Python爬虫教程一:urllib库数据挖掘

一、什么是Urllib

Urllib是python内置的HTTP请求库,包括以下模块

Python爬虫教程一:urllib库数据挖掘

二、request模块

1.urlopen方法

用于直接打开网址。

Python爬虫教程一:urllib库数据挖掘
import urllib.request

response = urllib.request.urlopen('http://www.baidu.com') #response结果返回的是一个对象,需要用read()读取里面的内容
print(response.read().decode('utf-8'))

response.status、response.getheaders()、response.getheader(“server”),获取状态码以及头部信息

Python爬虫教程一:urllib库数据挖掘
Python爬虫教程一:urllib库数据挖掘

data参数的用法:

Python爬虫教程一:urllib库数据挖掘

2.Request类

用于设置请求头、等信息。+urlopen方法发出请求

Python爬虫教程一:urllib库数据挖掘

设置Headers:有很多网站为了防止程序爬虫爬网站造成网站瘫痪,会需要携带一些headers头部信息才能访问,最长见的有user-agent参数

给请求添加头部信息,从而定制自己请求网站是时的头部信息

from urllib import request, parse

url = 'http://httpbin.org/post'
headers = {
    'User-Agent': 'Mozilla/4.0 (compatible; MSIE 5.5; Windows NT)',
    'Host': 'httpbin.org'
}
dict = {
    'name': 'zhaofan'
}
data = bytes(parse.urlencode(dict), encoding='utf8')
req = request.Request(url=url, data=data, headers=headers, method='POST') # 直接在实例化Request类传参时,传送请求头信息
response = request.urlopen(req)
print(response.read().decode('utf-8'))

添加请求头的第二种方式

from urllib import request, parse

url = 'http://httpbin.org/post'
dict = {
    'name': 'Germey'
}
data = bytes(parse.urlencode(dict), encoding='utf8')
req = request.Request(url=url, data=data, method='POST')  # 在实例化Request类之后,通过req.add_header()方法来添加请求头信息
req.add_header('User-Agent', 'Mozilla/4.0 (compatible; MSIE 5.5; Windows NT)')
response = request.urlopen(req)
print(response.read().decode('utf-8'))

3.ProxyHandler

设置代理,网站它会检测某一段时间某个IP 的访问次数,如果访问次数过多,它会禁止你的访问,所以这个时候需要通过设置代理来爬取数据

import urllib.request

proxy_handler = urllib.request.ProxyHandler({
    'http': 'http://127.0.0.1:9743',
    'https': 'https://127.0.0.1:9743'
})
opener = urllib.request.build_opener(proxy_handler)
response = opener.open('http://httpbin.org/get')
print(response.read())

4.HTTPCookiProcessor

cookie中保存中我们常见的登录信息,有时候爬取网站需要携带cookie信息访问,这里用到了http.cookijar,用于获取cookie以及存储cookie

import http.cookiejar, urllib.request

cookie = http.cookiejar.CookieJar()
handler = urllib.request.HTTPCookieProcessor(cookie)
opener = urllib.request.build_opener(handler)
response = opener.open('http://www.baidu.com')
for item in cookie:
    print(item.name+"="+item.value)

同时cookie可以写入到文件中保存,有两种方式http.cookiejar.MozillaCookieJar和http.cookiejar.LWPCookieJar(),当然你自己用哪种方式都可以

具体代码例子如下:
http.cookiejar.MozillaCookieJar()方式

import http.cookiejar, urllib.request

filename = "cookie.txt"
cookie = http.cookiejar.MozillaCookieJar(filename)
handler = urllib.request.HTTPCookieProcessor(cookie)
opener = urllib.request.build_opener(handler)
response = opener.open('http://www.baidu.com')
cookie.save(ignore_discard=True, ignore_expires=True)

http.cookiejar.LWPCookieJar()方式

import http.cookiejar, urllib.request

filename = 'cookie.txt'
cookie = http.cookiejar.LWPCookieJar(filename)
handler = urllib.request.HTTPCookieProcessor(cookie)
opener = urllib.request.build_opener(handler)
response = opener.open('http://www.baidu.com')
cookie.save(ignore_discard=True, ignore_expires=True)

同样的如果想要通过获取文件中的cookie获取的话可以通过load方式,当然用哪种方式写入的,就用哪种方式读取。

import http.cookiejar, urllib.request

cookie = http.cookiejar.LWPCookieJar()
cookie.load('cookie.txt', ignore_discard=True, ignore_expires=True)
handler = urllib.request.HTTPCookieProcessor(cookie)
opener = urllib.request.build_opener(handler)
response = opener.open('http://www.baidu.com')
print(response.read().decode('utf-8'))

三、error模块

在很多时候我们通过程序访问页面的时候,有的页面可能会出现错误,类似404,500等错误。这个时候就需要我们捕捉异常

Python爬虫教程一:urllib库数据挖掘

URLError里只有一个属性:reason,即抓异常的时候只能打印错误信息,类似上面的例子

HTTPError里有三个属性:code,reason,headers,即抓异常的时候可以获得code,reson,headers三个信息,例子如下:

from urllib import request,error
try:
    response = request.urlopen("http://pythonsite.com/1111.html")
except error.HTTPError as e:
    print(e.reason)
    print(e.code)
    print(e.headers)
except error.URLError as e:
    print(e.reason)

else:
    print("reqeust successfully")

