一：Python urllib庫(kù)

Python urllib 庫(kù)用于操作網(wǎng)頁(yè) URL，并對(duì)網(wǎng)頁(yè)的內(nèi)容進(jìn)行抓取處理。

Python3 的 urllib。

urllib 包 包含以下幾個(gè)模塊：

• urllib.request - 打開(kāi)和讀取 URL。
• urllib.error - 包含 urllib.request 拋出的異常。
• urllib.parse - 解析 URL。
• urllib.robotparser - 解析 robots.txt 文件。

需要用的就是每個(gè)模塊的內(nèi)置方法和函數(shù)。大概方法如下圖：

二：urllib.request模塊

urllib.request 定義了一些打開(kāi) URL 的函數(shù)和類，包含授權(quán)驗(yàn)證、重定向、瀏覽器 cookies等。

urllib.request 可以模擬瀏覽器的一個(gè)請(qǐng)求發(fā)起過(guò)程。

這里主要介紹兩個(gè)常用方法，urlopen和Request

1、urlopen函數(shù)

語(yǔ)法格式如下：

• url：url 地址。
• data：發(fā)送到服務(wù)器的其他數(shù)據(jù)對(duì)象，默認(rèn)為 None。
• timeout：設(shè)置訪問(wèn)超時(shí)時(shí)間。
• cafile 和 capath：cafile 為 CA 證書(shū)， capath 為 CA 證書(shū)的路徑，使用 HTTPS 需要用到。
• cadefault：已經(jīng)被棄用。
• context：ssl.SSLContext類型，用來(lái)指定 SSL 設(shè)置。

示例：

import urllib.request#導(dǎo)入urllib.request模塊url=urllib.request.urlopen('https://www.baidu.com')#打開(kāi)讀取baidu信息print(url.read().decode('utf-8'))#read獲取所有信息，并decode()命令將網(wǎng)頁(yè)的信息進(jìn)行解碼

運(yùn)行結(jié)果：

response對(duì)象是http.client. HTTPResponse類型，主要包含 read、readinto、getheader、getheaders、fileno 等方法，以及 msg、version、status、reason、debuglevel、closed 等屬性。

常用方法：

• read()：是讀取整個(gè)網(wǎng)頁(yè)內(nèi)容，也可以指定讀取的長(zhǎng)度，如read(300)。獲取到的是二進(jìn)制的亂碼，所以需要用到decode()命令將網(wǎng)頁(yè)的信息進(jìn)行解碼。
• readline() - 讀取文件的一行內(nèi)容。
• readlines() - 讀取文件的全部?jī)?nèi)容，它會(huì)把讀取的內(nèi)容賦值給一個(gè)列表變量。
• info()：返回HTTPMessage對(duì)象，表示遠(yuǎn)程服務(wù)器返回的頭信息。
• getcode()：返回Http狀態(tài)碼。如果是http請(qǐng)求，200請(qǐng)求成功完成;404網(wǎng)址未找到。
• geturl()：返回請(qǐng)求的url。

2、Request類

我們抓取網(wǎng)頁(yè)一般需要對(duì) headers（網(wǎng)頁(yè)頭信息）進(jìn)行模擬，否則網(wǎng)頁(yè)很容易判定程序?yàn)榕老x(chóng)，從而禁止訪問(wèn)。這時(shí)候需要使用到 urllib.request.Request 類：

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

• url：url 地址。
• data：發(fā)送到服務(wù)器的其他數(shù)據(jù)對(duì)象，默認(rèn)為 None。
• headers：HTTP 請(qǐng)求的頭部信息，字典格式。
• origin_req_host：請(qǐng)求的主機(jī)地址，IP 或域名。
• unverifiable：很少用整個(gè)參數(shù)，用于設(shè)置網(wǎng)頁(yè)是否需要驗(yàn)證，默認(rèn)是False。。
• method：請(qǐng)求方法， 如 GET、POST、DELETE、PUT等。

示例：

三：urllib.error模塊

urllib.error 模塊為 urllib.request 所引發(fā)的異常定義了異常類，基礎(chǔ)異常類是 URLError。

urllib.error 包含了兩個(gè)方法，URLError 和 HTTPError。

URLError 是 OSError 的一個(gè)子類，用于處理程序在遇到問(wèn)題時(shí)會(huì)引發(fā)此異常（或其派生的異常），包含的屬性 reason 為引發(fā)異常的原因。

HTTPError 是 URLError 的一個(gè)子類，用于處理特殊 HTTP 錯(cuò)誤例如作為認(rèn)證請(qǐng)求的時(shí)候，包含的屬性 code 為 HTTP 的狀態(tài)碼， reason 為引發(fā)異常的原因，headers 為導(dǎo)致 HTTPError 的特定 HTTP 請(qǐng)求的 HTTP 響應(yīng)頭。

