rate 形参的内容。如果此形参不存在或不适用于指定的 useragent 或者此形参的 robots.txt 条目存在语法错误，则返回 None。
- site_maps() - 以 list() 的形式从 robots.txt 返回 Sitemap 形参的内容。如果此形参不存在或者此形参的 robots.txt 条目存在语法错误，则返回 None。

###########################GET 请求###########################
from urllib import parse, request
# 找到页面的搜索框控件：
# action = "https://docs.djangoproject.com/en/3.2/search/"
# name = q
url = "https://docs.djangoproject.com/en/3.2/search/?q="
# 如果name是中文，就需要使用parse.quote(name)进行编码,否则会报错
name = "admin" 
all = url + parse.quote(name)
# 实例化请求对象
req = request.Request(all) 
# 添加请求头  
req.add_header("User-Agent",
               "Mozilla/5.0 (Windows NT 6.1; WOW64) "
               "AppleWebKit/537.36 (KHTML, like Gecko) "
               "Chrome/66.0.3359.170 Safari/537.36")                                 # 开始向浏览器发起请求,并且读取页面数据           
r = request.urlopen(req).read()  
# 打开指定本地路径，准备开始写入文件
with open('./django_down.html','wb') as f:
    f.write(r)

###########################POST 请求###########################

码农公寓

urllib库简介

urllib.request模块

urlopen方法

getcode方法

模拟头部信息

urllib.error模块

urllib.parse模块

urlparse方法

quote方法

unquote方法

urlencode方法

urllib.robotparser模块

相关文章