四、parse模块

1.urlparse方法

这里就是可以对你传入的url地址进行拆分

from urllib.parse import urlparse

result = urlparse("http://www.baidu.com/index.html;user?id=5#comment")
print(result)
Python爬虫教程一:urllib库数据挖掘

2.urlunparse方法

其实功能和urlparse的功能相反,它是用于拼接,例子如下:

from urllib.parse import urlunparse

data = ['http','www.baidu.com','index.html','user','a=123','commit']
print(urlunparse(data))
Python爬虫教程一:urllib库数据挖掘

3.urljoin方法

这个的功能其实是做拼接的,例子如下:

from urllib.parse import urljoin

print(urljoin('http://www.baidu.com', 'FAQ.html'))
print(urljoin('http://www.baidu.com', 'https://pythonsite.com/FAQ.html'))
print(urljoin('http://www.baidu.com/about.html', 'https://pythonsite.com/FAQ.html'))
print(urljoin('http://www.baidu.com/about.html', 'https://pythonsite.com/FAQ.html?question=2'))
print(urljoin('http://www.baidu.com?wd=abc', 'https://pythonsite.com/index.php'))
print(urljoin('http://www.baidu.com', '?category=2#comment'))
print(urljoin('www.baidu.com', '?category=2#comment'))
print(urljoin('www.baidu.com#comment', '?category=2'))
Python爬虫教程一:urllib库数据挖掘

从拼接的结果我们可以看出,拼接的时候后面的优先级高于前面的url

4.urlencode方法

这个方法可以将字典转换为url参数,例子如下

from urllib.parse import urlencode

params = {
    "name":"zhaofan",
    "age":23,
}
base_url = "http://www.baidu.com?"

url = base_url+urlencode(params)
print(url)
Python爬虫教程一:urllib库数据挖掘

原创文章,作者:三酷猫,如若转载,请注明出处:https://www.sankumao.com/3690.html

(0)
上一篇 2022年10月12日 下午4:44
下一篇 2022年10月12日 下午10:23

相关推荐

  • 4 个 Python 推导式开发技巧

    什么是列表推导式? 列表推导式List Comprehension是创建列表的一种优雅且最符合python语言的方法。与for循环和if语句相比,列表推导式在基于现有列表的值创建新…

    2022年11月5日
  • Python爬虫教程七:Scrapy框架(上)

    一、Scrapy框架简介 Scrapy是用Python实现一个为了爬取网站数据、提取结构性数据而编写的应用框架,用途非常广泛。 框架的优势在于,用户只需要定制开发几个模块就可以轻松…

    2022年10月14日
  • python多线程超级详细!

    一、什么是多线程? 多线程类似于同时执行多个不同程序,多线程运行有如下优点: 使用线程可以把占据长时间的程序中的任务放到后台去处理。 用户界面可以更加吸引人,比如用户点击了一个按钮…

    2022年10月14日
  • Python爬虫教程二:requests库数据挖掘

    什么是Requests Requests是用python语言基于urllib编写的,采用的是Apache2 Licensed开源协议的HTTP库如果你看过上篇文章关于urllib库…

    2022年10月12日
  • Python爬虫教程三:数据清洗-正则表达式

    正则表达式是一个特殊的字符序列,它能帮助你方便的检查一个字符串是否与某种模式匹配。 python 中封装了re模块。 常用方法 re.match() 尝试从字符串的起始位置匹配一个…

    2022年10月12日
  • 两种办法,快速一键生成Python爬虫请求头!

    我们在写爬虫,构建网络请求的时候,不可避免地要添加请求头( headers ),这里介绍工具一键生成请求头,省去编写请求头信息的麻烦! 方法一:网站在线转换 工具网址:https:…

    2022年11月3日
  • 基于scrapy的redis安装和配置方法

    在定向爬虫的制作过程中,使用分布式爬取技术可以显著提高爬取效率。而 Redis 配合 Scrapy 是实现分布式爬取的基础。 Redis 是一个高性能的 Key-Value 数据库…

    2022年11月13日
  • 如何将Python写的代码打包成.exe可执行文件

    pyinstaller打包机制   我们写的python脚本是不能脱离python解释器单独运行的,所以在打包的时候,至少会将python解释器和脚本一起打包,同样,为了打包的ex…

    2022年10月14日
  • 10个有趣的 Python 高级脚本,建议收藏!

    在日常的工作中,我们总会面临到各式各样的问题。 其中不少的问题,使用一些简单的Python代码就能解决。 比如不久前的复旦大佬,用130行Python代码硬核搞定核酸统计,大大提升…

    2022年4月23日
  • python中继承详解super().__init__()

    super().__init__(),就是继承父类的init方法,同样可以使用super()点 其他方法名,去继承其他方法。 我们这里通过实例来了解如何在子类中使用父类方法的方式。…

    2022年10月24日