區(qū)別：

URLError封裝的錯(cuò)誤信息一般是由網(wǎng)絡(luò)引起的，包括url錯(cuò)誤

HTTPError封裝的錯(cuò)誤信息一般是服務(wù)器返回了錯(cuò)誤狀態(tài)碼

關(guān)系：

URLError是OSERROR的子類，HTTPError是URLError的子類

1、URLError 示例

from urllib import requestfrom urllib import errorif __name__ == '__main__':    #一個(gè)不存在的連接    url = 'http://www./'    req = request.Request(url)    try:        response = request.urlopen(req)        html = response.read().decode('utf-8')        print(html)    except error.URLError as e:        print(e.reason)

返回結(jié)果：

• reason:

此錯(cuò)誤的原因。 它可以是一個(gè)消息字符串或另一個(gè)異常實(shí)例

2、HTTPError示例

from urllib import requestfrom urllib import errorif __name__ == '__main__':    #網(wǎng)站服務(wù)器上不存在資源    url = 'http://www.baidu.com/no.html'    req = request.Request(url)    try:        response = request.urlopen(req)        html = response.read().decode('utf-8')        print(html)    except error.HTTPError as e:        print(e.code)

返回結(jié)果：

• code

一個(gè) HTTP 狀態(tài)碼，具體定義見(jiàn) RFC 2616。 這個(gè)數(shù)字的值對(duì)應(yīng)于存放在
http.server.BaseHTTPRequestHandler.responses 代碼字典中的某個(gè)值。

• reason

這通常是一個(gè)解釋本次錯(cuò)誤原因的字符串。

• headers

導(dǎo)致 HTTPError 的特定 HTTP 請(qǐng)求的 HTTP 響應(yīng)頭。

3、URLError和HTTPError混合使用

注意：由于HTTPError是URLError的子類，所以捕獲的時(shí)候HTTPError要放在URLError的上面。

示例：

from urllib import requestfrom urllib import errorif __name__ == '__main__':    #網(wǎng)站服務(wù)器上不存在資源    url = 'http://www.baidu.com/no.html'    req = request.Request(url)    try:        response = request.urlopen(req) #       html = response.read().decode('utf-8')    except error.HTTPError as e:        print(e.code)    except error.URLError as e:        print(e.code)

如果不用上面的方法，可以直接用判斷的形式。

執(zhí)行結(jié)果：

HTTPError404

四：urllib.parse模塊

模塊定義的函數(shù)可分為兩個(gè)主要門類: URL 解析和 URL 轉(zhuǎn)碼

1、URL 解析

1.1 urlparse()

urllib.parse 用于解析 URL，格式如下：

urlstring 為 字符串的 url 地址，scheme 為協(xié)議類型，

allow_fragments 參數(shù)為 false，則無(wú)法識(shí)別片段標(biāo)識(shí)符。相反，它們被解析為路徑，參數(shù)或查詢組件的一部分，并 fragment 在返回值中設(shè)置為空字符串。

標(biāo)準(zhǔn)鏈接格式為：

scheme://netloc/path;params?query#fragment

對(duì)象中包含了六個(gè)元素，分別為：協(xié)議（scheme）、域名（netloc）、路徑（path）、路徑參數(shù)（params）、查詢參數(shù)（query）、片段（fragment）。

示例：

執(zhí)行結(jié)果：

scheme  : https                                                                                                                                                                                          netloc  : docs.                                                       path    : /zh-cn/3/library/urllib.parse.html                                    params  :                                                                       query   :                                                                       fragment: module-urllib.parse                                                   hostname: docs. 

以上還可以通過(guò)索引獲取，如通過(guò)

1.2 urlunparse()

urlunparse()可以實(shí)現(xiàn)URL的構(gòu)造。（構(gòu)造URL）

urlunparse()接收一個(gè)是一個(gè)長(zhǎng)度為6的可迭代對(duì)象，將URL的多個(gè)部分組合為一個(gè)URL。若可迭代對(duì)象長(zhǎng)度不等于6，則拋出異常。

示例：

from urllib.parse import urlunparseurl_compos = ['http','www.baidu.com','index.html','user= test','a=6','comment']print(urlunparse(url_compos))

結(jié)果：

1.3 urlsplit()

urlsplit() 函數(shù)也能對(duì) URL 進(jìn)行拆分，所不同的是， urlsplit() 并不會(huì)把 路徑參數(shù)(params) 從 路徑(path) 中分離出來(lái)。

當(dāng) URL 中路徑部分包含多個(gè)參數(shù)時(shí)，使用 urlparse() 解析是有問(wèn)題的，這時(shí)可以使用 urlsplit() 來(lái)解析.

1.4 urlsplit()

urlunsplit()與 urlunparse()類似，（構(gòu)造URL），傳入對(duì)象必須是可迭代對(duì)象，且長(zhǎng)度必須是5。

示例：

from urllib.parse import urlunspliturl_compos = ['http','www.baidu.com','index.html','user= test','a = 2']print(urlunsplit(url_compos))urlunsplit()

結(jié)果：

1.5 urljoin()

同樣可以構(gòu)造URL。

傳遞一個(gè)基礎(chǔ)鏈接,根據(jù)基礎(chǔ)鏈接可以將某一個(gè)不完整的鏈接拼接為一個(gè)完整鏈接.

