• Python urllib

    Python urllib 库用于操作网页 URL,并对网页的内容进行抓取处理。

    本文主要介绍 Python3 的 urllib。

    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

    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。

    我们可以使用 urllib.request 的 urlopen 方法来打开一个 URL,语法格式如下:

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

    实例如下:

    实例

    from urllib.request import urlopen

    myURL = urlopen("https://www.1000bd.com/")
    print(myURL.read())

    以上代码使用 urlopen 打开一个 URL,然后使用 read() 函数获取网页的 HTML 实体代码。

    read() 是读取整个网页内容,我们可以指定读取的长度:

    实例

    from urllib.request import urlopen

    myURL = urlopen("https://www.1000bd.com/")
    print(myURL.read(300))

    除了 read() 函数外,还包含以下两个读取网页内容的函数:

    • readline() - 读取文件的一行内容

      from urllib.request import urlopen
      
      myURL = urlopen("https://www.1000bd.com/")
      print(myURL.readline()) #读取一行内容
    • 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。

      from urllib.request import urlopen
      
      myURL = urlopen("https://www.1000bd.com/")
      lines = myURL.readlines()
      for line in lines:
          print(line) 

    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:

    实例

    import urllib.request

    myURL1 = urllib.request.urlopen("https://www.1000bd.com/")
    print(myURL1.getcode())   # 200

    try:
        myURL2 = urllib.request.urlopen("https://www.1000bd.com/no.html")
    except urllib.error.HTTPError as e:
        if e.code == 404:
            print(404)   # 404

    更多网页状态码可以查阅:https://www.1000bd.com/http/http-status-codes.html

    如果要将抓取的网页保存到本地,可以使用 Python3 File write() 方法 函数:

    实例

    from urllib.request import urlopen

    myURL = urlopen("https://www.1000bd.com/")
    f = open("runoob_urllib_test.html", "wb")
    content = myURL.read()  # 读取网页内容
    f.write(content)
    f.close()

    执行以上代码,在本地就会生成一个 runoob_urllib_test.html 文件,里面包含了 https://www.1000bd.com/ 网页的内容。

    更多Python File 处理,可以参阅:https://www.1000bd.com/python3/python3-file-methods.html

    URL 的编码与解码可以使用 urllib.request.quote()urllib.request.unquote() 方法:

    实例

    import urllib.request

    encode_url = urllib.request.quote("https://www.1000bd.com/")  # 编码
    print(encode_url)

    unencode_url = urllib.request.unquote(encode_url)    # 解码
    print(unencode_url)

    输出结果为:

    https%3A//www.1000bd.com/
    https://www.1000bd.com/

    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:

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

    实例 - py3_urllib_test.php 文件代码

    import urllib.request
    import urllib.parse

    url = 'https://www.1000bd.com/?s='  # 菜鸟教程搜索页面
    keyword = 'Python 教程'
    key_code = urllib.request.quote(keyword)  # 对请求进行编码
    url_all = url+key_code
    header = {
        'User-Agent':'Mozilla/5.0 (X11; Fedora; Linux x86_64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/58.0.3029.110 Safari/537.36'
    }   #头部信息
    request = urllib.request.Request(url_all,headers=header)
    reponse = urllib.request.urlopen(request).read()

    fh = open("./urllib_test_runoob_search.html","wb")    # 将文件写入到当前目录中
    fh.write(reponse)
    fh.close()

    打开 urllib_test_runoob_search.html 文件(可以使用浏览器打开),内容如下:

    表单 POST 传递数据,我们先创建一个表单,代码如下,我这里使用了 PHP 代码来获取表单的数据:

    实例

    <!DOCTYPE html>
    <html>
    <head>
    <meta charset="utf-8">
    <title>菜鸟教程(1000bd.com) urllib POST  测试</title>
    </head>
    <body>
    <form action="" method="post" name="myForm">
        Name: <input type="text" name="name"><br>
        Tag: <input type="text" name="tag"><br>
        <input type="submit" value="提交">
    </form>
    <hr>
    <?php
    // 使用 PHP 来获取表单提交的数据,你可以换成其他的
    if(isset($_POST['name']) && $_POST['tag'] ) {
       echo $_POST["name"] . ', ' . $_POST['tag'];
    }
    ?>
    </body>
    </html>

    实例

    import urllib.request
    import urllib.parse

    url = 'https://www.1000bd.com/try/py3/py3_urllib_test.php'  # 提交到表单页面
    data = {'name':'RUNOOB', 'tag' : '菜鸟教程'}   # 提交数据
    header = {
        'User-Agent':'Mozilla/5.0 (X11; Fedora; Linux x86_64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/58.0.3029.110 Safari/537.36'
    }   #头部信息
    data = urllib.parse.urlencode(data).encode('utf8')  # 对参数进行编码,解码使用 urllib.parse.urldecode
    request=urllib.request.Request(url, data, header)   # 请求处理
    reponse=urllib.request.urlopen(request).read()      # 读取结果

    fh = open("./urllib_test_post_runoob.html","wb")    # 将文件写入到当前目录中
    fh.write(reponse)
    fh.close()

    打开 urllib_test_post_runoob.html 文件(可以使用浏览器打开),显示结果如下:


    urllib.error

    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。

    对不存在的网页抓取并处理异常:

    实例

    import urllib.request
    import urllib.error

    myURL1 = urllib.request.urlopen("https://www.1000bd.com/")
    print(myURL1.getcode())   # 200

    try:
        myURL2 = urllib.request.urlopen("https://www.1000bd.com/no.html")
    except urllib.error.HTTPError as e:
        if e.code == 404:
            print(404)   # 404


    urllib.parse

    urllib.parse 用于解析 URL,格式如下:

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

    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 fragment 在返回值中设置为空字符串。

    实例

    from urllib.parse import urlparse

    o = urlparse("https://www.1000bd.com/?s=python+%E6%95%99%E7%A8%8B")
    print(o)

    以上实例输出结果为:

    ParseResult(scheme='https', netloc='www.1000bd.com', path='/', params='', query='s=python+%E6%95%99%E7%A8%8B', fragment='')

    从结果可以看出,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。

    我们可以直接读取协议内容:

    实例

    from urllib.parse import urlparse

    o = urlparse("https://www.1000bd.com/?s=python+%E6%95%99%E7%A8%8B")
    print(o.scheme)

    以上实例输出结果为:

    https

    完整内容如下:

    属性

    索引

    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


    urllib.robotparser

    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,语法如下:

    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。

    实例

    >>> import urllib.robotparser
    >>> rp = urllib.robotparser.RobotFileParser()
    >>> rp.set_url("http://www.musi-cal.com/robots.txt")
    >>> rp.read()
    >>> rrate = rp.request_rate("*")
    >>> rrate.requests
    3
    >>> rrate.seconds
    20
    >>> rp.crawl_delay("*")
    6
    >>> rp.can_fetch("*", "http://www.musi-cal.com/cgi-bin/search?city=San+Francisco")
    False
    >>> rp.can_fetch("*", "http://www.musi-cal.com/")
    True