python爬虫基础之urllib

urllib

urllib 是 Python 标准库中用于网络请求的库。该库有四个模块,分别是urllib.requesturllib.errorurllib.parseurllib.robotparser

  • 获取网页源码:urllib.request.urlopen(url)

  • 数据需要字符串类型:decode('utf-8')

  • 数据需要bytes类型:encode('utf-8')

  • 网址拼接参数有汉字的,对汉字进行转义:urllib.parse.quote(url,safe=string.printable)

  • 拼接多个参数的:用字典来添加参数:

    params = {
        'wd': '中文',
        'key': 'hello',
        'value': 'world'
    }
    
  • 对参数中包含汉字的进行转译:str_params = urllib.parse.urlencode(params)

  • 添加header

    • 创建请求对象:urllib.request.Request(url)

    • 添加header:

      request.add_header("User-Agent","Mozilla/5.0 (Macintosh; Intel Mac OS X 10_13_2) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/69.0.3497.100 Safari/537.36")
      
  • 选择User-Agent,模拟浏览器进行爬虫

    • 添加agent_list数组

      user_agent_list = [
          "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/535.1 (KHTML, like Gecko) Chrome/14.0.835.163 Safari/535.1",
          "Mozilla/5.0 (Windows NT 6.1; WOW64; rv:6.0) Gecko/20100101 Firefox/6.0",
          "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/534.50 (KHTML, like Gecko) Version/5.1 Safari/534.50",
          "Opera/9.80 (Windows NT 6.1; U; zh-cn) Presto/2.9.168 Version/11.50"
      
      ]
      
    • 利用random选择agent_list数组中的一个random_user_agent = random.choice(user_agent_list)

    • 请求url:request = urllib.request.Request(url)

    • 添加User-Agent信息:request.add_header("User-Agent",random_user_agent)

    • 获取网页源码:response = urllib.request.urlopen(request)

利用urllib实现代理功能

原因:系统的urllib并没有添加代理的功能所以需要我们自己定义这个功能

  • 创建自己handler:handler = urllib.request.HTTPHandler()

  • 创建自己的openner:openner = urllib.request.build_opener(handler)

  • 用自己的openner请求数据:response = openner.open(url)

  • 添加代理

    • 添加代理:

      proxy = {
          "http": "127.0.0.1:80"
      }
      
    • 创建代理handler:proxy_handler = urllib.request.ProxyHandler(proxy)

    • 创建代理openner:openner = urllib.request.build_opener(proxy_handler)

    • 利用代理openner请求数据:response = openner.open(url)

上一篇:简单的python爬虫图片获取


下一篇:python 爬虫基本