注：連接兩個(gè)參數(shù)的url, 將第二個(gè)參數(shù)中缺的部分用第一個(gè)參數(shù)的補(bǔ)齊,如果第二個(gè)有完整的路徑，則以第二個(gè)為主。

2、URL 轉(zhuǎn)碼

python中提供urllib.parse模塊用來(lái)編碼和解碼，分別是urlencode()與unquote()。

2.1、編碼quote(string)

URL 轉(zhuǎn)碼函數(shù)的功能是接收程序數(shù)據(jù)并通過(guò)對(duì)特殊字符進(jìn)行轉(zhuǎn)碼并正確編碼非 ASCII 文本來(lái)將其轉(zhuǎn)為可以安全地用作 URL 組成部分的形式。 它們還支持逆轉(zhuǎn)此操作以便從作為 URL 組成部分的內(nèi)容中重建原始數(shù)據(jù)，如果上述的 URL 解析函數(shù)還未覆蓋此功能的話

語(yǔ)法：

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

使用 %xx 轉(zhuǎn)義符替換 string 中的特殊字符。 字母、數(shù)字和 '_.-~' 等字符一定不會(huì)被轉(zhuǎn)碼。 在默認(rèn)情況下，此函數(shù)只對(duì) URL 的路徑部分進(jìn)行轉(zhuǎn)碼。 可選的 safe 形參額外指定不應(yīng)被轉(zhuǎn)碼的 ASCII 字符 --- 其默認(rèn)值為 '/'。

string 可以是 str 或 bytes 對(duì)象。

示例：

執(zhí)行結(jié)果：

http://www.baidu.com/s?wd=%E7%88%AC%E8%99%AB

2.2、編碼urlencode()

quote()只能對(duì)字符串編碼，而urlencode()可以對(duì)查詢字符串進(jìn)行編碼。

結(jié)果：

http://www.baidu.com/s?wd=%E7%88%AC%E8%99%AB

2.3、解碼unquote(string)

解碼就是對(duì)編碼后的url進(jìn)行還原

示例：

執(zhí)行結(jié)果：

爬蟲(chóng)

五：urllib.robotparser模塊

（在網(wǎng)絡(luò)爬蟲(chóng)中基本不會(huì)用到，使用較少，僅作了解）

urllib.robotparser 用于解析 robots.txt 文件。

robots.txt（統(tǒng)一小寫(xiě)）是一種存放于網(wǎng)站根目錄下的 robots 協(xié)議，它通常用于告訴搜索引擎對(duì)網(wǎng)站的抓取規(guī)則。

Robots協(xié)議也稱作爬蟲(chóng)協(xié)議，機(jī)器人協(xié)議，網(wǎng)絡(luò)爬蟲(chóng)排除協(xié)議，用來(lái)告訴爬蟲(chóng)哪些頁(yè)面是可以爬取的，哪些頁(yè)面是不可爬取的。它通常是一個(gè)robots.txt的文本文件，一般放在網(wǎng)站的根目錄上。

當(dāng)爬蟲(chóng)訪問(wèn)一個(gè)站點(diǎn)的時(shí)候，會(huì)首先檢查這個(gè)站點(diǎn)目錄是否存在robots.txt文件，如果存在，搜索爬蟲(chóng)會(huì)根據(jù)其中定義的爬取范圍進(jìn)行爬取。如果沒(méi)有找到這個(gè)文件，搜索爬蟲(chóng)會(huì)訪問(wèn)所有可直接訪問(wèn)的頁(yè)面。

urllib.robotparser 提供了 RobotFileParser 類，語(yǔ)法如下：

這個(gè)類提供了一些可以讀取、解析 robots.txt 文件的方法：

• set_url(url) - 設(shè)置 robots.txt 文件的 URL。
• read() - 讀取 robots.txt URL 并將其輸入解析器。
• parse(lines) - 解析行參數(shù)。
• can_fetch(useragent, url) - 如果允許 useragent 按照被解析 robots.txt 文件中的規(guī)則來(lái)獲取 url 則返回 True。
• mtime() -返回最近一次獲取 robots.txt 文件的時(shí)間。 這適用于需要定期檢查 robots.txt 文件更新情況的長(zhǎng)時(shí)間運(yùn)行的網(wǎng)頁(yè)爬蟲(chóng)。
• modified() - 將最近一次獲取 robots.txt 文件的時(shí)間設(shè)置為當(dāng)前時(shí)間。
• crawl_delay(useragent) -為指定的 useragent 從 robots.txt 返回 Crawl-delay 形參。 如果此形參不存在或不適用于指定的 useragent 或者此形參的 robots.txt 條目存在語(yǔ)法錯(cuò)誤，則返回 None。
• request_rate(useragent) -以 named tuple RequestRate(requests, seconds) 的形式從 robots.txt 返回 Request-rate 形參的內(nèi)容。 如果此形參不存在或不適用于指定的 useragent 或者此形參的 robots.txt 條目存在語(yǔ)法錯(cuò)誤，則返回 None。
• site_maps() - 以 list() 的形式從 robots.txt 返回 Sitemap 形參的內(nèi)容。 如果此形參不存在或者此形參的 robots.txt 條目存在語(yǔ)法錯(cuò)誤，則返回 None。